Hardware-Efficient, On-the-Fly, On-Implant Spike Sorter Dedicated to Brain-Implantable Microsystems
Notice bibliographique
Résumé
This article proposes an unsupervised online spike sorter, dedicated to brain-implantable neural recording microsystems. The main (online) spike sorting phase in the proposed approach is based on the wave shape resemblance between spike classes, realized by template matching. This phase follows an offline training phase, implemented off the implant. In the training phase, the number and centroids of the clusters are automatically determined and subsequently sent to the implant to configure the on-implant online spike sorter. Comprehensively verified using two separate datasets with a wide spectrum of spike wave shapes, the proposed approach presents average classification accuracies of$\sim 85$% (unsupervised) and$\sim 92$% (supervised). A 64-channel spike sorter was designed using a computational core with folded architecture. To make the very large-scale integration (VLSI) implementation of this spike sorter appropriate for brain implants in terms of both power and area consumption, the computations realizing the proposed approach were significantly reduced. Designed in a standard 180-nm CMOS technology, the circuit consumes$1.74~\mu \text{W}$/channel and per-channel area of 0.047 mm2. The circuit is capable of clustering neural spikes in real-time with a latency of as short as 1.36 ms. A prototype of the circuit was implemented and successfully tested.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».