众所周知，借助神经网络，可以对临床监测到的人体生物信号进行病理分析。
但是这种方法还是比较被动的:信号必须被设备捕捉到，才能被AI分析。
低功耗，高性能的神经模拟芯片有望彻底改变这种方式。
现在，例如，来自德国的科学家设计了这样一种生物相容的芯片通过在人体内植入物理人工神经网络，我们可以实时在线监测自己的心跳数据，直接分析自己是否有心律异常
也就是说，如果将物理神经网络植入体内，可以直接检测病变，无需医疗监督。
研究结果发表在科学进展。
植入式人工神经网络。
首先，神经模拟芯片集存储和计算于一体，这依赖于生物神经网络的进一步模拟来解决问题。
此前，英特尔和康奈尔大学生产了这样一款芯片Loihi，通过将动物闻到气味时的脑电和电脉冲设计成算法，实现了对10种气味的识别，准确率达到92%。
因为团队设计的芯片是要植入体内的，所以一般的AI芯片材料在重量，体积，散热上绝对没有限制。
为此，他们使用了生物相容的材料:有机电化学晶体管。
这是一种新的晶体管技术，在低电压和低功耗下保持高灵敏度，因此具有出色的信号放大能力。
此外，它可以响应离子浓度的变化，因此可以用于生物信号监测。
材料选定后，如何在芯片上实现神经拟态，即如何部署物理神经网络。
根据以往的研究成果，储层计算是一个很好的脑启发框架，可以部署硬件神经网络并执行片上计算。
这主要是因为只有储备池计算神经网络的输出层需要训练。
此外，通过软件实现的储备池计算也被证明在识别异常脑电图或心电图图像方面非常出色。
最后，这种由有机电化学晶体管组成的非线性树枝状神经网络，通过类似OECT的神经纤维生成一个作为蓄水池的随机网络，即一个动态系统，从而像生物神经网络的神经元一样传递信息。
随机网络将直接与周围的电解质相互作用，并通过将输入电信号非线性映射到输出层来响应离子位移。
下图最左边是采集的电子信号，最右边是神经网络输出层映射的信号图。
最后，信息作为离子状态被收集用于分类分析。
识别异常心律的准确率为88%。
研究人员在各种计算任务上测试了该芯片，包括时间序列预测和分类任务。
因为是假设植入人体的，所以每次实验都是在磷酸盐缓冲盐水中进行，这是一种渗透压和离子浓度与人体相匹配的盐水溶液。
他们尝试从MIT—BIH数据集对4种不同类型的心律失常进行分类，发现该网络的分类准确率达到88%。
MIT—BIH数据集是MIT为研究心律失常提供的数据，是国际公认的三大标准心电数据库之一。
在这个过程中，系统消耗的能量比起搏器少。
除了监测生物电信号，它们的应用还可以扩展到生物体液的分析，比如餐前餐后的血液参数实时监测。
论文地址:
参考链接:
郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。
