捕捉脑内信息
我们知道，视觉是非常重要的功能，如果某位患者眼睛失明了，那么他的视网膜就无法接受到信息。如果要通过植入技术解决这个问题，就需要进一步深入了解到视网膜的成像的机理是什么，我们通过对视网膜功能的探索，通过大脑的成像，通过微型的设备，可能是毫米甚至是更精准的仪器，将它们植入到我们的大脑中，然后通过天线，小的射频单元，以及其他小的芯片，将不同的功能在大脑中植入，这些芯片能提升我们的听力、视觉，能促进眼部的信息在大脑中进行成像，使失明患者能看到我们所看到的事物。
此类研究还有些很多新兴领域是关于大脑视觉部分的。人的大脑中能将眼睛看到的东西进行成像，那我们能看到不同的颜色是基于什么样的原理？实际上是由于视觉信号的传递。研究人员可以通过有效的功能优化，通过芯片上的控制单元和、收发机的植入能更好地进行研究。视觉上的植入，我们可以看到具体的图像是如何进行成像的，而对这些功能的分析，最后在大脑中进行精确的修复。
为了完成以上过程，我们首先需要了解的是，在大脑中如何进行不同信号的获取和的传输。在这个环节就需要使用到不同的芯片来捕捉大脑中的这些过程。不同的脑部芯片都具有相应的差异，这些芯片能够发挥不同的功能对电信号进行记录，能够接收不同频率脑电信号。芯片的这些工作可以让我们了解到大脑中不同的区域发生的问题是什么，通过这些对应脑内相应部分的“工具”，它们可能仅仅是两毫米非常小的设备，就能在大脑中帮助我们恢复这些功能。
我很高兴能和大家分享这些功能，让大家更好了解到我们如何能够通过这些芯片的使用，把外部的信号传递到人体的大脑中。
脑内芯片的应用
今天我们讨论到的是非常小的传感器的使用，这些非常小的电子单元可以达到微米级别。
研究人员们已经在猴子身上进行了不同的实验。众所周知，猴子的大脑和人脑有些相似的地方，通过在猴子身上进行类似的实验，能够验证这些芯片是否能够保证信号的传输。首先已知猴子们并没有失明，研究人员们会先进行解码，了解到猴子如何看到信息的，然后进行效仿，最后对这样一个机制进行模拟。通过对猴子大脑的解码，能够更好地帮助研究人脑功能的修复研究。
针对不同的脑电波频谱，芯片能够针对不同的脑部区域来进行正确的记录。再来看一下芯片内部的结构。之前提到过这类脑内芯片设备是非常低能耗的，不需要有任何电池，所以可以直接把芯片设备植入到头皮当中进行工作。当然，我们还有最新的技术能够做到这样的系统，比如信号可以传递几米，这里有很多芯片可以用来进行有效的记录和传递。
再来看一下典型的大脑机能紊乱型的病症——癫痫，全球有大概有1%的的人可能会有癫痫的症状。遭受此类神经退行性疾病的病痛折磨的人是非常多的，所以我们也关注了对癫痫患者的治疗。问题在于，我们要观察大脑每一部分是什么样的状态，之后再做有效的成像，观察在发生癫痫的时候大脑到底是什么样的状态，如何在癫痫发病之前阻止症状发生，这时候就需要观察神经的变化。如果某一癫痫患者在开车的时候突然发病，就可能会引发严重的安全事故。所以这个时候就如果能够通过脑部芯片捕捉到的信息提前10分钟或者30分钟，通过手机或者其他的方式向患者发出警告，也许可以避免事故的发生，最大程度地减少损失和伤害。
据此我们选择使用VNS、RNS方法作为解决方案。将芯片植入到大脑里面之后，芯片需要时刻对大脑进行观察。研究人员会对不同的大脑区域进行不同的刺激，来鉴别患者癫痫发生的主要区域。如果想做更精准的定位，患者们就需要去医院做核磁检查。即便通过以上手段做了很精确的检查，但癫痫的发作是非常紧急的，我们不能指望用核磁共振的诊断，去保证某位患者每一个月的同一时间都不会发病的。此时研究人员就需要考虑该怎么样用外置的设备，用传感器更好监控脑电信号的传递。
患者们去医院测试的是脑电波，检查时通过仔细观察脑电图可以了解在哪一部分的脑部活动会引起癫痫。大家都知道癫痫发病来自于大脑，如果能在头皮检测到不同的脑电信号变化，就能帮助医生和研究人员判断和定位癫痫到底是由哪一部分的大脑产生的。脑部芯片就能满足个性化的患者的需求，当它们被植入到大脑当中后，能更好地实时理解每一个患者的发病情况。
此外，纳米技术也被应用于此类研究之中，用以量测纳米颗粒在脑内的聚集。一般人们在思考的时候，在大脑的某一个局部就会发生比较明显的神经活动。如果是正处在癫痫发病过程中的患者的大脑，可能会有某一部分被激发产生大量的神经递质，这个时候就可以检测由于神经元活动聚集的神经递质的密度和强度，来帮助我们定位癫痫是由大脑的哪部分产生的。
研究人员们在小白鼠身上也做了实验，这是我们检测的案例。我们通过将大脑发病的时候给出的信号用不同的颜色标注，显示了10-20秒当中癫痫发病的情况，包括对于当前信号的影响。这些发病过程都是可以通过电子信号进行监测，根据信号能看到大脑电子信号的频率是增高的，研究人员就可以观察到在癫痫发生之前出现的症状，包括癫痫发病的情况。这一芯片设备尺寸非常小，大概是两微米，耗电只有六毫瓦，它的启动也非常简单，敏感性非常高。
机器学习与脑部芯片的未来发展
即使现在有了很多新的技术，但是癫痫治疗依然非常困难，虽然科学家们持续地在推进治疗方法和手段，但是精准预测癫痫发作依然是个难题，这也是此类医疗技术未来的发展方向。
从机器学习的角度看，很多分类算法已经发展的非常成熟，所以我们可以考虑针对不同类别的病例，利用已经累计起来的脑部活动信息数据，对机器学习算法进行定向的训练。通过深度学习可以更加提高我们对癫痫发病的预测。我们团队未来的想法，是希望能够通过这样的监测，给手机上发一个警告的信息，对于中风患者来讲，这样的脑部监测设备也是适用的，希望为患者带来真正未雨绸缪的福利。
这只是我们团队目前研究的领域，全球还有很多团队都在研究包括脑电信号传输，或者是其他的研究方向。我们做的工作主要集中在，诸如对信号源的解读，分析、传输、预测，我们还尝试做了一些应用，这些项目有不同的分级、不同的服务，还有针对不同患者的定制化的产品。其他的研究机构或大学，比如多伦多大学，都正在这一领域进行重要的研究。
作为科学家和研发者，我们希望对于预测处理器而言能有更多的内存，但是对于大脑来讲，依旧需要研发出更小体积的芯片，我们不可以把笔记本植入大脑当中，所以我们需要减少植入式处理器的可用数据存储，内存是未来我们要解决的比较复杂问题之一。
现在的芯片越来越小，能耗越来越低，利用深度学习和机器学习，我们可以更好的生产更加智能的芯片，更好的提高芯片的效率减少它的能耗。我们利用算法的优化来提高硬件处理的能效表现。同时，材料学的进步，也给我们带来的利好的消息。
如何进行算法、电路和器件的高效结合，将是研究者们未来的目标。我们希望通过这些手段在未来能实现更低的能耗的机器学习，我们也希望在未来芯片会越来越小，比如说它能达到毫米或以下的尺寸，这样会为患者带来更好的福利。
针对于现有的技术，根据不同的模型进行能耗的优化，这是西湖大学正在做的一项工作，也是我们团队最新的目标和愿景。通过训练形成机器学习作出病情预判，这不是一个新的概念，这个概念在1975年的时候就已经出现，发展至今有很多科学家都已经在这方面作出了非常大胆的尝试和努力。
多层感知机模型（图片来源于网络）
比如伟博斯在1981年的神经网络反向传播（BP）算法中具体提出多层感知机模型。虽然BP算法早在1970年就已经以“自动微分的反向模型”为命名提出了，但直到现在才真正发挥效用，并且直到今天BP算法仍然是神经网络架构的关键因素。
2012年也有团队做了新的尝试。随着技术慢慢地发展，包括我也一直在做这方面的研究，现在我在西湖大学还在继续这些研究。
从1975年开始到现在，各国研究人员对于癫痫的预测已经有了大量的研究报告的出现，这些都是此类研究蓬勃发展的证据。我们也用小型化的设备植入人体当中，通过小型化传感器检测神经信号。我们的芯片，体积非常的小，可以方便的植入或者去除，更换起来也很方便。
我们还有关于膀胱失禁的研究，帮助解决患者的痛苦。我们做设计的系统涉及许多设备，比如生物泵，包括对于尿管闭合监测的设备等等，同时我们可以用手机来进行信号的监控。
我给大家介绍了我们正在做的工作，我们能做些什么，而我们也面临着极大的挑战，因为大脑是非常复杂的，功能也是非常多元化的，这都是未来研究神经疾病的重大挑战。
注：本文根据默罕默德·萨万教授在未来论坛演讲整理而来，有删减。
