1 瑞士洛桑联邦理工学院，2 纽约州伊萨卡康奈尔大学 简介 在过去十年中，人们对开发智能神经接口片上系统 (SoC) 的兴趣日益浓厚，该系统用于治疗各种神经系统疾病和新兴的脑机接口 (BMI) 应用。人们开始转向创建具有植入信号处理、神经生物标志物提取和人工智能的智能系统，取代了之前主要侧重于原始神经信号采集和数据压缩以供离体处理的努力 [1-4]。将复杂功能集成到微型神经装置中为各种应用提供了重要机会，包括用于中枢神经系统 (CNS) 疾病的治疗装置、周围神经假体、脊髓接口等。在本文中，我们回顾了基于 CMOS 的集成电路 (IC) 开发的最新进展，用于三类智能神经假体，所有假体均在植入式或可穿戴设备上具有嵌入式信号处理功能。这些类别包括：1) 用于闭环症状跟踪和响应刺激的神经接口； 2) 用于治疗新兴网络相关疾病（如精神病和记忆障碍）的神经接口；3) 用于瘫痪后运动和通信恢复的智能 BMI SoC。这些发展标志着一个充满活力的领域的开始，我们预计未来几年会出现更广泛的智能神经假体。未来智能神经接口面临的挑战将先进的信号处理和机器学习 (ML) 算法集成到神经接口系统上，可以显著增强这些设备未来的治疗潜力。例如，嵌入 AI 的神经接口技术已证明可为脑部疾病（尤其是癫痫）患者提供准确、个性化的症状检测。十多年来，IC 和 AI 算法开发方面的积极创新促成了先进系统的诞生，使用硬件高效的侵入式或非侵入式 SoC 在癫痫发作检测中实现了超过 95% 的灵敏度和特异性 [5-10]。类似地，嵌入式神经生物标记物可以指导各种神经系统适应症中的刺激传递，因为它们可以代表神经元活动随时间的动态状态 [11- 14]。此外，基于软件的 AI 算法使越来越复杂的 BMI 系统能够快速恢复运动和通信 [15-18]，最近出现了微型硬件实现 [8, 19]。虽然这一进展令人鼓舞，但下一代智能神经接口 SoC 仍有几个挑战需要解决。可扩展性：利用来自完善的 EEG 数据集的有限数量的传感通道（8-24），硬件系统已经实现了卓越的癫痫发作检测性能，例如儿科 CHB-MIT 数据集 [20]。最近的一些研究将其扩展到更大的颅内脑电图 (iEEG) 数据集，这些数据集具有更多的通道数 (≤128) 和更复杂的成人难治性癫痫发作模式 [21, 22]。癫痫发作检测或其他症状跟踪系统中电极的空间分辨率有限