论文部分内容阅读
大脑海马体的损坏会导致丧失形成新记忆的能力并引起认知功能障碍,同时它也是阿尔兹海默症中最先受损的区域,目前没有治疗相关疾病的有效方法。用海马体假体生物芯片代替受损的海马体区域来恢复生物组织的功能是一种潜在的治疗手段。在该生物芯片中需要一个峰电位分类器来检测神经元信号中的峰电位并对其进行分类。本文基于40 nm CMOS工艺成功设计并实现了一款16通道实时、无监督的峰电位分类器芯片。在设计过程中,对三种峰电位检测算法的准确率和计算复杂度进行了全面的对比;优化了 Osort聚类算法,提出了一种适合硬件实现的自动阈值计算方法。对比结果证明,该方法收敛速度更快并且鲁棒性更好,同时可以大幅降低所需的硬件资源;优化了贝叶斯最优模板匹配算法(Bayes Optimal Template Matching,BOTM),提出对部分重叠峰电位也具备检测和分类能力的PBOTM(Preselection BOTM)算法。与原算法相比,本文提出的PBOTM的计算复杂度平均降低99.15%,而准确率仅降低0.3%,硬件实现后该模块的功耗可降低84.48%,面积减小13.75%(该成果已在SCI期刊发表)。经测试,该芯片的功耗为304.7 μW(19.0μW/ch),核心面积为0.281 mm2(0.0175 mm2/ch),检测准确率为98.3%,分类准确率为93.4%。与其他文献结果对比,本芯片具有较高的检测和分类准确率以及较小的面积,并且具备对部分重叠峰电位进行检测和分类的能力,该功能在同类型芯片的文献中未有涉及。本芯片的实现不仅可以促进海马体假体生物芯片的研究进展,同时对各类神经科学实验中的线上峰电位分类具有应用价值或者借鉴意义。