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

Technische Samenvatting: Naar Neuromorf Event-Based Sensoren voor Hoogwaardige Multi-Spectrale Classificatie en Tracking van Micropartikels

Probleemstelling
Conventionele beeldgebaseerde microfluidische systemen kampen met een fundamentele afruil tussen doorvoer, beeldingssnelheid en databandbreedte. Hoogwaardige frame-gebaseerde beeldvorming (CMOS/CCD) resulteert vaak in bewegingsonscherpte, verminderde signaalkwaliteit en prohibitieve datavolumes die real-time verwerking bemoeilijken, met name bij het monitoren van hoge-snelheidsstromingen. Hoewel bestaande oplossingen zoals stroboscopische verlichting of deep learning-gebaseerde reconstructie de beeldkwaliteit of doorvoer hebben verbeterd, blijven zij gebonden aan globale frame-beperkingen of introduceren zij aanzienlijke computationele overhead. Bovendien zijn eerdere toepassingen van event-based sensing (EVS) in microfluidica grotendeels beperkt gebleven tot het tracken van monodisperse, sferische deeltjes of vertrouwen zij op learning-gebaseerde inferentie, waarbij ze er niet in slagen de morfologische en optische complexiteit van real-world, polydisperse analyten aan te pakken. Cruciaal is dat de integratie van spectrale informatie voor opake analyten binnen event-gebaseerde microfluidische architecturen grotendeels nog onontgonnen is.

Methodologie
De auteurs hebben een neuromorf microfluidisch sensorplatform ontwikkeld dat ontworpen is voor de gelijktijdige tracking, groottebepaling en kleurclassificatie van polydisperse, irregulaire micropartikels. De systeemarchitectuur integreert drie kerncomponenten:

1. Microfluidische en Optische Opstelling: Een microfluidisch kanaal (ibidi µ-Slide) wordt geïllumineerd door witte LED's in een reflectieconfiguratie om intrinsieke kleur en oppervlaktereflectantie te detecteren, waardoor het "schaduweffect" dat gebruikelijk is bij transmissie-opstellingen wordt vermeden. Een 10x objectief verzamelt teruggestraald licht, dat via een beam splitter naar twee sensoren wordt gesplitst: een conventionele CMOS-camera voor de ground-truth referentie en een hogeresolutie event-gebaseerde camera (IDS uEye XCP-E).
2. Ruimtelijk Gemultiplexeerde Spectrale Codering: Een aangepaste filterassemblage bestaande uit drie Lee fotografische filters (Tokyo Blue, Primary Green, Marius Red) is direct vóór de event-gebaseerde sensor geplaatst. Deze filters bedekken niet-overlappende regio's van de sensor, waardoor spectrale identiteit en beweging direct tijdens de sensing-fase worden gecodeerd zonder beeldreconstructie.
3. Signaalverwerkingspipeline: De asynchrone event-stroom wordt temporeel gediscretiseerd in frames (bij 500, 1000 en 1500 Hz) en ruimtelijk geaggregeerd in 10×10 bins.
   • Denoising: Een neighbor-count filteringstrategie (8-connectivity kernel) verwijdert geïsoleerde ruis-events, waarbij alleen ruimtelijk geclusterde signalen worden behouden.
   • Kleurvoorspelling: Er wordt een "Best-of-Frames" maximum-likelihood strategie toegepast. Voor elk spectraal band (R, G, B) identificeert het algoritme de piek event-activiteitsscore over de gehele transitduur, onafhankelijk van de exacte positie van het deeltje op een enkel moment. De uiteindelijke classificatie is de spectrale regio die de hoogste geïntegreerde piek oplevert.
   • Kinematische Profilering: Deeltjestrajecten worden gereconstrueerd door het koppelen van de zwaartepunten van gefilterde event-clusters. Snelheid wordt berekend uit de verplaatsing tussen zwaartepunten, en de grootte wordt geschat met behulp van een equivalent ellipsmodel afgeleid van een gewogen ruimtelijke covariantie-matrix, waarbij de korte as wordt gebruikt voor robuustheid tegen bewegings-geïnduceerde distortie.

Belangrijkste Bijdragen

• Eerste Integratie van EVS en Multi-Spectrale Sensing in Flow: Dit werk demonstreert voor de eerste keer de integratie van event-gebaseerde spectrale sensing met continu stromende, heterogene monsters in een microfluidisch kanaal.
• Label-vrije, Training-vrije Classificatie: Het systeem extraheert spectrale signaturen en beweging direct uit de sensing-fase, waardoor beeldreconstructie of complexe, training-gebaseerde neurale netwerk-inferentie overbodig wordt.
• Omgang met Real-World Heterogeniteit: In tegenstelling tot eerdere EVS-studies die gericht waren op geïdealiseerde sferische beads, slaagt dit platform erin om polydisperse, irregulaire micropartikels (gecreëerd via mechanische abrasie van thermoplastische polymeren) te karakteriseren onder niet-laminaire flow-condities.
• Data-efficiëntie: De event-gedreven architectuur vermindert de databandbreedte drastisch door de temporele resolutie los te koppelen van het datavolume.

Resultaten
Het systeem werd gevalideerd met rode, groene en blauwe microplastic fragmenten (0,08–0,25 mm) die stroomden met snelheden tot circa 80 mm/s.

• Classificatieprestaties: Bij een optimale frame-constructiefrequentie van 1000 Hz bereikte het systeem een globale kleurclassificatienauwkeurigheid van 74%. Voor het kleinere deeltjesbereik (0,08–0,18 mm) bereikte de nauwkeurigheid 82%. De prestaties namen af voor grotere deeltjes en bij lagere framerates (500 Hz) als gevolg van temporele undersampling en ruimtelijke menging van spectrale regio's.
• Kinematische Profilering: Het systeem slaagde erin om deeltjestrajecten en snelheden te resolveren. De schatting van de deeltjesgrootte met behulp van de korte as van passende ellipsen vertoonde een goede overeenkomst met de CMOS ground-truth, zelfs onder niet-laminaire flow en variërende focuscondities.
• Doorvoer en Bandbreedte: Het systeem behield een oppervlakte-doorvoer van 460 mm²/s. Vergeleken met een conventionele 1000 FPS CMOS-camera, reduceerde de event-gebaseerde aanpak de databandbreedte met >240× (van ~3,84 GB/s naar ~16 MB/s), voornamelijk door het elimineren van redundante achtergronddata.
• Robuustheid: Het platform behield zijn prestaties onder niet-ideale condities, inclusom luchtbellen, deeltjesrotatie en variërende stroomsnelheden, wat de veerkracht tegen de stochastische aard van real-world microfluidische stromen aantoont.

Betekenis en Claims
De auteurs positioneren dit werk als een proof-of-concept voor een schaalbare, computationeel efficiënte oplossing voor de hoogwaardige, label-vrije screening van heterogene analyten. Zij benadrukken dat de resultaten zijn behaald met standaard componenten (commerciële RGB-filters, standaard witte LED's) en bewust niet-ideale condities (niet-laminaire flow, irregulaire deeltjes). Bijgevolg wordt de gerapporteerde prestatie gepresenteerd als een conservatieve baseline. Het artikel claimt dat dit neuromorfe framework de weg vrijmaakt voor toekomstige toepassingen in klinische diagnostiek (bijv. single-cell analyse) en milieumonitoring (bijv. detectie van microplastics) door de bewegingsonscherpte en databottlenecks van traditionele frame-gebaseerde systemen te overwinnen. De auteurs merken op dat hoewel de huidige opstelling brede spectrale filters gebruikt, toekomstige iteraties specifieke optische ontwerpen en op maat gemaakte verlichting kunnen inzetten om de classificatienauwkeurigheid verder te verbeteren en spectrale cross-talk te verminderen.