Fully Differential Dynamic Neural Amplifier: Preventing Saturation from Artifacts and Breaking the Gain-Bandwidth Trade-Off
Notice bibliographique
Résumé
Neural recording is fundamental to advancements in neuroscience and the development of brain-computer interfaces. Central to this process is the neural amplifier, a critical component that directly influences the quality and fidelity of neural signal acquisition. The amplifier’s performance determines the noise level contaminating neural signals and ensures adequate amplification for accurate analog-to-digital conversion (ADC). However, conventional neural amplifiers face significant challenges. They typically require a constant biasing current, leading to inefficient power consumption, and are limited by a constrained gain-bandwidth product due to power budget restrictions. This paper addresses these challenges by delving into the essential requirements for neural amplifiers and discussing the limitations of traditional designs. We introduce a dynamic amplifier that not only surpasses the conventional gain-bandwidth trade-off but also effectively mitigates saturation issues caused by stimulation or motion artifacts. Furthermore, the proposed amplifier exhibits significantly lower thermal and $1 / \mathrm{f}$ noise compared to traditional static amplifiers. Our simulation results demonstrate that the proposed neural amplifier consumes less than 200 nW of power, with a signal-to-noise-and-distortion ratio (SNDR) of 82.6 dB at a $\mathrm{5 k H z}$ bandwidth. The amplifier also achieves an input-referred noise of $4.54 \mu V_{\text {rms }}$. Additionally, the noise-efficient factor is 1.1, highlighting the amplifier’s noise performance and its suitability for high-fidelity neural signal acquisition.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».