在混合信号神经形态处理器上的事件驱动神经网络用于基于EEG的发作检测

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
• 计算机科学 计算机科学

背景情况:

• 对生物医学信号的长期监测对于管理等神经系统疾病至关重要.
• 当前的可穿戴技术在实现发作检测和分析的长期运行方面面临挑战.
• 大脑启发的尖端神经网络 (SNN) 为神经形态系统的超低功率信号处理提供了一个有前途的解决方案.

研究的目的:

• 引入和验证一种新的SNN架构,用于始终在线的监测.
• 展示SNN在神经形态硬件上部署的潜力,以实时检测发作.
• 为资源有限的环境推进嵌入式智能系统的开发.

主要方法:

• 在混合信号神经形态芯片上共同设计和验证一种新的SNN架构.
• 实时处理模拟脑电图 (EEG) 抓获数据,使用定制异步混合信号神经形态平台.
• 集成模拟前端 (AFE) 和异步三角模拟 (ADM) 电路,用于从EEG信号直接生成尖峰.
• 利用基于SNN提取的特征的线性分类器来检测发作.

主要成果:

• 硬件实现的SNN成功捕获了期间神经活动的部分同步.
• 神经形芯片实时处理模拟EEG信号,直接从数据中生成尖峰流.
• 一个后处理线性分类器可靠地使用SNN提取的局部特征检测到发作.
• 在芯片上全面监测发作的可行性.

结论:

• 开发的SNN架构和神经形态平台显示出对始终在线监测的巨大潜力.
• 这项研究推动了智能,低功耗可穿戴设备的创建,用于自主电脑电图事件检测.
• 这些发现为患者护理和在非医院环境中治疗神经系统疾病开辟了新的可能性.