一个基于CNN的192通道1D神经特征提取器在65nmCMOS中用于大脑机器接口

科学领域:

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

背景情况:

• 大脑机器接口 (BMI) 需要高效的神经特征提取来解码用户意图.
• 现有的方法经常面临解码稳定性,功耗和长期性能方面的挑战.

研究的目的:

• 介绍一款基于神经特征提取器的192通道1D卷积神经网络 (1D CNN) 的神经特征提取器.
• 为了实现高功率和面积效率的最先进的解码稳定性.
• 用人类参与者验证拟议的特征提取器的性能和稳定性.

主要方法:

• 在 65nm CMOS 技术中开发了一种 192 频道的 1D CNN 架构.
• 实现了一个芯片上模型,FENet-66,支持可配置层和内核长度.
• 集成的单独电源切换通道和层,以实现最佳的效率.
• 在实时闭环实验中与人类参与者验证了系统.

主要成果:

• 在每通道1.8μW和12801μm2的状态下实现了最先进的解码稳定性.
• 与现有的功能集相比,FENet-66显示出优越的交叉验证解码性能.
• 功能显示,R2解码性能平均比SBP高18%,在第四年有28%的改善.
• 定制的1D-CNN内核的性能优于波形特征的10%和压缩数据的38×.

结论:

• 拟议的1D CNN架构为BMI中神经特征提取提供了一个可扩展,节能的解决方案.
• FENet-66模型显著提高了神经植入物的解码性能和长期稳定性.
• 与当前的低功耗BMI硬件解决方案相比,这项技术提高了长期神经植入物的可行性.