基于忆阻器的储层计算系统处理稳定神经信号,赋能高效实时脑机接口

《Advanced Intelligent Systems》:Stable Neural Signal Recording Processed by Memristor-Based Reservoir Computing System

【字体: 大 中 小 】 时间:2026年04月26日 来源:Advanced Intelligent Systems 6.1

编辑推荐:

  本文介绍了一种基于忆阻器储层计算(RC)系统的创新神经信号处理方法。针对脑机接口(BMI)实时处理海量神经数据的挑战,研究人员利用忆阻器的短时记忆(STM)特性,将记录到的神经脉冲编码为高维动态特征,并结合柔性神经探针实现长达两周的稳定神经元追踪。实验表明,该系统在小样本条件下,能对小鼠行为状态实现高达82.2%的准确分类,并展现出良好的鲁棒性。这项工作为开发高能效、可集成的边缘神经信号处理系统提供了有前景的解决方案。

  
在科幻电影中,用意念控制机械臂、与计算机直接“对话”的场景令人神往。这背后是脑机接口(Brain-Machine Interface, BMI)技术,其核心目标之一是解读大脑的神经活动,并将其转化为控制外部设备的指令。随着技术的发展,现代高密度神经探针已能在单个探针上集成数千个记录点,为科学家们打开了观察大脑微观活动的窗口。然而,随之而来的海量数据洪流也带来了巨大挑战:如何实时、高效地处理这些数据,并从中准确解码出大脑的“意图”?传统方案依赖于将原始数据无线传输到外部计算机进行处理,这不仅要消耗巨大能量,还会因传输延迟而影响实时性。因此,开发一种能够“就地”处理神经信号的边缘计算系统,对下一代高性能、低功耗的脑机接口至关重要。
与此同时,大脑是高度动态的,神经元通过发放一连串具有特定时间模式的脉冲信号(动作电位)来编码信息。传统的计算方法在处理这类具有时间依赖性的数据时,往往模型复杂、训练成本高昂。储层计算(Reservoir Computing, RC)是一种新型计算范式,它通过一个固定的、包含丰富非线性动态的“储层”来替代传统循环神经网络(RNN)中大部分需要训练的参数,从而简化训练过程,并能高效处理时序信号。而忆阻器(Memristor)作为一种新型电子器件,其导电状态能对过去的电激励产生记忆效应,并随时间缓慢“遗忘”,这种被称为短时记忆(Short-Term Memory, STM)的特性,恰好使其成为一个理想的物理“储层”,能自然地编码神经脉冲之间的时间关系。
发表在《Advanced Intelligent Systems》上的这项研究,正是将这两大前沿技术——柔性神经探针与忆阻器储层计算——巧妙结合。研究团队的核心目标是:证明一个基于忆阻器的物理储层计算系统,能够直接处理从活体动物大脑中记录的单神经元脉冲信号,实现实时、稳定、高效的行为状态解码,并为识别关键神经元、简化后续分析提供可能。他们的成功验证,为开发下一代集传感、存储与计算于一体的片上智能脑机接口迈出了坚实一步。
为了开展这项研究,研究人员主要采用了以下几项关键技术方法:1. 柔性网状微电极阵列制备:采用光刻、金属沉积和SU-8光刻胶封装等微纳加工技术,在柔性基底上制造了具有32个记录通道的网状电极。该电极具有类组织柔性,可长期稳定地追踪小鼠大脑运动皮层的单神经元活动。2. WOx基忆阻器阵列制备:在SiO2/Si衬底上,通过反应溅射、等离子体增强化学气相沉积和快速热氧化等工艺,制备了32×32的WOx基忆阻器交叉阵列,作为储层计算系统的核心硬件。3. 行为实验与神经信号采集:将柔性神经探针植入小鼠背外侧纹状体,记录小鼠在跑步机上进行“停止-慢速-快速”三种状态强制运动任务时的大脑神经元脉冲信号,并持续追踪两周。4. 宽储层计算(Wide RC)系统构建:将每个记录通道的脉冲信号转换为电压脉冲,并以5种不同的时间尺度(1×, 1.67×, 2.5×, 5×, 10×)输入到5个独立的忆阻器子储层中,从而构成一个“宽”储层,以捕获不同时间尺度的动态特征。5. 读出层训练与分类:将储层状态(忆阻器电导)作为输入,训练一个简单的全连接读出层(60×3),使用多项式逻辑回归对小鼠的三种运动状态进行分类。
2.1 系统概述
研究人员构建了一个完整的闭环系统。柔性网状微电极阵列稳定记录小鼠运动皮层神经元的长时(>2周)脉冲活动。记录到的脉冲经软件识别和排序后,被转换为电压脉冲,输入到由32×32 WOx忆阻器阵列构成的物理储层中。每个忆阻器作为一个储层节点,其电导状态会随输入脉冲的时间模式而变化,从而将时序信息编码到高维状态空间中。该系统被整合到定制化的测试板中,实现信号的实时输入、储层状态读取以及后续的分类预测。
2.2 基于忆阻器的宽储层计算
WOx忆阻器具有约50 ms的衰减时间常数τ,使其具备短时记忆特性。脉冲间隔小于τ时,其响应会累积增强;间隔大于τ时,先前输入的影响会逐渐衰减。通过将同一脉冲序列以不同速率(即不同时间缩放因子)输入多个忆阻器,可以显著扩展储层的状态维度,形成“宽储层”。这种结构能比单一储层捕获更丰富的时序动态,从而提升网络性能。
2.3 行为状态分类
使用该系统对小鼠在第二周记录的数据进行测试,结果表明系统能达到82.2%的整体分类准确率。研究指出,由于训练和测试的标签是跑步机速度而非小鼠实际速度,这个准确率可能被低估,是一个保守的下限。在稳态阶段(排除状态切换前后的时间窗口),准确率可提升3%-5%。
2.4 通道消融研究
通过对单个记录通道进行消融(即在测试时将其输入置零),研究人员可以评估每个神经元对分类任务的重要性。结果显示,消融3号通道会导致系统性能显著下降,表明该通道对应的神经元对小鼠设置不同跑步速度至关重要。而消融2、6、8、11等通道则对精度影响甚微。此外,仅使用对三类状态分别贡献最大的三个通道(5、3、10)进行训练和测试,系统也能达到77%的准确率,加入次重要的两个通道(4、9)后,性能几乎与使用全部12个通道时相当。这证明了RC系统有助于识别关键神经元,从而降低下游分析的计算复杂度。
2.5 架构效应
研究比较了不同子储层(即不同输入速率)单独使用时的性能。结果表明,输入速率越高的子储层,其性能通常越好,因为它能保留更长时间尺度的信息。而整合所有五个子储层构成的宽储层,其测试准确率和F1分数比单一储层基线提升了高达9%。在数据量方面,系统仅用10个试次的训练数据就能达到超过80%的推理准确率,与使用全部20个试次的数据相比,性能仅下降约2%,展现出优异的小样本学习能力。通过对脉冲时序添加微小随机抖动进行数据增强,能进一步提升模型在数据有限情况下的鲁棒性。
2.6 鲁棒性评估
系统对测量噪声表现出良好的鲁棒性,当噪声水平高达测量值的10%时,性能仅下降约1%。然而,系统对神经记录的不稳定性非常敏感。模拟记录通道信号丢失(即数据仅包含噪声)的情况显示,性能会急剧下降近30%。这凸显了长期稳定记录单神经元活动(如本研究使用的柔性网状探针所实现的)对于准确神经信号解码的极端重要性。
本研究成功证明,基于忆阻器的宽储层计算系统能够有效解码小鼠大脑的神经脉冲信号,实现行为状态的稳定预测。该系统充分利用了忆阻器的短时记忆动态来编码时序特征,在存在试次间变异和训练数据有限的情况下,仍能在两周后的数据上达到约82.2%的测试准确率。通过使用多个捕获不同时间动态的子储层,系统性能相比单一速率基线提升了约9%。更重要的是,系统能快速从小数据集中学习(例如仅用约10个试次即可达到约80%准确率),并且对器件间的差异不敏感(不同芯片间的性能差异约1%)。结合支持长期稳定单细胞追踪的柔性网状纳米电极,该方法为脑机接口提供了一种无需精确器件调谐的高效实时神经解码潜在方案。
研究的局限性在于当前仍需依赖软件进行脉冲排序来生成脉冲序列,然后才能驱动忆阻器。展望未来,随着能够拾取毫伏级脉冲信号的神经探针以及能够直接响应此类信号的忆阻器的发展,未来有望实现用神经探针直接拾取的信号驱动忆阻器储层,无需任何软件预处理或放大。这样的系统将为未来大规模记录点上的实时处理带来更高效的脑机接口。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号