一个可扩展的1024通道超低功耗尖端排序芯片,具有事件驱动检测和空间聚类
Arash Akhoundi1, Pumiao Yan2, Yawende Landbrug3
1Electrical Engineering, University of Tehran, Sharif University of Technology; Department of Microelectronics, Delft University of Technology.
IEEE journal of solid-state circuits
|December 8, 2025
概括
这项研究引入了用于神经记录的超低功耗芯片,该芯片通过事件驱动检测和空间聚类有效地排序神经尖峰. 这项技术显著降低了脑电脑接口的功率和数据带宽.
科学领域:
- 神经技术的神经技术
- 集成电路设计 集成电路设计
- 计算神经科学是一种神经科学.
背景情况:
- 大脑计算机接口 (BCI) 面临大规模神经记录的功率和可扩展性挑战.
- 现有的尖端分类方法通常需要高的数据带宽和处理能力.
- 神经信号扭曲和探头漂移可能会影响尖端分类的准确性.
研究的目的:
- 开发一种超低功耗,1024通道的尖端分类芯片,用于高效的大规模神经记录.
- 为了解决BCI中的功率和可扩展性限制.
- 为了提高尖峰分类的稳定性,防止信号扭曲和探头漂移.
主要方法:
- 集成一个压缩型模拟数字转换器 (ADC) 和一个双阶段,事件驱动的尖峰探测器.
- 利用高密度微电极阵列 (MEAs) 的空间特征,以提高集群分离性.
- 采用修改后的自我组织地图算法,用于在芯片上的空间聚类,存储器访问最小.
主要成果:
- 在40nmCMOS中实现了超低功耗 (74nW/通道) 和小面积 (0.00029mm2/通道).
- 证明了超过1000倍的数据压缩.
- 在高达500个神经元的数据集上验证了竞争性准确性和强大的漂移跟踪,在数据带宽,处理和功率需求方面超过了最先进的解决方案.
结论:
- 开发的芯片为BCI中的大规模神经记录提供了高度可扩展和节能的解决方案.
- 事件驱动处理和空间聚类显著降低了计算和内存需求.
- 该设计提供了强大的尖峰分类性能,即使在具有挑战性的信号条件和平面MEA.
