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

Resumo Técnico: Rumo à Sensoriamento Neuromórfico Baseado em Eventos para Classificação e Rastreamento Multiespectral de Alta Velocidade de Micropartículas

Definição do Problema
Os sistemas microfluídicos convencionais baseados em imagens enfrentam um compromisso fundamental entre vazão (throughput), velocidade de imagem e largura de banda de dados. A imagem de alta velocidade baseada em quadros (CMOS/CCD) frequentemente resulta em desfoque de movimento (motion blur), redução da qualidade do sinal e volumes de dados proibitivos que dificultam o processamento em tempo real, particularmente ao monitorar fluxos de alta velocidade. Embora soluções existentes, como iluminação estroboscópica ou reconstrução baseada em aprendizado profundo, tenham melhorado a qualidade da imagem ou a vazão, elas permanecem vinculadas a restrições de quadros globais ou introduzem uma sobrecarga computacional significativa. Além disso, as aplicações anteriores de sensoriamento baseado em eventos (EVS) em microfluídica têm sido amplamente restritas ao rastreamento de partículas monodispersas e esféricas ou dependem de inferência baseada em aprendizado, falhando em abordar a complexidade morfológica e óptica de analitos reais e polidispersos. Crucialmente, a integração de informações espectrais para analitos opacos dentro de arquiteturas microfluídicas baseadas em eventos permanece amplamente inexplorada.

Metodologia
Os autores desenvolveram uma plataforma de sensoriamento microfluídico neuromórfico projetada para o rastreamento simultâneo, dimensionamento e classificação de cor de micropartículas polidispersas e irregulares. A arquitetura do sistema integra três componentes principais:

1. Configuração Microfluídica e Óptica: Um canal microfluídico (ibidi µ-Slide) é iluminado por LEDs brancos em uma configuração de reflexão para detectar a cor intrínseca e a refletância da superfície, evitando o "efeito de sombra" comum em configurações de transmissão. Uma objetiva de 10x coleta a luz retroespalhada, que é dividida via um divisor de feixe para dois sensores: uma câmera CMOS convencional para referência de verdade de campo (ground-truth) e uma câmera baseada em eventos de alta resolução (IDS uEye XCP-E).
2. Codificação Espectral Multiplexada Espacialmente: Um conjunto de filtros customizado, composto por três filtros fotográficos Lee (Tokyo Blue, Primary Green, Marius Red), é colocado diretamente à frente do sensor baseado em eventos. Esses filtros cobrem regiões não sobrepostas do sensor, permitindo que a identidade espectral e o movimento sejam codificados diretamente na etapa de sensoriamento sem necessidade de reconstrução de imagem.
3. Pipeline de Processamento de Sinal: O fluxo de eventos assíncronos é discretizado temporalmente em quadros (a 500, 1000 e 1500 Hz) e agregado espacialmente em bins de 10×10.
   • Redução de Ruído (Denoising): Uma estratégia de filtragem de contagem de vizinhos (kernel de conectividade 8) remove eventos de ruído isolados, retendo apenas sinais espacialmente agrupados.
   • Predição de Cor: Uma estratégia de máxima verossimilhança "Best-of-Frames" é empregada. Para cada banda espectral (R, G, B), o algoritmo identifica o pico de atividade de eventos ao longo de toda a duração do trânsito, independentemente da posição exata da partícula em qualquer momento individual. A classificação final é a região espectral que apresenta o pico integrado mais alto.
   • Perfilamento Cinemático: As trajetórias das partículas são reconstruídas através do vínculo dos centroides dos clusters de eventos filtrados. A velocidade é calculada a partir do deslocamento entre os centroides, e o tamanho é estimado usando um modelo de elipse equivalente derivado de uma matriz de covariância espacial ponderada, utilizando o eixo menor para robustez contra distorção induzida pelo movimento.

Principais Contribuições

• Primeira Integração de EVS e Sensoriamento Multiespectral em Fluxo: O trabalho demonstra, pela primeira vez, a integração do sensoriamento espectral baseado em eventos com amostras heterogêneas em fluxo contínuo em um canal microfluídico.
• Classificação Sem Marcação e Sem Treinamento: O sistema extrai assinaturas espectrais e movimento diretamente da etapa de sensoriamento, eliminando a necessidade de reconstrução de imagem ou inferência complexa de redes neurais baseada em treinamento.
• Tratamento da Heterogeneidade do Mundo Real: Diferente de estudos de EVS anteriores focados em esferas idealizadas, esta plataforma caracteriza com sucesso micropartículas polidispersas e de formato irregular (criadas via abrasão mecânica de polímeros termoplásticos) sob condições de fluxo não laminar.
• Eficiência de Dados: A arquitetura orientada a eventos reduz drasticamente a largura de banda de dados ao desacoplar a resolução temporal do volume de dados.

Resultos
O sistema foi validado usando fragmentos de microplásticos vermelhos, verdes e azuis (0,08–0,25 mm) fluindo a velocidades de até ~80 mm/s.

• Desempenho de Classificação: Em uma frequência de construção de quadro ideal de 1000 Hz, o sistema alcançou uma precisão de classificação de cor global de 74%. Para a faixa de tamanho de partícula menor (0,08–0,18 mm), a precisão atingiu 82%. O desempenho diminuiu para partículas maiores e em taxas de quadros mais baixas (500 Hz) devido à subamostragem temporal e mistura espacial das regiões espectrais.
• Perfilamento Cinemático: O sistema resolveu com sucesso as trajetórias e velocidades das partículas. A estimativa de tamanho usando o eixo menor de elipses ajustadas mostrou concordância próxima com a verdade de campo da CMOS, mesmo sob fluxo não laminar e condições de foco variáveis.
• Vazão e Largura de Banda: O sistema sustentou uma vazão de área de 460 mm²/s. Comparado a uma câmera CMOS convencional de 1000 FPS, a abordagem baseada em eventos reduziu a largura de banda de dados em >240× (de ~3,84 GB/s para ~16 MB/s), principalmente ao eliminar dados redundantes de fundo.
• Robustez: A plataforma manteve o desempenho sob condições não ideais, incluindo bolhas de ar, rotação de partículas e variações de velocidade de fluxo, demonstrando resiliência à natureza estocástica dos fluxos microfluídicos do mundo real.

Significância e Alegações
Os autores posicionam este trabalho como uma prova de conceito para uma solução escalável e computacionalmente eficiente para a triagem de alta velocidade e sem marcação de analitos heterogêneos. Eles enfatizam que os resultados foram alcançados usando componentes comerciais (filtros RGB padrão, LEDs brancos comuns) e condições deliberadamente não ideais (fluxo não laminar, partículas irregulares). Consequentemente, o desempenho relatado é apresentado como uma linha de base conservadora. O artigo alega que este framework neuromórfico pavimenta o caminho para futuras aplicações em diagnósticos clínicos (ex: análise de célula única) e monitoramento ambiental (ex: detecção de microplásticos) ao superar o desfoque de movimento e os gargalos de dados dos sistemas tradicionais baseados em quadros. Os autores observam que, embora a configuração atual utilize filtros de espectro amplo, iterações futuras poderiam empregar designs ópticos dedicados e iluminação personalizada para melhorar ainda mais a precisão da classificação e reduzir a interferência espectral (cross-talk).