L-Sort：基于中值检测与定位聚类的高效能神经锋电位分类芯片设计

《IEEE Open Journal of Circuits and Systems》：L-Sort: On-Chip Spike Sorting With Efficient Median-of-Median Detection and Localization-Based Clustering

本刊推荐：为解决高密度神经探针记录带来的数据量激增和实时处理挑战，研究人员开展了L-Sort芯片设计研究，提出基于中值近似检测和几何定位的锋电位分类方案。该设计在FPGA和ASIC（180 nm工艺）实现中显著降低了内存消耗，相比同类方案在22 nm工艺下可实现约10倍的面积与能效提升，同时保持97.2%的分类准确率，为植入式神经设备的实时多通道处理提供了新思路。

　　

随着神经科学研究的深入，大规模单神经元活动记录成为理解大脑功能的关键。现代高密度神经探针（如Neuropixels）已能在数百个微间距电极上同步记录神经信号，但海量数据对实时处理提出了严峻挑战。传统的锋电位分类方法依赖形态学特征提取，需存储完整波形数据，导致硬件资源消耗大，难以满足植入式设备对功耗和面积的苛刻要求。此外，动态阈值检测中常用的中值计算方法存在O(n²)的时间复杂度，进一步限制了硬件效率的提升。

为此，爱丁堡大学电子前沿中心的Han等人在《IEEE Open Journal of Circuits and Systems》发表研究，提出了一种名为L-Sort的新型芯片锋电位分类方案。该方案通过创新性的中值近似计算和几何定位聚类技术，实现了资源消耗的大幅优化。研究团队采用中值的中值（Median-of-Median）检测方法降低内存需求，并利用锋电位在相邻电极间的空间分布特性替代传统波形特征，避免了波形缓冲区的使用。实验表明，L-Sort在Neuropixels数据集上取得了与主流方法相当的分类精度（97.52%检测准确率、97.23%分类准确率），同时在FPGA和ASIC硬件实现中展现出显著的能效优势。

研究的关键技术方法包括：1）基于增量计算的中值检测模块，将复杂度从O(n²)降至O(n)；2）简化版锋电位定位算法，直接以峰值通道坐标作为空间特征，省去传统质心计算中的乘除运算；3）结合O-Sort聚类算法，利用可编程固定阈值完成锋电位归类。所有实验数据均来自公开的Neuropixels数据集（Steinmetz共享数据），通过部分通道数据复制模拟384通道环境。

锋电位检测精度优化

通过对比不同点数（N）的中值计算效果，研究发现当N=25时可在检测精度与硬件消耗间取得最佳平衡。采用近似中值的中值检测方案后，仅产生<1%（数据集1）和<3%（数据集2）的精度损失，而内存占用量降低至4.90 kB，较传统方案减少93.4%。

硬件资源效率评估

FPGA实现显示，支持384通道的L-Sort仅消耗2658个LUT和3个BRAM，时钟频率达11.54 MHz。ASIC（180 nm工艺）实现中，核心面积1.2769 mm²，总功耗27.28 mW。经22 nm工艺标准化后，相较同类设计面积减少96.2%，功耗降低82.4%。

抗噪声性能测试

在添加高斯白噪声的测试中，L-Sort在噪声水平升至原始信号1.5倍时仍保持90%以上的检测与分类精度，证明其适用于实际环境中的信号波动场景。

定位聚类简化验证

研究对比了几何定位与传统质心法的效果差异，发现直接采用峰值通道坐标作为特征仅导致分类精度下降<1%，但硬件层面省去了乘除器与多通道振幅存储需求。

L-Sort通过算法与硬件的协同创新，成功解决了高通道数神经信号处理的资源瓶颈问题。其核心贡献在于将锋电位特征从时间域转换到空间域，利用神经电活动的物理传播特性简化计算流程。该设计为未来脑机接口设备的微型化与低功耗化提供了重要技术路径，尤其适用于需要长期植入的闭环神经调控场景。研究团队公开了全部设计源码（GPL-3.0协议），为领域内后续研究提供了可复用的技术基础。