在vivo神经信号压缩中高效使用基于自编码器的神经网络

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 计算机工程 计算机工程

背景情况:

• 脑电脑接口 (BCI) 的传统神经信号处理依赖于峰值计数,这对于连续局部场势 (LFP) 数据来说是不够的.
• 在BCI中高密度的皮质内记录产生大量的神经数据,需要高传输速率.
• 有效的数据传输对于在BCI中推进基于LFP的认知解码至关重要.

研究的目的:

• 开发第一个基于自编码器的数字电路,以有效压缩体内LFP神经信号.
• 为了优化电路以减少计算复杂性和内存要求.
• 为了实现强大的信号重建,以提高BCI性能.

主要方法:

• 实现基于自编码器的神经网络用于LFP信号压缩.
• 算法和架构优化以最大限度地减少计算负载和内存足迹.
• 用于压缩逻辑的特定应用集成电路 (ASIC) 的设计.

主要成果:

• 开发的ASIC在最先进的压缩ASIC中实现了最小的面积和最低的功耗.
• 与现有方法相比,该电路的压缩率更高.
• 实现了优异的信号噪声和扭曲比率,确保了强大的信号重建.

结论:

• 基于自动编码器的压缩电路为高密度BCI应用中传输LFP神经信号提供了高效的解决方案.
• 设计的ASIC代表了低功耗,高压缩的神经数据处理的重大进步.
• 这项技术有可能提高基于LFP的BCI的可行性和性能.