Towards Neuromorphic Event-Based Sensing for High-Speed Multi-Spectral Classification and Tracking of Microparticles

Resumen Técnico: Hacia la detección neuromórfica basada en eventos para la clasificación y el seguimiento multiespectral de alta velocidad de micropartículas

Planteamiento del problema
Los sistemas microfluídicos convencionales basados en imágenes enfrentan un compromiso fundamental entre el rendimiento (throughput), la velocidad de imagen y el ancho de banda de datos. La obtención de imágenes de alta velocidad basadas en fotogramas (CMOS/CCD) suele resultar en desenfoque por movimiento (motion blur), reducción de la calidad de la señal y volúmenes de datos prohibitivos que dificultan el procesamiento en tiempo real, particularmente al monitorear flujos de alta velocidad. Si bien las soluciones existentes, como la iluminación estroboscópica o la reconstrucción basada en aprendizaje profundo, han mejorado la calidad de la imagen o el rendimiento, siguen ligadas a las restricciones de los fotogramas globales o introducen una carga computacional significativa. Además, las aplicaciones previas de detección basada en eventos (EVS) en microfluídica se han limitado en gran medida al seguimiento de partículas esféricas monodispersas o dependen de la inferencia basada en aprendizaje, sin abordar la complejidad morfológica y óptica de los analitos polidispersos del mundo real. Crucialmente, la integración de información espectral para analitos opacos dentro de arquitecturas microfluídicas basadas en eventos permanece en gran medida inexplorada.

Metodología
Los autores desarrollaron una plataforma de detección microfluídica neuromórfica diseñada para el seguimiento, dimensionamiento y clasificación de color simultáneos de micropartículas polidispersas e irregulares. La arquitectura del sistema integra tres componentes principales:

1. Configuración microfluídica y óptica: Un canal microfluídico (ibidi µ-Slide) es iluminado por LEDs blancos en una configuración de reflexión para detectar el color intrínseco y la reflectancia superficial, evitando el "efecto de sombra" común en las configuraciones de transmisión. Un objetivo de 10x recolecta la luz retrodispersada, la cual se divide mediante un divisor de haz hacia dos sensores: una cámara CMOS convencional para referencia de verdad de terreno (ground-truth) y una cámara de alta resolución basada en eventos (IDS uEye XCP-E).
2. Codificación espectral multiplexada espacialmente: Un ensamblaje de filtros personalizado, compuesto por tres filtros fotográficos Lee (Tokyo Blue, Primary Green, Marius Red), se coloca directamente frente al sensor basado en eventos. Estos filtros cubren regiones no superpuestas del sensor, lo que permite que la identidad espectral y el movimiento se codifiquen directamente en la etapa de detección sin necesidad de reconstrucción de imagen.
3. Pipeline de procesamiento de señales: El flujo de eventos asíncronos se discretiza temporalmente en fotogramas (a 500, 1000 y 1500 Hz) y se agrega espacialmente en celdas (bins) de 10×10.
   • Reducción de ruido (Denoising): Una estrategia de filtrado por conteo de vecinos (kernel de conectividad de 8) elimina eventos de ruido aislados, reteniendo solo las señales espacialmente agrupadas.
   • Predicción de color: Se emplea una estrategia de máxima verosimilitud de "el mejor de los fotogramas" (Best-of-Frames). Para cada banda espectral (R, G, B), el algoritmo identifica la puntuación máxima de actividad de eventos a lo largo de toda la duración del tránsito, independientemente de la posición exacta de la partícula en cualquier momento dado. La clasificación final es la región espectral que genera el pico integrado más alto.
   • Perfilado cinemático: Las trayectorias de las partículas se reconstruyen vinculando los centroides de los grupos de eventos filtrados. La velocidad se calcula a partir del desplazamiento entre centroides, y el tamaño se estima utilizando un modelo de elipse equivalente derivado de una matriz de covarianza espacial ponderada, utilizando el eje menor para asegurar robustez contra la distorsión inducida por el movimiento.

Contribuciones clave

• Primera integración de EVS y detección multiespectral en flujo: Este trabajo demuestra, por primera vez, la integración de la detección espectral basada en eventos con muestras heterogéneas que fluyen continuamente en un canal microfluídico.
• Clasificación sin etiquetas y sin entrenamiento: El sistema extrae firmas espectrales y movimiento directamente de la etapa de detección, eliminando la necesidad de reconstrucción de imagen o de inferencia compleja basada en redes neuronales de entrenamiento.
• Manejo de la heterogeneidad del mundo real: A diferencia de los estudios previos de EVS centrados en perlas esféricas idealizadas, esta plataforma caracteriza con éxito micropartículas polidispersas e irregulares (creadas mediante abrasión mecánica de polímeros termoplásticos) bajo condiciones de flujo no laminar.
• Eficiencia de datos: La arquitectura impulsada por eventos reduce drásticamente el ancho de banda de datos al desacoplar la resolución temporal del volumen de datos.

Resultados
El sistema fue validado utilizando fragmentos de microplásticos rojos, verdes y azules (0.08–0.25 mm) que fluían a velocidades de hasta ~80 mm/s.

• Desempeño de clasificación: Con una frecuencia de construcción de fotogramas óptima de 1000 Hz, el sistema alcanzó una precisión de clasificación de color global del 74%. Para el rango de tamaño de partícula más pequeño (0.08–0.18 mm), la precisión alcanzó el 82%. El desempeño disminuyó para partículas más grandes y a frecuencias de fotogramas más bajas (500 Hz) debido al submuestreo temporal y la mezcla espacial de las regiones espectrales.
• Perfilado cinemático: El sistema resolvió con éxito las trayectorias y velocidades de las partículas. La estimación del tamaño utilizando el eje menor de las elipses ajustadas mostró una estrecha concordancia con la verdad de terreno de la cámara CMOS, incluso bajo flujo no laminar y condiciones de enfoque variables.
• Rendimiento (Throughput) y Ancho de Banda: El sistema mantuvo un rendimiento de área de 460 mm²/s. En comparación con una cámara CMOS convencional de 1000 FPS, el enfoque basado en eventos redujo el ancho de banda de datos en >240× (de ~3.84 GB/s a ~16 MB/s), principalmente al eliminar los datos redundantes del fondo.
• Robustez: La plataforma mantuvo su desempeño bajo condiciones no ideales, incluyendo burbujas de aire, rotación de partículas y variaciones en la velocidad del flujo, demostrando resiliencia ante la naturaleza estocástica de los flujos microfluídicos del mundo real.

Significancia y Reivindicaciones
Los autores posicionan este trabajo como una prueba de concepto para una solución escalable y computacionalmente eficiente para el cribado rápido y sin etiquetas de analitos heterogéneos. Enfatizan que los resultados se lograron utilizando componentes comerciales (filtros RGB estándar, LEDs blancos estándar) y condiciones deliberadamente no ideales (flujo no laminar, partículas irregulares). Por consiguiente, el desempeño reportado se presenta como una línea base conservadora. El artículo sostiene que este marco neuromórfico allana el camino para futuras aplicaciones en diagnósticos clínicos (por ejemplo, análisis de células individuales) y monitoreo ambiental (por ejemplo, detección de microplásticos) al superar el desenfoque por movimiento y los cuellos de botella de datos de los sistemas tradicionales basados en fotogramas. Los autores señalan que, si bien la configuración actual utiliza filtros de espectro amplio, las iteraciones futuras podrían emplear diseños ópticos dedicados e iluminación adaptada para mejorar aún más la precisión de la clasificación y reducir la diafonía (cross-talk) espectral.