Chip thần kinh LogSync giải mã tương tác giữa các vùng não

Các nhà nghiên cứu tại Viện Công nghệ Liên bang Thụy Sĩ (EPFL) vừa công bố một loại chip thần kinh cấy ghép có khả năng theo dõi sự giao tiếp giữa nhiều vùng não cùng lúc, từ đó nhận diện trạng thái nhận thức và cảm xúc theo thời gian thực. Thành tựu này được kỳ vọng sẽ tạo bước tiến cho các liệu pháp điều trị bệnh tâm thần.

Chip LogSync có kích thước khoảng 4x2 mm

Vì sao kích thích não sâu truyền thống còn hạn chế?

Kích thích não sâu (DBS - Deep Brain Stimulation) là kỹ thuật đưa các xung điện vào những vùng não cụ thể thông qua thiết bị cấy ghép, nhằm điều chỉnh hoạt động thần kinh. Phương pháp này đã được dùng phổ biến để điều trị các rối loạn vận động như bệnh Parkinson, và đang được nghiên cứu mở rộng sang các bệnh tâm thần nặng như trầm cảm, rối loạn căng thẳng sau sang chấn (PTSD) và rối loạn ám ảnh cưỡng chế.

Tuy nhiên, phần lớn hệ thống DBS hiện nay hoạt động theo cơ chế "vòng hở": xung điện được đưa ra theo cấu hình định sẵn thay vì thích ứng liên tục với hoạt động não của bệnh nhân. Ngay cả các hệ thống vòng kín (thích ứng) cũng thường chỉ dựa trên tín hiệu ghi từ một vùng não duy nhất. Đây là hạn chế lớn với các bệnh tâm thần, bởi thông tin lâm sàng quan trọng có thể phân bố trên cả một mạng lưới các vùng não tương tác với nhau.

"Công trình của chúng tôi dựa trên ngày càng nhiều nghiên cứu cho thấy các rối loạn tâm thần bắt nguồn từ sự gián đoạn giao tiếp giữa các vùng não nhiều hơn là từ rối loạn chức năng của một vùng đơn lẻ", giải thích Mahsa Shoaran, người đứng đầu Phòng thí nghiệm Công nghệ Thần kinh Tích hợp (INL) thuộc Trường Kỹ thuật và Viện Neuro-X của EPFL.

LogSync: Phân tích ở cấp độ mạng lưới não

Nhóm của Shoaran đã phát triển một hệ thống chip thần kinh cấy ghép (SoC) công suất thấp mang tên LogSync. Chip này ghi lại hoạt động não và trích xuất các dấu ấn sinh học (biomarker) mô tả cường độ sóng não (dao động) cũng như mức đồng bộ giữa tín hiệu từ các vùng não khác nhau.

Các thành viên nhóm nghiên cứu INL tại EPFL

Sau đó, một thuật toán học máy sẽ phân tích các dấu ấn sinh học ở cấp độ mạng lưới để phân biệt trạng thái nhận thức, cảm xúc và tạo tín hiệu kích thích khi phát hiện những trạng thái cụ thể. Công trình được công bố trên tạp chí IEEE Journal of Solid-State Circuits, nằm trong khoản tài trợ 6,6 triệu franc Thụy Sĩ từ Viện Sức khỏe Tâm thần Quốc gia Hoa Kỳ (NIMH).

Nghiên cứu kế thừa các công trình trước đó của phòng thí nghiệm về giải mã tín hiệu não thành văn bản và điều biến thần kinh vòng kín, mở rộng sang dấu ấn sinh học cấp mạng lưới và giải mã thích ứng cho các liệu pháp tâm thần trong tương lai.

Kích thích chính xác hơn với công suất thấp hơn

Nhóm nghiên cứu đánh giá LogSync bằng dữ liệu ghi từ não người trong các thí nghiệm tâm thần trước đây. Một bộ dữ liệu ghi lại thay đổi mức độ tập trung nhận thức khi thực hiện nhiệm vụ trí tuệ, bộ còn lại ghi lại mức độ kích thích cảm xúc khi người tham gia xem các đoạn video. Thuật toán đã phân biệt được các trạng thái này chỉ từ dữ liệu thần kinh.

Trong các thí nghiệm tiếp theo trên chuột tại Đại học Minnesota, thiết bị cấy ghép theo dõi các dao động đang diễn ra và tạo tín hiệu kích thích đúng vào những pha định sẵn của hoạt động não.

Theo Shoaran, thách thức lớn nhất là đạt được toàn bộ chức năng này trong giới hạn năng lượng rất hẹp của một hệ thống cấy ghép.

"Toàn bộ hệ thống của chúng tôi được thiết kế đồng thời, nghĩa là thuật toán và phần cứng được phát triển song song với các ràng buộc của thiết bị cấy ghép. Cách tiếp cận này giúp chúng tôi xử lý và giải mã tín hiệu thần kinh ở cấp mạng lưới trên một chip duy nhất, trong khi vẫn giữ mức tiêu thụ điện dưới 200 microwatt — chỉ bằng một phần nhỏ so với nhiều hệ thống giao diện thần kinh cấy ghép thông thường", bà cho biết.

Một điểm đổi mới khác là LogSync sử dụng phép tính logarit, giúp đơn giản hóa các phép toán phức tạp cần thiết cho phân tích mạng lưới não, trích xuất dấu ấn sinh học và giải mã theo thời gian thực.

Triển vọng rộng hơn cả lĩnh vực tâm thần

LogSync được kiểm chứng ban đầu cho các ứng dụng tâm thần, nhưng khả năng trích xuất dấu ấn sinh học mạng lưới để tạo kích thích đúng thời điểm có thể áp dụng rộng rãi cho thế hệ công nghệ thần kinh tiếp theo. Đó là DBS thích ứng cho rối loạn vận động, kích thích không xâm lấn vòng kín và các giao diện siêu âm hội tụ mới nổi.

Song song đó, phòng thí nghiệm đang phát triển các phương pháp học máy mới học trực tiếp từ dữ liệu ghi thần kinh thay vì dựa vào các dấu ấn sinh học định sẵn. Công trình tại ICML 2026, sử dụng học tự giám sát (self-supervised learning) để nắm bắt hoạt động thần kinh xuyên vùng, xuyên kênh và xuyên thời gian, hỗ trợ nỗ lực đưa các giao diện thần kinh thông minh tiến gần hơn tới ứng dụng lâm sàng — trong đó có Infera Neuro, một công ty spin-off của EPFL do Shoaran đồng sáng lập.

Với cộng đồng công nghệ Việt Nam, hướng nghiên cứu neurotech (công nghệ thần kinh) kết hợp xử lý tín hiệu, thiết kế chip công suất cực thấp và học máy đang là lĩnh vực đầy tiềm năng. Bài học từ LogSync cho thấy việc đồng thiết kế phần cứng và thuật toán ngay từ đầu là chìa khóa để đạt hiệu năng cao trong điều kiện tài nguyên hạn chế — một nguyên tắc cũng rất hữu ích cho các dự án thiết bị đeo và IoT tại Việt Nam.