Analog Neuromorphic Systems for Implantable Neural Interfaces

Das menschliche Gehirn ist ein riesiges Netzwerk aus Milliarden von Zellen, die ständig elektrische Signale aussenden, um Bewegung, Denken und Empfindung zu koordinieren. Seit Jahrzehnten versuchen Wissenschaftler, in diese Gespräche hineinzuhören, indem sie winzige Elektroden in das Gehirn implantieren, um die Aktivität einzelner Neuronen oder kleiner Gruppen von ihnen aufzuzeichnen. Diese Technologie birgt ein immenses Versprechen, Menschen, die durch Verletzungen oder Krankheiten gelähmt sind, dabei zu helfen, Computer und Robotergliedmaßen mit ihren Gedanken zu steuern, oder Ärzten dabei zu helfen, die Quelle epileptischer Anfälle zu lokalisieren, um diese effektiver zu behandeln. Es gab jedoch eine bedeutende physische Barriere, die die praktische Anwendung dieser Geräte im Alltag lange Zeit verhindert hat. Wenn Forscher mehr Elektroden hinzufügen, um ein klareres Bild der Gehirnaktivität zu erhalten, explodiert die Menge der generierten Daten. Die drahtlose Übertragung dieses massiven Stroms an Rohinformationen aus dem Körperinneren erfordert so viel Energie, dass es das umliegende Gewebe schnell überhitzen oder eine Batterie innerhalb weniger Stunden entladen würde. Die Herausforderung besteht daher nicht nur darin, dem Gehirn zuzuhören, sondern intelligent zuzuhören – die Stille herauszufiltern und nur die wichtigen Momente zu senden.

Ein Team von Forschern aus Institutionen auf der ganzen Welt, darunter die City University of Hong Kong und die Universität Zürich, hat einen neuen Ansatz entwickelt, um dieses Problem zu lösen, indem sie die Art und Weise nachahmen, wie das biologische Gehirn selbst Informationen verarbeitet. Anstatt die elektrische Aktivität des Gehirns kontinuierlich aufzuzeichnen, wie eine Videokamera, die jedes einzelne Bild eines Films aufnimmt, fungiert ihr neues System eher wie ein Bewegungssensor, der erst ausgelöst wird, wenn sich etwas ändert. Sie entwickelten eine spezialisierte elektronische Schaltung, die direkt auf dem Sensor sitzt und die rohen elektrischen Wellen des Gehirns in eine spärliche Serie digitaler „Spikes“ (Impulse) umwandelt, aber nur dann, wenn ein signifikantes Ereignis auftritt. Diese Methode, bekannt als Analog-zu-Spike-Konvertierung, reduziert die Menge der drahtlos zu sendenden Daten drastisch und löst damit die Energie- und Hitzeprobleme, die vorangegangenen Generationen von Gehirnimplantaten zุzu schaffen machten.

Die Forscher begannen damit, zwei bestehende Methoden für diese Art der Signalumwandlung zu vergleichen, um zu sehen, welche robuster gegenüber dem elektrischen Rauschen ist, das unweigerlich Gehirnaufzeichnungen stört. Eine Methode, genannt „leaky integrate-and-fire“ (lecksende Integration und Entladung), funktioniert dadurch, dass sie langsam elektrische Ladung ansammelt, bis sie einen Grenzwert erreicht und ein Signal aussendet. Die andere Methode, die Delta-Modulation, sendet ein Signal nur dann aus, wenn sich die Spannung um einen bestimmten Betrag ändert, was auf eine Veränderung der Gehirnaktivität hindeutet. Durch umfangreiche Tests mit simulierten Gehirnsignalen und echten Aufzeichnungen von Patienten fand das Team heraus, dass der Delta-Modulations-Ansatz weita viel überlegen war. Er konnte die schnellen, flüchtigen Spikes einzelner Neuronen präzise erfassen, selbst wenn sie unter langsam driftendem Hintergrundrauschen oder starker elektrischer Interferenz von Stromleitungen verborgen waren. Im Gegensatz dazu wurde die andere Methode oft von dem Rauschen überwältigt, wodurch zu viele nutzlose Signale ausgesendet wurden, die die eigentliche Gehirnaktivität überlagerten. Diese Entdeckung war entscheidend, da sie bewies, dass eine einzige, einfache Schaltung sowohl die schnellen Signale einzelner Neuronen als auch die langsameren, breiteren Wellen der Gehirnaktivität handhaben kann, ohne dass separate, sperrige Filter für jeden Typ benötigt werden.

Aufbauend auf diesem Erfolg stellte das Team eine neue, komplexere Version der Delta-Modulations-Schaltung vor, die von einer spezifischen Art von Neuron inspiriert wurde, die im Hippocampus zu finden ist – einem Teil des Gehirns, der an der Gedächtnisbildung beteiligt ist. Diese natürlichen Neuronen feuern keinen stetigen, rhythmischen Strom; statien feuern stattdessen in schnellen Bursts (Ausbrüchen), wenn ein starker Reiz erkannt wird, gefolgt von einer Phase der Stille. Die Forscher entwickelten ihre elektronische Schaltung so, dass sie sich genau so verhält. Wenn das Gehirnsignal ruhig ist oder sich langsam verändert, bleibt die Schaltung im Ruhezustand. Doch in dem Moment, in dem ein signifikantes Ereignis einen hohen Schwellenwert überschreitet, schaltet die Schaltung in einen „Burst-Modus“ um und sendet eine schnelle Serie von Signalen aus, um die Details dieses Ereignisses mit hoher Präzision zu erfassen, bevor sie in die Stille zurückkehrt. Dieses Burst-Verhalten ermöglicht es dem System, die Daten noch stärker zu komprimieren als die Standardmethode. In ihren Tests erreichte diese neue Burst-Modulations-Schaltung Kompressionsraten, die mehr als fünfmal besser waren als die der Standardmethode, während sie dieselbe Genauigkeit beibehielt. Für die Erkennung epileptischer Anfälle, die seltene Ereignisse in einem Meer aus normaler Gehirnaktivität sind, komprimierte das System die Daten um den Faktor von fast 2.000 im Vergleich zu herkömmlichen Aufzeichnungsmethoden.

Um zu beweisen, dass diese komprimierten Daten für reale Aufgaben immer noch nützlich waren, verbanden die Forscher ihren maßgeschneiderten Chip mit einem zweiten spezialisierten Computerchip, der darauf ausgelegt ist, diese Spikes sofort zu verarbeiten. Dieser zweite Chip, der die Architektur eines biologischen Gehirns nachahmt, wurde trainiert, spezifische Muster in den Spike-Zügen zu erkennen, wie etwa die Signatur eines einzelnen feuernden Neurons oder den Beginn eines Anfalls. Die Ergebnisse waren beeindruckend. Das kombinierte System konnte diese Ereignisse mit einer Genauigkeit von über 90 Prozent identifizieren, was die Leistung viel größerer, energieintensiverer Softwaresysteme auf Standardcomputern erreichte. Darüber hinaus reduzierte das System, da es nur die wesentlichen Informationen übertrug, die Datenrate um den Faktor von mehr als 4.000 im Vergleich zu herkömmlichen Aufzeichnungsgeräten. Dieses Maß an Effizienz bedeutet, dass zukünftige Implantate potenziell hunderte oder sogar tausende Gehirnkanäle gleichzeitig überwachen könnten, ohne dass häufiges Aufladen der Batterie oder das Risiko einer Überhitzung des Hirngewebes besteht.

Die Arbeit stellt einen bedeutenden Schritt dar, um hochdichte, drahtlose Gehirn-Schnittstellen für Patienten zur Realität werden zu lassen. Indem die Forscher die Intelligenz des Systems direkt in den Sensor verlagerten, haben sie gezeigt, dass es möglich ist, den Zielkonflikt zwischen der Anzahl der Sensoren, die ein Implantat tragen kann, und der zum Betrieb erforderlichen Energie zu lösen. Die neuen Schaltkreise sind klein genug, um in die winzigen Pixel einer modernen neuronalen Sonde integriert zu werden, und verbrauchen sehr wenig Energie, wobei jeder Kanal nur wenige Mikrowatt nutzt. Während sich die aktuelle Studie auf spezifische Aufgaben wie die Erkennung von Anfällen und einzelner Neuronen-Spikes konzentrierte, bietet das zugrunde liegende Prinzip einen neuen Weg für das Design intelligenter medizinischer Geräte, die sich an die natürlichen Rhythmen des Gehirns anpassen können. Anstatt die komplexe, spärliche Sprache des Gehirns in einen starren, kontinuierlichen Datenstrom zu zwingen, hören diese Systeme in der Sprache zu, die das Gehirn bereits spricht – sie filtern das Rauschen heraus und übertragen nur das Signal, das zählt.