A 32-channel event-based bio-signal analog front-end with adaptive delta and pulse frequency encoding
Dieses Paper präsentiert eine in 180-nm-CMOS-Technologie gefertigte, 32-kanalige ereignisbasierte analoge Front-End-ASIC, die eine duale Pulsfrequenzmodulation und adaptive asynchrone Deltamodulation nutzt, um eine hochgradig konfigurierbare, leistungseffiziente und komprimierbare biomedizinische Signalerfassung für neuromorphe Brain-Computer-Interfaces zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein Flüstern in einem überfüllten, lauten Stadion zu hören. Wenn Sie ein Standardmikrofon verwenden, das einfach alles aufnimmt, erhalten Sie eine Wand aus statischem Rauschen, die das Flüstern übertönt. Nun stellen Sie sich ein superintelligentes Mikrofon vor, das nur das Flüstern aufzeichnet und die Menge ignoriert, aber auch weiß, wie es die Lautstärke sofort anpasst, je nachdem, wie laut die Menge wird. Das ist im Wesentlichen das, was dieses Team von Forschern gebaut hat: einen winzigen, 32-kanaligen „smarten Mikrofon“-Chip, der darauf ausgelegt ist, die elektrischen Signale des Gehirns zu erfassen, ohne von Lärm überwältigt zu werden.
Das Problem mit alten Mikrofonen
Die meisten Geräte, die Gehirnsignale erfassen (wie etwa jene, die in Brain-Computer-Interfaces verwendet werden), nutzen eine „feste“ Einstellung. Denken Sie an eine Überwachungskamera mit Bewegungssensor, deren Empfindlichkeit fest eingestellt ist. Wenn die Einstellung zu empfindlich ist, löst ein im Wind wehendes Blatt (Rauschen) die Kamera aus und flutet Ihren Speicher mit nutzlosen Fotos. Wenn die Einstellung zu locker ist, übersieht die Kamera vielleicht die eigentliche Person, die vorbeiläuft, weil sie auf eine größere Bewegung wartet. Die Arbeit argumentiert, dass dieser „Einheitsansatz“ für die Langzeitüberwachung eine Sackgasse ist, da reale Signale chaotisch sind und sich im Laufe der Zeit verändern. Eine feste Einstellung führt entweder zu zu vielen Daten oder lässt wichtige Details unbemerkt.
Der neue „smarte“ Chip
Die Forscher haben einen neuen Chip entwickelt, der in einem 180-nm-CMOS-Verfahren gefertigt wurde und wie ein 32-kanaliges smartes Mikrofon fungiert. Jeder Kanal verfügt über zwei spezielle Arten des Zuhörens:
- Pulsfrequenzmodulation (PFM): Dies ist wie ein Schlagzeuger, der den Trommelschlag beschleunigt, wenn die Musik intensiv wird, und verlangsamt, wenn es ruhig ist. Es verwandelt das Signal in einen Strom von „Spikes“ oder Ereignissen.
- Adaptiver asynchroner Delta-Modulator (aADM): Dies ist das eigentliche Highlight der Show. Anstatt einer festen Regel zu folgen, besitzt dieser Schaltkreis einen eingebauten „Envelope Tracker“ (Hüllkurvenfolger). Stellen Sie sich einen Surfer vor, der sein Board ständig anpasst, um der Form der Welle zu entsprechen. Dieser Schaltkreis folgt der „Hüllkurve“ (der allgemeinen Form) des eingehenden Signals in Echtzeit.
Wie der „Surfer“ funktioniert
Der aADM-Schaltkreis ist darauf ausgelegt, das „Grundrauschen“ zu ignorieren – das konstante Hintergrundrauschen des Signals. Er tut dies, indem er die langsamen, niederfrequenten Änderungen der Signalstärke beobachtet. Wenn das Hintergrundrauschen lauter wird, hebt der Chip automatisch seine „Schwelle“ (das Niveau, das erforderlich ist, um eine Aufzeichnung auszulösen) an, damit er nicht durch das Rauschen ausgelöst wird. Wenn das Rauschen abnimmt, senkt er die Schwelle ab, um leisere Details zu erfassen.
Er ist jedoch intelligent genug, um zwischen Hintergrundrauschen und einem echten Ereignis zu unterscheiden. Wenn ein plötzlicher, scharfer Spike auftritt – etwa wenn ein Neuron ein Aktionspotenzial feuert – ignoriert der Schaltkreis die langsamen Rauschveränderungen und erfasst dieses schnelle Ereignis sofort. Dies ermöglicht es dem Chip, die Daten massiv zu komprimieren, indem er nur die „interessanten“ Teile des Signals sendet und den Rest ignoriert.
Was sie tatsächlich gemessen haben
Das Team hat den Chip nicht nur am Computer simuliert, sondern den physischen Chip gebaut und getestet.
- Die Chipgröße: Er misst 3,22 mm × 5,67 mm.
- Die Kanäle: Er verfügt über 32 unabhängige Kanäle, die einzeln programmiert werden können.
- Das Rauschen: Sie haben das Rauschen der Signalkette (vom ersten Verstärker bis zum Ende) gemessen und stellten fest, dass es über eine Bandbreite von 1,6 kHz auf 68,72 𝜇Vrms integriert wurde.
- Die Ergebnisse: In ihren Experimenten speisten sie dem Chip ein synthetisches Signal zu, das eine „Treppe“ aus wechselnden Rauschniveaus aufwies. Der Chip passte seine Schwelle erfolgreich an das wechselnde Rauschen an, wie ihre Messungen zeigten. Als sie ein spezifisches Ereignis (wie ein simuliertes Aktionspotenzial) nahe der 1,7-Sekunden-Marke einführten, zeichnete der Chip dieses zuverlässig auf, selbst während das Hintergrundrauschen hoch war.
Was es (noch) nicht ist
Das Paper weist vorsichtig darauf hin, dass der Chip zwar funktioniert, aber ein Prototyp ist. Die Autoren erwähnen, dass sie das Rauschen noch weiter senken hätten können, indem sie den ersten Verstärker (LNA) größer gebaut hätten, sie entschieden sich jedoch dafür, mehr Platz dem adaptiven Schaltkreis einzuräumen. Das bedeutet, dass das gemessene Rauchniveau (68,72 𝜇Vrms) ein Kompromiss ist, den sie eingegangen sind, um zu beweisen, dass das adaptive Konzept funktioniert. Sie merken auch an, dass der PFM-Teil des Chips getestet und als funktional befunden wurde, der Hauptfokus und der „Durchbruch“ dieser spezifischen Arbeit jedoch die adaptive Delta-Modulation ist.
Das Fazzeit
Dieser Chip deutet einen neuen Weg an, wie man über Gehirnsignale mit Computern kommunizieren kann. Indem der Sensor selbst entscheidet, was wichtig ist und was nur Rauschen, löst er das Problem der Datenüberlastung. Er ist ein Schritt in Richtung drahtloser Systeme, die lange Zeit dem Gehirn zuhören können, ohne gigabytes an nutzlosem statischem Rauschen an einen Computer senden zu müssen. Die Autoren haben erfolgreich demonstriert, dass dieser adaptive Ansatz in echter Hardware funktioniert, was den Weg für effizientere Brain-Computer-Interfaces ebnet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.