一种基于CNN的192通道1D神经特征提取器，适用于65纳米CMOS工艺，用于脑机接口应用

《IEEE Transactions on Biomedical Circuits and Systems》：A 192-Channel 1D CNN-Based Neural Feature Extractor in 65nm CMOS for Brain-Machine Interfaces

提出基于65nm CMOS的192通道1D卷积神经网络脑机接口特征提取器，实现1.8μW功耗与1280μm2/通道面积，FENet-66模型在脊髓损伤患者6年植入实验中表现最优，R2解码性能提升18%，定制CNN核比小波特征高效10%并压缩数据38倍。

　　

摘要：

我们提出了一种基于192通道一维卷积神经网络（1D CNN）的神经特征提取器，用于脑机接口（BMI），该提取器在65纳米CMOS技术条件下实现了1.8 μW的能耗以及每通道12801 μm2的面积效率，同时具备业界领先的解码稳定性。我们的设备是一款完全可配置、可扩展的解决方案，在面积和功耗方面表现出色，支持具有2-8个特征层的模型，且核长度最高可达256个。与传统计算方案相比，该架构将缓存需求降低了5倍。通道和层可以单独进行功率控制，以进一步优化特定神经应用的功耗效率。我们引入了一种片上模型FENet-66，其交叉验证解码性能优于所有先前报道的特征集。通过使用脊髓损伤患者的记录数据，我们证明了该模型具有优异的长期稳定性。与Spiking Band Power（SBP）相比，我们的特征在整体平均交叉验证R2解码性能上提高了18%，并且在第四年的性能提升了28%。所提出的架构还能在低功耗和低延迟条件下提取小波功率特征。实验表明，定制的1D-CNN核在压缩神经数据流38倍的情况下，其性能比小波特征提高了10%。这些模型和硬件已在实时环境中通过植入人体6年的微电极阵列进行了在线闭环光标控制实验验证。使用本方法生成的特征的解码器显著提升了长期神经植入物的可行性，优于当前低功耗BMI硬件中使用的其他特征提取方法。