โรคซึมเศร้าเป็นปัญหาสุขภาพที่สำคัญระดับโลก และเป็นอุปสรรคสำคัญในการวินิจฉัยและการรักษาในแง่มุมต่างๆ ของสุขภาพจิต ผู้ใหญ่ประมาณ 5 เปอร์เซ็นต์ในทั่วโลก1 1.1 percent of adolescents aged 10-14 years, and 2.8 percent of 15-19-year-olds2 ป่วยเป็นโรคซึมเศร้า ซึ่งหมายความว่าผู้คนหลายล้านทั่วโลกกำลังเผชิญกับภาวะซึมเศร้าอยู่ และทำให้เรื่องนี้กลายเป็นปัญหาสาธารณสุขที่สำคัญ
การวินิจฉัยโรคซึมเศร้าไม่ใช่เรื่องง่าย และไม่มีกระบวนการใดที่สามารถใช้ได้กับทุกกรณี นั่นเป็นเพราะภาวะซึมเศร้าแสดงอาการออกมาแตกต่างกันไปในแต่ละคน แม้ว่าจะมีวิธีการทางคลินิกในการวินิจฉัยโรคซึมเศร้าในบางกรณี แต่เครื่องมือเหล่านี้ก็ไม่ได้ให้ภาพรวมที่สมบูรณ์เกี่ยวกับสถานะสุขภาพจิตของแต่ละบุคคลเสมอไป ในการประเมินส่วนใหญ่ ผู้ให้บริการด้านการดูแลสุขภาพจะต้องอาศัยคำอธิบายความรู้สึก และประสบการณ์ของผู้ป่วยในการวินิจฉัยเป็นหลัก นี่อาจเป็นเรื่องที่ท้าทายมาก เนื่องจากต้องให้ผู้ป่วยแสดงภาวะอารมณ์ภายในของตนออกมาได้อย่างถูกต้องแม่นยำ ซึ่งอาจเป็นเรื่องยากโดยเฉพาะกับผู้ที่กำลังประสบกับความเครียดทางจิตใจ
ในการจัดการกับความท้าทายนี้ HippoScreen ได้พัฒนาระบบ Stress EEG Assessment (SEA) โดยใช้ประโยชน์จาก Intel® AI Analytics Toolkit และ Intel® oneAPI Base Toolkit ซึ่งช่วยให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถวินิจฉัยภาวะสุขภาพจิตได้แม่นยำและทันท่วงทีมากขึ้น
การจัดการกับความท้าทายในการวินิจฉัยและการรักษาภาวะซึมเศร้า
สถิติล่าสุดพยว่าผู้ที่มีปัญหาสุขภาพจิตประมาณ 50 เปอร์เซ็นต์ ไม่ได้รับการวินิจฉัยหรือการรักษาที่เหมาะสมภายใน 1 ปีแรกที่เข้ารับการช่วยเหลือ3 ความล่าช้านี้สามารถส่งผลกระทบในระยะยาว เนื่องจากการแทรกแซงแต่เนิ่นๆ มีความสำคัญอย่างยิ่งในการจัดการ และปรับปรุงผลลัพธ์ด้านสุขภาพจิต
อุปสรรคสำคัญคือ การมีผู้เชี่ยวชาญด้านสุขภาพจิตอยู่อย่างจำกัด โดยเฉพาะในพื้นที่ชนบท ที่ซึ่งมักจะมีข้อจำกัดด้านการดูแลเฉพาะทาง ความต้องการการประเมินสุขภาพจิตมีมากเกินกว่าอุปทานอย่างมาก เนื่องมาจากมีจิตแพทย์และนักจิตวิทยาไม่เพียงพอ ซึ่งส่งผลให้ต้องรอนาน และมีการวินิจฉัยล่าช้า นอกจากนี้ ปริมาณงานจำนวนมากของผู้เชี่ยวชาญที่มีอยู่อาจขัดขวางขีดความสามารถในการประเมินอย่างรวดเร็วและวินิจฉัยอาการได้อย่างแม่นยำ
“พวกเราที่ HippoScreen สามารถใช้ประโยชน์จากการเพิ่มประสิทธิภาพซอฟต์แวร์ใน Intel Extension สำหรับ Scikit-learn และ Intel Optimization สำหรับ PyTorch เพื่อเร่งเวลาในการสร้างโมเดล AI ในระบบวิเคราะห์คลื่นสมอง EEG แบบกำหนดเองของเราได้ถึง 2.4 เท่า” —Daniel Weng หัวหน้าฝ่ายเทคโนโลยี HippoScreen NeuroTech Corp
ความท้าทายอีกอย่างคือ การตรวจสอบให้แน่ใจว่าผู้ป่วยได้รับการวินิจฉัยอย่างถูกต้องท่ามกลางปัจจัยต่างๆ มากมาย อาทิเช่น การรายงานอาการที่ไม่ถูกต้อง หรือภาวะที่เกิดร่วมกันหลายประการ ภาวะสุขภาพจิตมักมีอาการที่ซับซ้อน ซึ่งอาจมาจากปัจจัยภายนอก เช่น การใช้สารเสพติด หรือความเจ็บป่วยทางกายก็อาจส่งผลกระทบได้เช่นกัน แต่เรื่องนี้อาจมีความซับซ้อนขึ้นไปอีก เนื่องจากอาการบางอย่างอาจทับซ้อนกันกับโรคบางชนิด และเป็นเรื่องยากที่ผู้ให้บริการด้านการแพทย์จะสามารถระบุการวินัจฉัยที่ถูกต้องได้อย่างทันท่วงที
ความท้าทายเหล่านี้ตอกน้ำถึงความจำเป็นในการมีโซลูชันเชิงนวัตกรรมเพื่อปรับปรุงการเข้าถึง และลดระยะเวลาการรอในการประเมินสุขภาพจิต นอกจากนี้ การรวมอัลกอริทึมการเรียนรู้ของเครื่องจักรเข้ากับขั้นตอนการวินิจฉัยอาจช่วยแพทย์วิเคราะห์ชุดข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพมากขึ้น และให้ข้อมูลเชิงลึกเฉพาะบุคคลตามรูปแบบที่สังเกตได้ในกรณีที่คล้ายคลึงกัน
การเพิ่มประสิทธิภาพ AI สูงสุดเพื่อประเมินภาวะซึมเศร้าได้ดียิ่งขึ้น
ระบบ SEA ของ HippoScreen ได้รับการออกแบบมาให้เป็นโซลูชันเพื่อจัดการกับความท้าทายเหล่านี้ ระบบ SEA ช่วยให้ผู้ให้บริการด้านการดูแลสุขภาพสามารถวินิจฉัยภาวะสุขภาพจิตได้แม่นยำยิ่งขึ้น HippoScreen ใช้วิธีการเฉพาะด้วยการใช้เทคโนโลยีคลื่นสมอง ซึ่งแตกต่างจากวิธีการแบบเดิมที่อาศัยการประเมินตนเองของผู้ป่วยเพียงอย่างเดียว แนวทางนี้จะช่วยเพิ่มประสิทธิภาพการประมวลผลพฤติกรรมแบบเรียลไทม์เพื่อระบุสถานะทางปัญญาของผู้ใช้ผ่านการวิเคราะห์คลื่นสมองของแต่ละคน ระบบ SEA ประกอบด้วยเครื่องขยายสัญญาณ EEG สำหรับการจับข้อมูล และการประมวลผลสัญญาณ GUI (อินเทอร์เฟซผู้ใช้แบบกราฟิก) สำหรับจัดการกระบวนการทดสอบ และอัลกอริทึม AI สำหรับการวิเคราะห์ข้อมูล SEA จะให้ดัชนีการประเมินเชิงตัวเลขผ่านการวิเคราะห์สัญญาณคลื่นสมองช่วง 90 วินาที ซึ่งแสดงถึงความเป็นไปได้ที่บุคคลจะประสบภาวะซึมเศร้าอย่างเป็นรูปธรรมและวัดค่าได้
ควบคุมพลังของ AI และเร่งความเร็วแอปพลิเคชันทั่วทั้งองค์กรของคุณ ค้นพบว่า AI ที่ขับเคลื่อนด้วย Intel® Xeon® สามารถทำงานให้คุณได้อย่างไร
โซลูชันนี้ได้รับการออกแบบมาเพื่อให้บรรลุผลลัพธ์ตามที่ต้องการโดยเพิ่มประสิทธิภาพอัลกอริทึมต่างๆ ที่ใช้ในการประมวลผลข้อมูลเบื้องต้น การดึงข้อมูลคุณลักษณะ การคัดเลือกคุณลักษณะ และตัวจำแนกประเภท ในการบรรลุสิ่งนี้ HippoScreen จำเป็นต้องจัดการกับความท้าทายสองสามประการที่โซลูชัน AI สำหรับการดูแลสุขภาพอื่นๆ ต้องเผชิญ ความท้าทายหลักคือ การสรุปแนวคิดของโมเดล AI เพื่อให้แน่ใจว่าสามารถนำไปใช้ทางคลินิกได้จริง การออกแบบกระบวนการทดสอบที่มีการควบคุมที่ดีเพื่อรักษาคุณภาพข้อมูล และการรับประกันว่าโมเดล AI สามารถจัดการกับความแปรผันของข้อมูลได้ ซึ่งถือเป็นสิ่งสำคัญยิ่งต่อผลลัพธ์ที่ประสบความสำเร็จ ด้วยเหตุนี้ การค้นหาพารามิเตอร์ที่เหมาะสมที่สุด และชุดคุณลักษณะที่สมบูรณ์แบบภายในชุดอัลกอริทึมเหล่านี้อาจต้องใช้เวลาหลายวัน ในบริบทนี้ การยกระดับประสิทธิภาพของอัลกอรึทีมเหล่านี้เป็นเรื่องสำคัญยิ่ง และอาจเป็นกุญแจสำคัญในการส่งมอบผลลัพธ์ที่เหมาะสมที่สุดอย่างทันท่วงที
นี่คือส่วนที่ Intel เข้ามามีบทบาทสำคัญในการช่วย HippoScreen เพื่อปรับปรุงประสิทธิภาพ และเวลาสร้างโมเดลการเรียนรู้เชิงลึกที่ใช้ในระบบ SEA ที่ใช้คลื่นสมอง AI
การปรับปรุงประสิทธิภาพของอัลกอริทึมและความแม่นยำในการวินิจฉัยด้วย Intel
HippoScreen สามารถเพิ่มประสิทธิภาพโซลูชัน SEA พร้อมกับยกระดับประสิทธิภาพ ประสิทธิผล และความแม่นยำของโมเดลการเรียนรู้เชิงลึก ในขณะที่ลดเวลาในการส่งมอบผลลัพธ์การวินิจฉัยที่สำคัญได้ด้วยการใช้ Intel AI Analytics Toolkit และ Intel oneAPI Base Toolkit
กระบวนการพัฒนาของ HippoScreen ผสมผสานอัลกอริทึม และโมเดลต่างๆ เข้าด้วยกันเพื่อสร้างปัจจัยในการตัดสินใจที่เป็นเอกลักษณ์ หัวใจสำคัญของกระบวนการนี้คือ การใช้อัลกอริทึมเฉพาะของ HippoScreen ที่ได้รับการออกแบบมาโดยเฉพาะเพื่อตอบโจทย์ความต้องการเฉพาะของตน นอกเหนือจากอัลกอริทึมของตนเองแล้ว HippoScreen ยังได้รวมโมเดลการเรียนรู้เชิงลึกของ PyTorch ที่ได้รับการเพิ่มประสิทธิภาพโดย Intel อีกด้วย ซึ่งรวมถึงโมเดลอย่าง SCCNet, EEGNet และ Shallow ConvNet โมเดลที่ซับซ้อนเหล่านี้ได้รับการออกแบบมาเพื่อประมวลผลข้อมูลปริมาณมาก และระบุรูปแบบที่อาจไม่มีความชัดเจนในวิธีการวิเคราะห์แบบดั้งเดิม
และเพื่อปรับปรุงขีดความสามารถของระบบให้ดียิ่งขึ้น บริษัทจึงได้นำการเรียนรู้ของเครื่องแบบดั้งเดิมจาก scikit-learn ของ Intel เข้ามาร่วมใช้ด้วย อัลกอริทึมเหล่านี้ รวมถึง Kmeans, Support Vector Classification และ Support Vector Regression นำเสนอเทคนิคการวิเคราะห์ข้อมูลที่แข็งแกร่งและได้รับการพิสูจน์แล้ว การผสมผสานอัลกอริทึมและโมเดลที่หลากหลายนี้จะถูกนำใช้เพื่อวิเคราะห์คุณลักษณะของข้อมูล EEG การบูรณาการแนวทางต่างๆ เหล่านี้จะทำให้การวิเคราะห์มีความครอบคลุมและละเอียดมากขึ้น ซึ่งจะนำไปสู่การกำหนดปัจจัยในการตัดสินใจเฉพาะในท้ายที่สุด ปัจจัยในการตัดสินใจนี้เกิดจากการทำงานร่วมกันระหว่างอัลกอริทึมเฉพาะ โมเดลการเรียนรู้เชิงลึก และอัลกอริทึมการเรียนรู้ของเครื่องแบบดั้งเดิม ซึ่งถือเป็นสุดยอดแนวทางที่ล้ำสมัยในการวินิจฉัยสุขภาพจิตของ HippoScreen แนวทางนี้มีแนวโน้มที่จะส่งมอบการวินิจฉัยที่แม่นยำและทันท่วงที และอาจยกระดับผลการรักษาให้กับผู้คนจำนวนมากได้
เครื่องมือสำคัญอีกประการหนึ่งที่ได้พลิกโฉมกระบวนการเรียนรู้เชิงลึกของ HippoScreen ก็คือ Intel® oneAPI Math Kernel Library (oneMKL) ไลบรารีดังกล่าวได้นำเสนอฟังก์ชันทางคณิตศาสตร์ที่ได้รับการเพิ่มประสิทธิภาพในระดับสูง ซึ่งออกแบบมาสำหรับการใช้งานการเรียนรู้ของเครื่องโดยเฉพาะ oneMKL ช่วยให้โมเดล HippoScreen สามารถประมวลผลการคำนวณทางคณิตศาสตร์ที่ซับซ้อนได้เร็วขึ้น ซึ่งจะช่วยประหยัดเวลาการประมวลผลอันมีค่า และช่วยให้ HippoScreen สามารถสร้างสถาปัตยกรรมการเรียนรู้เชิงลึกที่มีขนาดใหญ่และแม่นยำยิ่งขึ้นได้
การใช้งานเฟรมเวิร์ก Intel® Extension for TensorFlow และ PyTorch Optimization จาก Intel จะช่วยให้ HippoScreen สามารถเข้าถึงไลบรารีระดับชั้นนำของอุตสาหกรรม และโมเดลที่ได้รับการฝึกฝนไว้ล่วงหน้าได้ เฟรมเวิร์กเหล่านี้ยังช่วยสร้างรากฐานที่มั่นคงสำหรับการพัฒนาอัลกอริทึม AI ขั้นสูงด้วย API ระดับสูง เอกสารประกอบที่ครอบคลุม และชุมชนนักพัฒนาจำนวนมากที่ร่วมสนับสนุนการปรับปรุงอย่างแข็งขัน การใช้เฟรมเวิร์คที่มีประสิทธิภาพเหล่านี้ไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพกระบวนการพัฒนาเท่านั้น แต่ยังช่วยให้มั่นใจได้ว่าระบบสามารถรองรับการกำหนดค่าฮาร์ดแวร์ที่หลากหลายได้อีกด้วย ซึ่งทำให้ HippoScreen สามารถรวมโซลูชัน AI เข้ากับสภาพแวดล้อมที่หลากหลายได้อย่างง่ายดาย นอกจากนี้ ขีดความสามารถในการวิเคราะห์เชิงคาดการณ์ยังช่วยให้ HippoScreen สามารถคาดการณ์ความต้องการ และพฤติกรรมของลูกค้าได้ ทั้งยังช่วยให้ลูกค้ามีความได้เปรียบในการแข่งขันอีกด้วย
พร้อมกับส่งมอบการเพิ่มประสิทธิภาพสำหรับการวินิจฉัยภาวะซึมเศร้าได้อย่างทันท่วงทีและมีประสิทธิภาพมากขึ้น
SEA ของ HippoScreen ยังมีประสิทธิภาพเพิ่มขึ้นถึง 2.4 เท่า4 ผ่านการเพิ่มประสิทธิภาพ Intel® AI Analytics Toolkit และ Intel® oneAPI Base Toolkit ไปพร้อมกับขุมพลังของโปรเซสเซอร์ Intel® สำหรับเวิร์กโหลด AI ซึ่งสิ่งนี้มีบทบาทสำคัญในการช่วยให้ SEA ของ HippoScreen สามารถบรรลุเกณฑ์ประสิทธิภาพที่เหมาะสมที่สุดที่จำเป็นในการเพิ่มประสิทธิภาพ และลดเวลาในการวินิจฉัยได้อย่างมาก
ในภาพรวมแล้ว เครื่องมือและเฟรมเวิร์ก AI ของ Intel ถือเป็นเครื่องมือสำคัญในการช่วยให้ SEA ของ HippoScreen สามารถบรรลุศักยภาพสูงสุดด้วยขีดความสามารถในการวิเคราะห์ขั้นสูง HippoScreen ใช้ประโยชน์จาก Intel® VTune™ Profiler เพื่อรับข้อมูลเชิงลึกเกี่ยวกับจำนวน CPU เชิงตรรกะทั้งหมด และจำนวนเธรดซอฟต์แวร์ทั้งในสภาพแวดล้อม Python ของตนเอง และของ Intel ด้วยไลบรารี OpenMP ที่แตกต่างกัน การวิเคราะห์เชิงลึกนี้เป็นเครื่องมือในการทำความเข้าใจประสิทธิภาพของระบบ และระบุส่วนที่สามารถเพิ่มประสิทธิภาพได้
ในสภาพแวดล้อมของทั้ง HippoScreen และ Intel Python นั้น Intel VTune Profiler ได้ให้คำแนะนำเพื่อลดจำนวนเธรด คำแนะนำนี้อ้างอิงมาจากการสำรวจที่พบว่าทั้งสองกรณีมีความเกี่ยวข้องกับการใช้งานเธรดมากเกินไป ซึ่งเป็นสถานการณ์ที่เธรดซอฟต์แวร์ได้รับการมอบหมายมากกว่า CPU เชิงตรรกะทั้งหมด ซึ่งส่งผลให้ใช้งาน CPU ได้อย่างไม่มีประสิทธิภาพ การทำตามคำแนะนำช่วยให้ HippoScreen สามารถปรับจำนวนเธรดเพื่อสร้างความสมดุลระหว่างประสิทธิภาพและการใช้งาน CPU ได้ กระบวนการปรับแต่งนี้เกี่ยวข้องกับการทดสอบและการวิเคราะห์อย่างรอบคอบเพื่อค้นหาจำนวนเธรดที่เหมาะสมที่สุด ซึ่งเป็น “จุดที่ลงตัว” ที่จะมีประสิทธิภาพการทำงาน และลดการใช้ CPU ให้เหลือน้อยที่สุด ซึ่งส่งผลให้ได้รับประสิทธิภาพเพิ่มขึ้น 2 เท่า.4
การค้นพบสมดุลนี้ถือเป็นความสำเร็จที่ยิ่งใหญ่ เพราะสิ่งนี้ช่วยให้ HippoScreen สามารถปรับเพิ่มประสิทธิภาพของระบบได้โดยไม่ทำให้ CPU ทำงานหนักเกินไป นี่ไม่เพียงแต่ช่วยเพิ่มประสิทธิภาพของระบบเท่านั้น แต่ยังยืดอายุของฮาร์ดแวร์โดยการป้องกันให้ CPU ไม่ต้องทำงานหนักโดยไม่จำเป็น
การส่งมอบประโยชน์ในการใช้งานจริง
การใช้ประโยชน์จากขุมพลังของเครื่องมือและเทคโนโลยี AI ของ Intel อย่างมีประสิทธิภาพ ได้ช่วยให้ SEA ของ HippoScreen ได้รับประโยชน์มากมาย ซึ่งถือเป็นความก้าวหน้าครั้งสำคัญในด้านขีดความสามารถในการทำงานและประสิทธิภาพโดยรวม หนึ่งในประโยชน์ที่สำคัญก็คือ ขีดความสามารถในการศึกษารูปแบบคลื่นสมอง และการทำความเข้าใจสถานะทางปัญญาต่างๆ ที่เพิ่มขึ้น การใช้พลังของ AI ช่วยให้นักวิจัยสามารถเจาะลึกเข้าไปถอดรหัสปรากฏการณ์ทางระบบประสาทที่ซับซ้อน เช่น ความสนใจ ความจำ และอารมณ์ความรู้สึกได้ ขีดความสามารถในการประมวลผลอย่างรวดเร็วจากเครื่องมือและเทคโนโลยี Intel AI ช่วยให้สามารถวิเคราะห์ข้อมูลจำนวนมหาศาลได้อย่างมีประสิทธิภาพยิ่งขึ้น พร้อมกับส่งผลให้เกิดความก้าวหน้าในการทำความเข้าใจว่าปัจจัยต่างๆ จะส่งผลต่อการทำงานของสมองอย่างไร
นอกจากนี้ การบูรณาการนี้ยังได้ปรับปรุงขีดความสามารถในการวิจัย พร้อมกับเปิดโอกาสความเป็นไปได้ที่น่าตื่นเต้นในการใช้งานในภาคส่วนอย่างการดูแลสุขภาพ และการศึกษา ตัวอย่างเช่น ผู้เชี่ยวชาญทางการแพทย์สามารถใช้แพลตฟอร์มวิเคราะห์ที่ซับซ้อนนี้เพื่อวินิจฉัยความผิดปกติทางการรับรู้ได้แม่นยำยิ่งขึ้น หรือติดตามความคืบหน้าของผู้ป่วยระหว่างการรักษาได้อย่างแม่นยำ ขีดความสามารถในการวินิจฉัยและติดตามความคืบหน้าได้อย่างแม่นยำสามารถนำไปสู่แผนการรักษาที่มีประสิทธิภาพมากขึ้น และยกระดับผลลัพธ์ให้กับผู้ป่วย ในภาคส่วนการศึกษานั้น ข้อมูลเชิงลึกใหม่ๆ เหล่านี้สามารถนำไปใช้พัฒนาประสบการณ์การเรียนรู้ส่วนบุคคลที่ตอบโจทย์ความต้องการของนักเรียนแต่ละคนได้อย่างมีประสิทธิภาพมากขึ้น การทำความเข้าใจว่าปัจจัยต่างๆ ส่งผลกระทบต่อการคิดได้อย่างไร จะช่วยให้นักการศึกษาสามารถปรับแต่งวิธีและกลยุทธ์การสอนให้เหมาะกับนักเรียนแต่ละคน ซึ่งอาจนำไปสู่ผลลัพธ์ในการเรียนรู้ที่ดียิ่งขึ้น
สรุป
การผสานรวมเครื่องมือ AI จาก Intel เข้ากับ SEA ของ HippoScreen ถือเป็นก้าวสำคัญในการพลิกโฉมการวินิจฉัยโรคทางระบบประสาท ความร่วมมือระหว่าง HippoScreen AI และ Intel แสดงให้เห็นว่าเทคโนโลยีใหม่ๆ สามารถช่วยเพิ่มขีดความสามารถในการตรวจสอบคลื่นสมองอย่างมีประสิทธิภาพได้อย่างไร และนับเป็นความก้าวหน้าที่น่าตื่นเต้นในสาขาประสาทวิทยา การใช้ประโยชน์จากขุมพลังและความชาญฉลาดของแพลตฟอร์มอย่าง Intel Extension สำหรับ PyTorch และ scikit-learn จะช่วยให้นักวิจัย แพทย์ และผู้ป่วยสามารถรับประโยชน์จากความแม่นยำในการคัดกรองที่ได้รับการปรับปรุง ดำเนินการรักษาได้อย่างรวดเร็ว และดูแลผู้ป่วยได้ดีขึ้นผ่านกลยุทธ์การแทรกแซงในระยะเริ่มต้นที่ปรับให้เหมาะกับความต้องการของแต่ละบุคคล
เกี่ยวกับ HippoScreen
HippoScreen Neurotech Corp. (HNC) เป็นบริษัทสตาร์ทอัปที่ตั้งอยู่ในไต้หวัน ซึ่งได้รับการสนับสนุนจาก Compal Electronics HippoScreen กำลังพัฒนาเครื่องมือวินิจฉัยทางการแพทย์ที่ใช้งาน EEG โดยใช้การประมวลผลสัญญาณคลื่นไฟฟ้าสมอง (EEG) และเทคโนโลยีปัญญาประดิษฐ์เป็นหลัก เครื่องขยายสัญญาณ EEG ที่เป็นกรรมสิทธิ์ของบริษัทได้รับการอนุมัติจาก FDA 510(k) ในช่วงปลายปี 2020 ผ่านการตรวจสอบ TFDA และได้รับการอนุมัติอย่างเป็นทางการให้ใช้เป็นอุปกรณ์ทางการแพทย์ในเดือนมีนาคม 2021 ซึ่งกลายมาเป็นเครื่องขยายสัญญาณ EEG เกรดทางการแพทย์เครื่องแรกที่ได้รับการพัฒนา และผลิตขึ้นในไต้หวัน HippoScreen ได้ร่วมมือกับศูนย์การแพทย์ 3 แห่งในไต้หวันเพื่อสร้างฐานข้อมูล EEG แบบข้ามศูนย์ที่ใหญ่ที่สุดในโลกเกี่ยวกับภาวะซึมเศร้าทางคลินิก ซอฟต์แวร์ AI และระบบ Stress EEG Assessment ของบริษัทได้รับการออกแบบมาเพื่อช่วยให้การวินิจฉัยภาวะซึมเศร้า ซึ่งได้รับการอนุมัติและจดทะเบียนโดย TFDA ในเดือนพฤศจิกายน 2023