NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
İmplante edilebilir nöromodülasyon cihazları, Parkinson hastalığı, epilepsi ve depresyon gibi nörolojik bozukluklar için önemli ölçüde gelişmiş tedavilere sahiptir. Derin beyin stimülasyonu (DBS) ve omurilik stimülatörü (SCS) gibi geleneksel açık döngü cihazları genellikle aşırı uyarılmaya ve uyarlanabilir hassasiyetten yoksunluğa, güvenlik ve yan etki endişelerine yol açar. Yeni nesil kapalı döngü sistemleri, duyarlı uyarım için gerçek zamanlı izleme ve cihazda teşhis sunar ve bir dizi beyin hastalığını tedavi etmek için önemli bir ilerleme sunar. Bununla birlikte, mevcut kapalı döngü teknolojilerinin yüksek yanlış alarm oranları, etkinliğini sınırlar ve gereksiz uyarımlar nedeniyle enerji tüketimini arttırır. Bu çalışmada, bu konuları hedefleyen yapay zeka entegre devre ortak tasarımını tanıtıyoruz ve etkinliğini sergilemek için kapalı döngü nöbet tahmini için çevrimiçi bir gösteri sistemi kullanıyoruz. İlk olarak, nöral ağ arama ve niceleme stratejileri ile iki sinir ağı modeli elde edilir. İkili sinir ağı, yüksek hassasiyetle minimum hesaplama ve yanlış alarm reddi için 0,1 / s kadar düşük bir yanlış alarm oranına sahip bir konvolutional sinir ağı için optimize edilmiştir. Daha sonra, iki modeli uygulamak için 55 nm teknolojisinde özel bir düşük güç işlemcisi üretilmiştir. Yeniden yapılandırılabilir tasarım ve olay odaklı işleme özelliği ile, sonuçta ortaya çıkan uygulamaya özgü entegre devre (ASIC) sadece 5mm2 silikon alanı kaplar ve ortalama güç tüketimi 142 muW'dir. Önerilen çözüm, hem yanlış alarm oranlarında hem de güç tüketiminde, en son teknolojideki muadillere kıyasla kıyasla önemli bir azalma sağlar.
Özgün kaynak özetini okuyun
Implantable neuromodulation devices have significantly advanced treatments for neurological disorders such as Parkinson's disease, epilepsy, and depression. Traditional open-loop devices like deep brain stimulation (DBS) and spinal cord stimulators (SCS) often lead to overstimulation and lack adaptive precision, raising safety and side-effect concerns. Next-generation closed-loop systems offer real-time monitoring and on-device diagnostics for responsive stimulation, presenting a significant advancement for treating a range of brain diseases. However, the high false alarm rates of current closed-loop technologies limit their efficacy and increase energy consumption due to unnecessary stimulations. In this study, we introduce an artificial intelligence-integrated circuit co-design that targets these issues and using an online demonstration system for closed-loop seizure prediction to showcase its effectiveness. Firstly, two neural network models are obtained with neural-network search and quantization strategies. A binary neural network is optimized for minimal computation with high sensitivity and a convolutional neural network with a false alarm rate as low as 0.1/h for false alarm rejection. Then, a dedicated low-power processor is fabricated in 55 nm technology to implement the two models. With reconfigurable design and event-driven processing feature the resulting application-specific integrated circuit (ASIC) occupies only 5mm2 silicon area and the average power consumption is 142 μW. The proposed solution achieves a significant reduction in both false alarm rates and power consumption when benchmarked against state-of-the-art counterparts.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.