现有大多数脑机接口的信号处理模块采用的是传统的冯 · 诺伊曼结构。处理信号的过程中，需要将模拟神经信号转换成数字信号，之后再进行处理。这种信号处理方式与大脑的工作方式不同，转换和压缩会造成大功耗和信号延迟，还会导致信息丢失、难处理并行计算，从而降低信号处理的准确性。
现在，科学家开始尝试仿生设计，以更好地处理大容量的神经模拟信号。
清华大学微纳电子系、未来芯片技术高精尖创新中心的钱鹤、吴华强教授团队与医学院洪波教授团队最近实现了一种新方案——基于记忆电阻器的神经信号分析系统。相关成果于 8 月 25 日发表在 Nature Communication 上。
图 | 利用忆阻器阵列进行神经信号分析，实现高效的脑机接口 (来源：Nature Communications)
这是钱鹤和吴化强团队关于忆阻器应用的新成果。此前在今年 2 月份，其团队研制了基于多个忆阻器阵列的存算一体系统，在该系统上高效运行了卷积神经网络算法，成功验证了图像识别功能。相关成果在《自然》上在线发表。
图 | 全硬件实现的忆阻器卷积神经网络（来源：Nature )
吴华强教授表示，忆阻器是一种新型信息处理器件，其工作机理与人脑中的神经突触、神经元等具有一定的相似性，基于忆阻器（Memristor）的神经形态计算可以突破传统计算架构，在实现高并行度的同时显著降低功耗。
图 | 基于忆阻器的新型脑机接口（来源：论文）
忆阻器（Memristor)，即记忆电阻器，其命名由 Memory（记忆）和 Resistor（电阻）合成。1971 年，加州大学伯克利分校教授蔡少棠根据电子学理论预言，存在继电阻、电容、电感之后的第四种电路基本元件，这种基本元件能够表示磁通与电荷之间的关系。
2008 年，惠普公司以两层二氧化钛薄膜制作出了忆阻器元件，当电流通过时，电阻会随之发生改变。电流停止后，电阻会停留在此前的值，直到接收到反向的电流电阻值才会被重写。这种对电流状态变化的捕捉，与大脑突触的可塑性具有相似性，并且两者都是通过离子运动实现的。
忆阻器的特性让其能直接处理模拟信号，通过忆阻器的阵列，能够进一步实现信号的并行处理，这也是大脑的关键特征之一。
吴华强教授表示，此次是微电子和医学领域的交叉研究与合作，为脑机接口技术带来了更多的可能性。