EPFL-Chip LogSync liest Aktivität von Hirnnetzwerken mit weniger als 200 Mikrowatt aus

Warum die Messung an einer einzelnen Hirnregion nicht ausreicht

Die Tiefenhirnstimulation (Deep Brain Stimulation, DBS) gibt über ein Implantat elektrische Impulse an bestimmte Hirnareale ab, um die neuronale Aktivität zu beeinflussen. Sie wird bereits breit bei Bewegungsstörungen wie der Parkinson-Krankheit eingesetzt, und Forschende untersuchen sie zunehmend auch für schwere psychiatrische Erkrankungen wie Major Depression, posttraumatische Belastungsstörung und Zwangsstörungen.

Die meisten bestehenden DBS-Systeme arbeiten laut EPFL im „offenen Regelkreis": Die Stimulation folgt vorab festgelegten Einstellungen, statt sich kontinuierlich an die Hirnaktivität der Patientinnen und Patienten anzupassen. Auch bei Closed-Loop-Systemen, also adaptiven Systemen, stützen sich viele auf Signale aus nur einer Hirnregion. Bei psychiatrischen Erkrankungen ist das eine erhebliche Einschränkung, denn klinisch relevante Informationen können über Netzwerke miteinander interagierender Regionen verteilt sein.

„Unsere Arbeit beruht auf der wachsenden Zahl von Studien, die nahelegen, dass psychiatrische Erkrankungen eher durch Störungen der Kommunikation zwischen Hirnregionen entstehen als durch die Fehlfunktion einer einzelnen Region", erklärt Mahsa Shoaran, Leiterin des Integrated Neurotechnologies Lab an der School of Engineering und am Neuro-X Institute der EPFL.

So funktioniert LogSync

Shoaran und ihr Team haben ein energiesparendes, implantierbares neuronales System-on-Chip gebaut. LogSync zeichnet die Hirnaktivität auf und extrahiert Biomarker, welche die Stärke von Hirnwellen (Oszillationen) und die Synchronität zwischen Signalen verschiedener Hirnregionen beschreiben. Ein Machine-Learning-Algorithmus analysiert diese Biomarker auf Netzwerkebene, unterscheidet kognitive und emotionale Zustände und löst Stimulationsimpulse aus, sobald bestimmte Zustände erkannt werden.

Der Chip misst rund 4 x 2 mm. Eine weitere Neuerung ist der Einsatz logarithmischer Berechnungen. Sie vereinfachen die komplexen Operationen, die für die Analyse von Hirnnetzwerken sowie für die Echtzeit-Extraktion und -Dekodierung der Biomarker nötig sind.

Die Arbeit erschien im IEEE Journal of Solid-State Circuits. Sie entstand im Rahmen einer Förderung des US-amerikanischen National Institute of Mental Health (NIMH) in Höhe von 6,6 Millionen Franken. Ziel ist es, implantierbare Systeme zu entwickeln, die oszillierende Hirnnetzwerke messen und steuern können, und zwar für schwere psychiatrische Erkrankungen, insbesondere affektive Störungen und Angststörungen. Sie baut auf früheren Arbeiten des Labors zur Dekodierung von Hirnaktivität in Text und zur geschlossenen Neuromodulation auf.

Tests mit menschlichen Aufzeichnungen und an Ratten

Die Forschenden werteten LogSync anhand menschlicher Hirnaufzeichnungen aus früheren psychiatrischen Experimenten aus. Ein Datensatz erfasste Veränderungen der kognitiven Beanspruchung während einer geistigen Aufgabe, ein anderer die emotionale Erregung, während die Teilnehmenden Videoclips ansahen. Der Algorithmus unterschied diese kognitiven und emotionalen Zustände allein anhand der neuronalen Aufzeichnungen.

In weiteren Experimenten an Ratten an der University of Minnesota verfolgte das Implantat laufende Oszillationen und löste Stimulationsimpulse in vorab festgelegten Phasen der Hirnaktivität aus.

Die größte Herausforderung sei gewesen, diese Funktionalität im sehr knappen Energiebudget eines Implantats unterzubringen, sagt Shoaran. „Unser gesamtes System ist ko-designt, das heißt, Algorithmen und Hardware werden gemeinsam und unter Berücksichtigung der Beschränkungen eines Implantats entwickelt", sagt sie. Dadurch seien Signalverarbeitung und Dekodierung auf Netzwerkebene auf einem einzigen Chip möglich gewesen, bei einem Stromverbrauch von unter 200 Mikrowatt.

Breitere Einsatzmöglichkeiten und nächste Schritte

Die erste Validierung konzentrierte sich auf psychiatrische Anwendungen. Die EPFL betont jedoch, dass sich die Fähigkeit, Biomarker von Hirnnetzwerken zu extrahieren und präzise getaktete Stimulation auszulösen, breiter auf die nächste Generation der Neurotechnologie übertragen lässt. Genannt werden adaptive DBS bei Bewegungsstörungen, nicht-invasive Closed-Loop-Stimulation und neuartige Schnittstellen mit fokussiertem Ultraschall.

Parallel entwickelt das Labor Machine-Learning-Methoden, die direkt aus neuronalen Aufzeichnungen lernen statt aus vordefinierten Biomarkern. Die Arbeit für die ICML 2026 nutzt selbstüberwachtes Lernen, um neuronale Aktivität über Regionen, Kanäle und Zeit hinweg zu erfassen. Laut EPFL unterstützt dies Bemühungen, intelligente Neuroschnittstellen näher an den klinischen Einsatz zu bringen, unter anderem über Infera Neuro, ein Spin-off der EPFL, das Shoaran mitgegründet hat.

Bislang stammen die Belege aus früheren Aufzeichnungen am Menschen und aus Experimenten an Ratten. Tests von LogSync an Patientinnen und Patienten beschreibt die Quelle nicht. Die klinische Rolle in künftigen psychiatrischen Therapien bleibt daher ein Ziel und ist noch kein nachgewiesenes Ergebnis.