Présentation du système LogSync
LogSync est une puce implantable développée à l'EPFL, conçue pour enregistrer l’activité cérébrale et extraire des biomarqueurs de synchronisation entre plusieurs régions. Le dispositif combine acquisition de signaux, traitement de réseaux neuronaux et génération de stimulations adaptatives. Il s’inscrit dans la recherche de thérapies de stimulation cérébrale profonde (DBS) capables de s’ajuster en temps réel aux états cognitifs ou émotionnels du patient.
Architecture matérielle et algorithmes logarithmiques
Le SoC intègre 32 canaux d’enregistrement et consomme moins de 200 µW, soit une fraction de la puissance requise par les systèmes existants. Cette efficacité provient d’un calcul logarithmique dédié, qui simplifie les opérations de corrélation et de puissance des ondes cérébrales. Le matériel et les algorithmes sont co‑conçus : les modèles d’apprentissage automatique sont adaptés aux contraintes de bande passante et de consommation, évitant ainsi des blocs de traitement coûteux.
Validation expérimentale et performances énergétiques
Les chercheurs ont d’abord testé LogSync sur des enregistrements humains provenant d’expériences psychiatriques : un jeu de données mesurait l’engagement cognitif pendant une tâche mentale, l’autre capturait l’arousal émotionnel lors de la visualisation de vidéos. L’algorithme a différencié ces états uniquement à partir des signaux bruts. Des essais complémentaires sur des rats à l’Université du Minnesota ont montré que la puce pouvait suivre les oscillations en temps réel et déclencher des impulsions de stimulation à des phases précises du signal, confirmant la capacité de synchronisation fine. Toutes ces opérations ont été réalisées avec une consommation totale de 196 µW, comme indiqué dans la publication du IEEE Journal of Solid‑State Circuits (septembre 2026).
Perspectives d’application et limites
LogSync ouvre la voie à des DBS adaptatifs pour les troubles psychiatriques, mais aussi à des interfaces non invasives ou à ultrasons focalisés. La technologie repose encore sur des biomarqueurs pré‑définis ; les travaux en cours sur l’apprentissage auto‑supervisé visent à extraire directement des représentations à partir des enregistrements bruts, ce qui pourrait réduire la dépendance à des modèles a priori. Enfin, la validation clinique à grande échelle reste à démontrer, notamment en termes de robustesse du signal dans des environnements physiologiques variés.
