把RNN植入體內，僅憑一張“薄片”，就能直接檢測你有無心律異常 | Science子刊
分析準確率88%
我們都知道，借助神經網絡，可以對臨床上監(jiān)測到人體生物信號進行病理分析。
但這種方法還比較“被動”：必須先用設備捕捉到信號再用AI去分析。
而功耗低、性能高的神經擬態(tài)芯片，有望徹底改變這一方式。
就比如現在，來自德國的科學家們設計了這樣一種生物相容性的芯片，通過在人體內植入一個物理人工神經網絡，就可以實時、“在線”監(jiān)測我們的心跳數據并直接分析出我們否有心律異常。
也就是說，在體內植入物理神經網絡，即使不靠醫(yī)療手段監(jiān)督（添加其他設備），也能直接檢測到病理變化。
研究成果刊登在Science Advances。
可植入體內的人工神經網絡
首先，神經擬態(tài)芯片存儲和計算為一體（因此沒有馮·諾依曼瓶頸），靠的是更近一步的模擬生物神經網絡的工作方式來解決問題。
此前英特爾和康奈爾大學就出產過這樣一種芯片Loihi，通過將動物聞到氣味時的腦電活動圖和電脈沖設計成算法設計到芯片上，實現了對10種氣味92%準確率的識別。
本次團隊設計的這個芯片因為要植入體內，普通的AI芯片材料在重量、體積和散熱方面的限制肯定不行。
為此他們采用了生物相容性材料：有機電化學晶體管（OECT）。
這是一種新型晶體管技術，在低電壓和低功耗下卻保持著高靈敏度，因此具備非常優(yōu)越的信號放大能力?。
再加上它可以對離子濃度變化進行響應，完全可用于生物信號監(jiān)測。
材料選好了，如何在芯片上實現神經擬態(tài)，也就是如何部署物理神經網絡？
根據以往的研究成果，儲備池計算?（Reservoir Computing，RC）是一種不錯的brain-inspired框架，可以部署硬件神經網絡并執(zhí)行片上計算（on-chip computation）。
這也主要是因為儲備池計算神經網絡（一種RNN）只有輸出層需要訓練。
另外，軟件實現的儲備池計算也被證明在識別異常EEG或ECG（腦/心電圖）圖像方面非常出色。
最終這個由有機電化學晶體管（OECT）構成的非線性樹狀神經網絡，通過類似OECT的神經纖維（突起）來產生（半）隨機網絡作為儲備池（reservoir），也就是動力系統(tǒng)，以便像生物神經網絡的神經元一樣傳遞信息。
△ 其中一個網絡的光學顯微鏡圖片，帶有四個輸入/輸出通道（比例尺，100μm）
隨機網絡會直接與周圍的電解液相互作用，通過非線性地將輸入電信號映射到輸出層來響應離子位移。
下圖最左為采集到的電子信號，最右神經網絡輸出層映射的信號圖。
最后，信息被收集為離子狀態(tài)以進行分類分析。
辨別心律異常的準確率為88%
研究人員在各種計算任務上測試該芯片，包括時間序列預測和分類任務。
由于它被設想的使用場景是植入體內，所以每個實驗都是在磷酸鹽緩沖鹽水中進行的，這是是一種滲透壓和離子濃度與人體相匹配的鹽水溶液。
他們嘗試從MIT-BIH數據集中對四種不同類型的心律失常（健康的心跳和三種常見的心律失常）進行分類后發(fā)現，該網絡分類的準確率達到88%（F類的最低85%，A類最高92%，正常心跳N類91%，綜合準確率為88%）。
MIT-BIH數據集是MIT提供的研究心律失常的數據，為國際上三個公認可作為標準心電數據庫之一。
而且在這個過程中，系統(tǒng)消耗的功率比心臟起搏器小。
另外，除了監(jiān)測生物電信號，它們的用途還可以擴展到對生物流體的分析，例如餐前和餐后血液參數的實時監(jiān)測。
論文地址：
https://advances.sciencemag.org/content/7/34/eabh0693
參考鏈接：
https://www.eurekalert.org/news-releases/926023
- 北大開源最強aiXcoder-7B代碼大模型！聚焦真實開發(fā)場景，專為企業(yè)私有部署設計2024-04-09
- 剛剛，圖靈獎揭曉！史上首位數學和計算機最高獎“雙料王”出現了2024-04-10
- 8.3K Stars!《多模態(tài)大語言模型綜述》重大升級2024-04-10
- 谷歌最強大模型免費開放了！長音頻理解功能獨一份，100萬上下文敞開用2024-04-10
相關閱讀
外媒稱：華為已儲備2年份美國關鍵芯片，其中包含賽靈思英特爾等公司產品
據國外媒體報道，知情人士透露華為已儲備了最高可用2年的美國關鍵芯片，包含賽靈思、英特爾等公司產品。
清華軟件定義芯片團隊成果入選固態(tài)電路頂會ISSCC 2021
通過挖掘量化后CNN模型權值大量冗余的特征，提出一種能夠顯著減少冗余權值造成冗余乘操作的優(yōu)化方法，降低了硬件功耗
