利用类脑器件高效处理神经信号，构建新型脑机接口

来源：X一MOL资讯

近日，清华大学微纳电子系、未来芯片技术高精尖创新中心的钱鹤、吴华强教授团队与医学院洪波教授团队在《自然•通讯》（Nature Communications）在线合作发表了题为“Neural signal analysis with memristor arrays towards high-efficiency brain–machine interfaces”的研究论文，利用忆阻器的仿生与存算一体特性，提出了基于忆阻器阵列的新型脑机接口，构建了高效智能的脑电神经信号处理系统，演示了大脑癫痫状态的识别，实现了93.46%的高准确率，并将系统功耗降低了400多倍。这是两个研究团队学科交叉的最新研究成果。

图1. 基于忆阻器阵列神经信号分析系统的新型脑机接口

近年来，脑机接口技术作为信息科学与神经科学等多学科交叉融合的前沿领域，在康复医学、医疗电子等领域得到了广泛关注与应用， Neuralink、BrainCo、Neuracle等公司都积极投入实用化脑机接口的研发。脑机接口技术可以将大脑发出的动作或言语意图翻译为控制指令，从而帮助运动、语言障碍患者的康复治疗。同时，脑机接口技术还可以用来监测与癫痫、阿尔兹海默症和帕金森病等神经退行性疾病相关的脑状态，为治疗这些疾病提供新的治疗方案。目前，主流的脑机接口中的神经信号分析模块由硅CMOS电路构成，但随着脑机接口中的信号采集通道数的增加，系统面临着功耗和延时等方面的巨大挑战，这是制约脑机接口技术在植入式或便携式医疗系统中应用的重要瓶颈之一。

忆阻器是一种新型信息处理器件，其电导状态可以通过外加电压激励驱动离子迁移来调节。忆阻器的工作机理与人脑中的神经突触、神经元等具有一定的相似性，基于忆阻器的神经形态计算可以突破传统计算架构，在实现高并行度的同时显著降低功耗，因此在脑机接口领域有着巨大的应用潜力。

研究团队受此启发，通过在脑机接口领域两年多的交叉学科紧密合作，提出了基于忆阻器阵列的新型脑机接口，实验制备了具有模拟阻变特性的忆阻器阵列，并构建了基于忆阻器的神经信号分析系统。该系统包含用于神经信号高效预处理的忆阻器滤波器组和用于智能分类识别的忆阻器神经网络。为了验证该系统的可行性，研究团队演示了癫痫相关的神经信号滤波与分类，忆阻器系统最终实现了93.46%的大脑癫痫状态识别准确率，相较于传统CMOS硬件，具有400倍以上的功耗优势。

图2. 用忆阻器神经信号分析系统来处理和识别癫痫相关的大脑状态

图3. 忆阻器阵列滤波结果示例与网络准确率和功耗的对比

该工作的主要创新之处包括：

（1）受大脑中高并行的模拟神经信号处理方式的启发，利用忆阻器的仿生特性首次高效实现了高阶FIR滤波器组，作为一个通用的神经信号处理单元。

（2）提出一种基于忆阻器阵列的新型脑机接口原型系统，集成了作为神经信号预处理单元的高阶FIR滤波器组和作为信号解码器单元的忆阻器神经网络。

（3）使用预记录的癫痫相关神经信号的数据集（Bonn Epilepsy Dataset），对所构建的神经信号处理系统的功能进行了验证，实现了93.46%的大脑癫痫状态识别准确率。评估表明，系统功耗相比传统硬件具有两个数量级以上的优势。

清华大学微纳电子系吴华强教授、唐建石助理教授和医学院洪波教授是本论文的共同通讯作者，清华大学微纳电子系博士生刘正午为论文的第一作者，论文合作者包括微纳电子系博士生周颖、医学院博士生刘定坤等人。该研究得到了国家自然科学基金委、科技部重点研发计划、北京信息科学与技术国家研究中心等支持。

科研思路分析

Q：这项研究最初是什么目的？或者说想法是怎么产生的？

A：我们团队的研究工作主要是围绕忆阻器开展，利用忆阻器存算一体的特点来高效地完成矩阵-向量乘法，从而实现人工神经网络的加速。其中，忆阻器的工作机理是依赖电场驱动下氧离子迁移实现阻值调控，这与生物神经网络中的突触和神经元的工作机理很相似，这就启发我们利用忆阻器通过类脑计算的方式来实现高效的神经信号处理，将忆阻器作为连接生物神经与电子系统的天然桥梁，因此我们这项研究就是尝试利用忆阻器的仿生特性来构建新型脑机接口，以期在功耗和速度等方面比传统CMOS电路更有优势。

Q：研究过程中遇到哪些挑战？

A：我们研究过程中遇到的最大挑战之一是如何利用忆阻器阵列来实现高阶的滤波器组，以得到足够高精度的滤波结果用于后一级神经网络的分类。这个挑战包括如何用忆阻器直接处理以模拟形式输入的信号，如何将滤波器系数高精度地映射为忆阻器电导值，如何克服器件电导波动以及不同输入电压下电导不完全一致对计算结果产生的不良影响等具体问题。解决问题的过程中，我们团队在基于忆阻器的存算一体研究方面积累的经验起到了关键的作用。

另外，脑机接口领域本身就是一个非常活跃的交叉学科领域，作为一种新器件，忆阻器的引入一定程度上增加了研究的难度，同时也带来了新的机遇。我们团队和洪波老师团队合作，充分利用对各自领域的理解和技术积累，解决了研究中因跨领域带来的一系列问题。比如，在设计滤波器时，综合考虑了识别癫痫的脑电频段需求和器件规模对计算结果的影响；在设计忆阻器神经网络类型和规模时，研究了不同癫痫生物标志物选择的影响等。

Q：该研究成果可能有哪些重要的应用？哪些领域的企业或研究机构可能从该成果中获得帮助？

A：我们的研究为脑机接口构建了高效的神经信号分析系统，可以用于帮助治疗某些神经系统的疾病，比如癫痫、帕金森病等；同时还可以作为探究大脑的工作机理的重要工具。我们提出用仿生的类脑计算器件来构建基于忆阻器的脑机接口，可以为医疗电子、生物医学等领域提供新的研究思路。