수천만 명의 사람들이 파킨슨병과 간질로 고통받고 있다. 그에 따른 인적, 재정적 비용은 엄청나다.

다행히 연구자들이 이제 저전력 칩 설계, 머신 러닝 알고리즘 및 소프트 이식형 전극을 결합하여 파킨슨병 및 간질의 증상을 감지하고 완화할 수 있는 폐쇄 루프 신경 조절 시스템 온 칩인 ‘뉴트럴트리(NeuralTree)’를 생산할 수 있게 되었다.

뉴트럴트리는 신경망의 정확성과 의사 결정 트리 알고리즘의 하드웨어 효율성을 활용한다. 신경 보형 응용 프로그램용 손가락 움직임과 같은 멀티 클래스 작업뿐만 아니라 발작 또는 떨림 감지를 위해 복잡하면서도 에너지 효율적인 신경 인터페이스를 통합할 수 있었던 것은 이번이 처음이다.

이 연구 결과는 2022년 IEEE 국제 반도체 회로 컨퍼런스에서 발표되었고, 반도체 회로 설계 분야 최우수 국제학술지 IEEE 반도체 회로 저널(IEEE Journal of Solid-State Circuits)에 게재되었다.

뉴트럴트리는 뇌파에서 신경 바이오마커를 추출하여 작동한다. 이후 신호를 분류하고 임박한 간질 발작 또는 파킨슨병 떨림을 예고하는지 여부를 나타낸다. 증상이 감지되면 역시 칩에 있는 신경자극기가 활성화되어 이를 차단하기 위해 전기 펄스를 생성한다. 이는 온칩 분급기(on-chip classifier)를 활용해 최초로 시연한 파킨슨병 떨림 감지 사례에 해당한다.

연구자들은 뉴트럴트리의 독특한 설계가 최신 기술에 비해 전례 없는 수준의 효율성과 다용성을 이 시스템에 제공한다고 설명한다. 즉, 이 칩은 이전 머신 러닝 내장 장치의 32개보다 훨씬 더 많은 256개의 인풋 채널을 자랑한다. 이를 통해 더 많은 고해상도 데이터를 처리할 수 있다.

또한 칩의 크기가 매우 작은데 이를 통해 더 많은 채널로 확장할 수 있는 거대한 잠재력을 제공하고 있다. 또한 ‘에너지 인식’ 학습 알고리즘의 통합을 통해, 뉴트럴트리는 매우 높은 에너지 효율성을 갖추고 있다.

칩의 머신 러닝 알고리즘은 ‘간질’과 ‘파킨슨병’ 환자의 데이터 세트와 해당 두 범주에 대한 매우 정교하게 분류된 사전 기록 신경 신호에 기반하여 학습된 것이다.

다음 단계로 연구자들은 신경 신호의 진화를 따라잡기 위해 온칩 알고리즘 업데이트를 활성화하는 데 관심이 있다. 신경 신호는 계속 변하기 때문에 이 단계는 매우 중요하다. 즉, 시간이 지남에 따라 업데이트하지 않으면 신경 인터페이스 성능이 저하된다. 이를 해결하는 한 가지 방법은 온칩 업데이트, 즉 스스로 업데이트할 수 있는 알고리즘을 활성화하는 것에 있다.

- IEEE JOURNAL OF SOLID-STATE CIRCUITS, November 2022, Vol. 57, Iss.11, “NeuralTree: A 256-Channel 0.227-μJ/Class Versatile Neural Activity Classification And Closed-Loop Neuromodulation SoC,” by Uisub Shin, et al. © 2023 IEEE. All rights reserved.

Tens of millions of people suffer from Parkinson’s disease and epilepsy. The resulting human and financial cost of is staggering.

Fortunately, researchers have now been able to combine low-power chip design, machine learning algorithms, and soft implantable electrodes to produce NeuralTree, a closed-loop neuromodulation system-on-a-chip that can detect and alleviate symptoms of Parkinson’s disease and epilepsy.

NeuralTree benefits from the accuracy of a neural network and the hardware efficiency of a decision tree algorithm. It’s the first time we’ve been able to integrate such a complex, yet energy-efficient neural interface for seizure or tremor detection, as well as for multiclass tasks such as finger movement classification for neuro-prosthetic applications.

The results of this research were presented at the 2022 IEEE International Solid-State Circuits Conference and published in the IEEE Journal of Solid-State Circuits.

NeuralTree functions by extracting neural biomarkers from brain waves. It then classifies the signals and indicates whether they herald an impending epileptic seizure or Parkinsonian tremor. If a symptom is detected, a neurostimulator - also located on the chip - is activated, sending an electrical pulse to block it. This is the first demonstration of Parkinsonian tremor detection with an on-chip classifier.

The researchers explain that NeuralTree’s unique design gives the system an unprecedented degree of efficiency and versatility compared to the state-of-the-art.

The chip boasts 256 input channels, compared to 32 for previous machine-learning-embedded devices; this allows more high-resolution data to be processed on the implant.

 

The chip’s extremely small size gives it great potential for scalability to more channels. And the integration of an ‘energy-aware’ learning algorithm makes NeuralTree highly energy efficient.

The chip’s machine learning algorithm was trained on datasets from both epilepsy and Parkinson’s disease patients, and accurately classified pre-recorded neural signals from both categories.

As a next step, the team is interested in enabling on-chip algorithmic updates to keep up with the evolution of neural signals. That’s important because neural signals change; so, over time the performance of a neural interface will decline unless updated. One way to address that is to enable on-chip updates, or algorithms that can update themselves.