A Bidirectional Neural Interface With Direct On-Device Neuromorphic Decoding for Closed-Loop Optogenetics

Dit artikel presenteert een volledig zelfstandig, draadloos bidirectioneel systeem met een op een FPGA geïmplementeerde neuromorfe decoder die real-time, gesloten-lus optogenetische stimulatie mogelijk maakt voor vrij bewegende dieren met een hoge nauwkeurigheid en minimale rekenkracht.

De kern

Stel je voor dat je een tiny robot-hoofdtelefoon kunt maken voor een muis, die niet alleen luistert naar wat de hersenen zeggen, maar ook direct antwoordt met lichtflitsjes. Dat is precies wat deze wetenschappers hebben bedacht.

Hier is het verhaal van hun uitvinding, vertaald in begrijpelijke taal met een paar leuke vergelijkingen:

1. Het Probleem: De "Kabel" die alles bederft

Vroeger, als je wilde kijken wat er in de hersenen van een dier gebeurde, moest je het dier vastkoppelen aan een grote computer met een lange kabel.

• De analogie: Het is alsof je een spion wilt sturen, maar hij moet aan een touw van 100 meter vastzitten aan een bureau in het kantoor. Hij kan niet vrij bewegen, en als hij een actie moet uitvoeren (zoals een lichtje laten knipperen op basis van wat hij hoort), moet hij eerst een bericht sturen naar het kantoor, wachten tot iemand het leest, en dan een bevel terugkrijgen. Dat duurt te lang. In de hersenen gebeurt alles in milliseconden; als je te lang wacht, is het moment voorbij.

2. De Oplossing: De "Slimme Hoofdtelefoon"

De onderzoekers hebben een draadloze helm (een 'headstage') gebouwd die zo klein en licht is dat een muis of rat er gewoon mee kan rennen en spelen.

• Wat zit erin? Een klein computerchipje (een FPGA) dat direct op de helm zit.
• Wat doet het? Het luistert naar 32 verschillende kanalen in de hersenen, denkt na over wat het hoort, en geeft direct een opdracht om een lichtje te laten branden (optogenetica). Alles gebeurt op het hoofd, zonder kabels naar een computer.

3. Hoe werkt het denken? (De "Neuromorfe" Magie)

Hersenen zijn niet zoals onze laptops; ze werken met piepjes en stroompjes. De oude computers op de helm waren te traag en te groot om al die piepjes te verwerken.

• De vergelijking: Stel je voor dat je een stroom van mensen ziet lopen.
  • Oude methode: Je telt elke persoon die voorbijkomt, schrijft het op in een groot boek, en stuurt het boek naar een rekenmeester. Dat duurt te lang.
  • Nieuwe methode (Neuromorf): Je gebruikt een slimme "emmer" (een leaky integrator). Als er veel mensen tegelijk lopen, wordt de emmer vol. Maar als er even niemand loopt, lekt de emmer een beetje leeg. Je hoeft niet elke persoon te tellen, je kijkt alleen of de emmer vol is of niet.
  • Resultaat: De computer op de helm hoeft niet meer te rekenen met duizenden getallen, maar kijkt alleen naar de "vulling" van de emmer. Dat is veel sneller en verbruikt minder batterij.

4. De "Samenvatting" (PCA)

Zelfs met de slimme emmers zijn er nog steeds 32 kanalen (32 emmers). Dat is veel voor een klein chipje.

• De analogie: Stel je hebt 32 vrienden die allemaal iets vertellen. In plaats van alles te onthouden, luistert de chip naar de 6 belangrijkste thema's die uit die 32 gesprekken naar voren komen.
• De chip gebruikt een trucje (PCA) om de 32 kanalen te verkleinen tot 6 belangrijke "hoofdgedachten". Hierdoor kan de chip razendsnel beslissen wat er moet gebeuren.

5. De Test: Leren en Doen

De onderzoekers hebben dit systeem getest op twee manieren:

1. Met apen: Ze keken of de helm kon voorspellen welke kant een aap met zijn pols zou duwen. Het systeem deed het net zo goed als een enorme supercomputer, maar dan in een klein doosje.
2. Met ratten (in het echt): Ze plaatsten de helm op een rat. De rat deed een beweging (een hendel trekken). De helm hoorde dit in de hersenen, dacht na, en stuurde direct een lichtflits naar een ander deel van het brein (de VTA).
   • Het resultaat: Het licht ging precies op het juiste moment aan, alsof de helm een onzichtbare hand was die de hersenen een duwtje gaf. Dit gebeurde zo snel dat het biologisch zinvol was (binnen 10-20 milliseconde).

Waarom is dit belangrijk?

Vroeger was "slimme hersenstimulatie" alleen mogelijk met grote machines en kabels. Nu hebben ze een vrij bewegend, zelfstandig systeem gemaakt.

• Vergelijking: Het is het verschil tussen een robot die aan een leiding hangt en een robot die een eigen brein heeft en vrij rond kan lopen.

Dit systeem opent de deur voor nieuwe behandelingen van ziektes (zoals Parkinson of epilepsie) en helpt wetenschappers om te begrijpen hoe onze hersenen werken, terwijl de proefdieren zich net als normaal gedragen. Het is een enorme stap naar een toekomst waar we hersenen kunnen "luisteren" en "helpen" zonder dat je er een kabel aan vast hoeft te hebben.

Technische samenvatting

Probleemstelling

Bestaande bidirectionele neurale interfaces voor gesloten-lus (closed-loop) neuromodulatie, zoals optogenetica, hebben vaak te maken met ernstige beperkingen:

• Afhankelijkheid van kabels: De meeste systemen vereisen een fysieke verbinding met externe computers voor het uitvoeren van complexe decoderalgoritmen, wat de bewegingsvrijheid van proefdieren (zoals ratten en muizen) beperkt.
• Rekenkracht en Latentie: Het uitvoeren van intensieve decoders (zoals Deep Learning-modellen) op draagbare apparaten is moeilijk vanwege beperkte energie, geheugen en verwerkingscapaciteit.
• Biologische relevantie: Voor effectieve gesloten-lus interventies, vooral die gebaseerd op spike-timing-dependent plasticity (STDP), is een zeer lage latentie (10–20 ms) essentieel. Bestaande systemen hebben vaak te veel latentie om causale relaties in neurale circuits correct te beïnvloeden.
• Complexiteit: Veel huidige oplossingen vertrouwen op ongesorteerde actiepotentialen (MUA) maar vereisen zware hardware of zijn niet flexibel genoeg voor real-time aanpassing.

Methodologie

De auteurs presenteren een compacte, volledig draadloze "headstage" (hoofdstuk) die neurale opname, verwerking en optogenetische stimulatie integreert in één autonoom systeem.

1. Hardware Architectuur:

• Opname: Een 32-kanaals interface (Intan RHD2132) voor het opnemen van actiepotentialen (AP) en multi-unit activity (MUA).
• Stimulatie: Een 8-kanaals LED-driver (AS1109) die tot 200 mA per kanaal kan leveren voor optogenetische stimulatie.
• Verwerking: Een Spartan-6 FPGA fungeert als de centrale processor. Deze voert alle digitale signaalverwerking (DSP) en classificatie uit.
• Communicatie: Een nRF24l01p transceiver voor draadloze datalogging en reprogrammering.
• Formaat: Het systeem weegt slechts 4,68 g (inclusief batterij), geschikt voor ratten en grotere muizen.

2. Neuromorfe Feature Extractie en Dimensiereductie:
Om de rekenlast op de FPGA te minimaliseren, wordt een neuromorfe aanpak gebruikt:

• Event-based Detectie: Detectie van drempeloverschrijdingen (MUA) in plaats van volledige golfvormopname.
• Leaky Integrator: In plaats van een lange geschiedenis van tijdbins te bewaren, wordt een "leaky integrator" gebruikt. Dit weegt recente gebeurtenissen zwaarder dan oudere, waardoor temporele dynamiek wordt vastgehouden met slechts één feature per kanaal (32 features in plaats van honderden).
• Principal Component Analysis (PCA): De 32 kanalen worden gereduceerd tot de 6 belangrijkste componenten (principal components) die de meeste variantie verklaren. Dit verlaagt de feature-dimensie met 81% zonder significante verlies aan nauwkeurigheid.

3. Decoder Model (NL-SVM):

• Algoritme: Een niet-lineaire Support Vector Machine (NL-SVM) met een polynoom-kernel wordt gebruikt voor regressie en classificatie.
• Optimalisatie: Om het model in het beperkte geheugen van de FPGA te laten passen, wordt k-means clustering toegepast tijdens het trainen. Dit reduceert het aantal support vectors door vergelijkbare data-punten te groeperen, wat de modelgrootte drastisch verkleint zonder de nauwkeurigheid te verlagen.
• Implementatie: De SVM-inferentie wordt uitgevoerd op de FPGA met slechts 3 MAC-eenheden (Multiply-Accumulate), wat zorgt voor een zeer lage stroomverbruik en sub-millisecond latentie.

4. Flexibiliteit:
Het systeem is volledig draadloos programmeerbaar. Parameters zoals bin-grootte, leaky-integrator tijdconstanten, PCA-coëfficiënten en stimulatie-instellingen kunnen tijdens het experiment worden aangepast.

Belangrijkste Bijdragen

• Eerste volledig draadloze bidirectionele interface: Een systeem dat neurale opname, on-device decoding en gesloten-lus optogenetische stimulatie combineert zonder kabels.
• Neuromorfe verwerking op FPGA: Implementatie van complexe feature-extractie (leaky integrator + PCA) en SVM-decoding op een resource-beperkte Spartan-6 FPGA.
• Sub-millisecond Latentie: Het systeem bereikt een inferentie-tijd van ongeveer 0,254 ms, wat binnen het biologisch relevante venster van 10–20 ms valt voor STDP.
• Modelreductie via Clustering: Een innovatieve methode om SVM-modellen te comprimeren via k-means clustering, waardoor ze geschikt worden voor embedded systemen.
• In vivo Validatie: Succesvolle demonstratie van gesloten-lus stimulatie in levende ratten.

Resultaten

De prestaties zijn gevalideerd op zowel bestaande datasets als in nieuwe in vivo experimenten:

• Nauwkeurigheid (Monkey Dataset): Bij het voorspellen van krachten tijdens een polsbewegingstak bereikte de decoder een $R^2$ van 0,85 (Y-as) en 0,66 (X-as) met slechts 6 PCA-componenten. Dit is vergelijkbaar met zware CNN-modellen ($R^2$ 0,87) maar vereist aanzienlijk minder rekenkracht.
• Klassificatie (Rat Lever-pull): Bij het detecteren van het trekken van een hendel door ratten presteerde de SVM-decoder vergelijkbaar met CNN's en FFNN's, met hoge nauwkeurigheid over meerdere opnamedagen.
• In vivo Gesloten-Lus Experiment:
  • Het systeem voerde real-time voorspellingen uit van de populatie-vuurfrequentie in de motorische cortex (M1) van anesthesie-gebruikende ratten.
  • De voorspelling had een Variance Accounted For (VAF) van 0,9795 (voor snelle modellen) en 0,9148 voor het gesloten-lus stimulatie-experiment.
  • Het systeem triggere automatisch optogenetische pulsen (naar het ventrale tegmentale gebied, VTA) wanneer de neurale activiteit een drempel overschreed, wat leidde tot een meetbare toename van de corticale activiteit.
• Resource Gebruik: Het systeem verbruikt slechts 2 mA totaal en gebruikt minder dan 10 kB geheugen voor het SVM-model, wat een enorme verbetering is ten opzichte van bestaande FPGA-oplossingen die vaak >100 kB nodig hebben.

Significantie

Dit werk markeert een doorbraak in de neurowetenschappen en de ontwikkeling van neurale interfaces:

1. Autonomie: Het elimineert de noodzaak van kabels en externe servers, waardoor echt vrije beweging en langdurige experimenten mogelijk zijn.
2. Biologische Relevantie: Door de extreem lage latentie kan het systeem ingrijpen binnen de tijdschaal van synaptische plasticiteit, wat essentieel is voor het bestuderen en behandelen van neurale circuits.
3. Toekomstige Toepassingen: Het platform biedt een veelzijdig gereedschap voor het bestuderen van ziektemechanismen (zoals epilepsie of Parkinson) en het ontwikkelen van adaptieve neuromodulatietherapieën in kleine diermodellen.
4. Efficiëntie: Het bewijst dat geavanceerde machine learning-algoritmen (zoals SVM met niet-lineaire kernels) efficiënt kunnen worden geïmplementeerd op compacte, batterij-aangedreven hardware, wat de weg vrijmaakt voor de volgende generatie implantaten.

Samenvattend introduceert dit paper een volledig zelfstandig, energie-efficiënt en draadloos platform dat gesloten-lus neuromodulatie mogelijk maakt met een precisie en snelheid die eerder alleen met zware, kabelgebonden systemen bereikbaar was.