针对下一代仿生植入物的FPGA优化神经形态学建模：心脏浦肯野纤维的研究

《IEEE Transactions on Medical Robotics and Bionics》：FPGA-Optimized Neuromorphic Modeling of Cardiac Purkinje Fibers for Next-Generation Bionic Implants

优化神经形态硬件实现中，提出一种通过公共变量将多非线性项简化为单非线性项的高精度方法，显著降低硬件资源消耗并提升运行频率。该模型经心脏浦肯野纤维细胞验证，通过时域、噪声、Lyapunov稳定性和分岔分析确保可靠性，并在300细胞和4500细胞网络中实现同步、平衡态和频谱一致性。FPGA实现频率较原模型提升3.49倍，较现有最佳方案提升1.79倍，证明该方法在医疗研究和神经形态硬件中的高效扩展性。

　　

摘要：

在神经形态学领域中，对神经元和生物细胞的硬件实现进行优化具有重要意义。本文提出了一种新方法，该方法能够将描述神经元或生物细胞行为的微分方程中的任意数量的非线性项，通过一个共同的变量，以高精度简化为单个非线性项。这种方法通过减少硬件资源消耗显著提高了实现效率，同时保持了高频率和高精度。所提出的方法被应用于心肌浦肯野纤维细胞，并通过时域分析、噪声条件分析、李雅普诺夫稳定性分析和分岔分析验证了该方法在不同条件下的有效性。这些验证确保了该方法在不同工作条件下的准确性和稳定性。为了评估其大规模应用能力，该模型在包含300个细胞的浦肯野纤维网络中进行了测试，结果显示模型能够实现精确的同步、平衡状态以及跨频谱的一致性，同时保持了计算效率。在Virtex-7 FPGA板上进行的数字硬件实现相比原始模型频率提高了3.49倍，相比迄今为止该模型的最佳实现方案频率提高了1.79倍。我们还模拟了一个包含4500个细胞的网络，分析了其相关性，并将其在硬件上实现，证明了本文提出的方法能够高效且准确地扩展到大规模应用中。这种高效且可扩展的方法为医学研究、生物工程和神经形态学硬件开发铺平了道路，包括创建用于模拟生物系统的硬件加速工具、设计受生物启发的设备，以及实现大规模实时模拟以理解和治疗心脏或神经系统疾病。

引言

在FPGA上高效实现神经模型和生物细胞至关重要，这些应用包括疾病建模、植入式设备、仿生学和神经假体，推动了医学技术和神经科学研究的进步[1]、[2]、[3]。生理学家通过研究生物神经系统开发了描述神经元和神经细胞行为的数学模型。这些模型从复杂的非线性形式到简单的形式都有，但由于资源消耗量大，直接在FPGA上实现成本高昂且效率低下。实现高效实现的主要目标——低资源消耗、高频率和低功耗——具有挑战性。为此，我们需要一种能够紧密模仿人类神经系统的硬件实现方式，具备可扩展性（最小化资源使用）、高频率（避免使用耗电较多的硬件如DSP和复杂运算）以及低功耗等特点。这可以通过用适合数字处理的函数替换模型中的非线性项来实现，同时保持高精度。此外，将这些网络应用于学习方法也至关重要，这一领域已经取得了显著进展。例如，[4]提供了一种适用于大型神经网络的可扩展FPGA解决方案，[5]提出了一个用于脉冲网络的节能系统BiCoSS，[6]介绍了一个用于监督学习的可扩展小脑网络模型，[7]提出了一个用于高效在线学习的神经形态系统NADOL，[8]提出了一个用于上下文依赖学习的容错系统。