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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».