15.4 A Neuroprosthetic SoC with Sensory Feedback Featuring Frequency-Splitting-Based Wireless Power Transfer with 200Mb/s 0.67pJ/b Backscatter Data Uplink and Unsupervised Multi-Class Spike Sorting
Notice bibliographique
Résumé
Neuroprosthetic technology has made significant strides in restoring movement for paralyzed individuals by decoding motor cortex signals into commands for prosthetic limbs or exoskeletons. Although high-channel neural implants have enhanced prosthetic control and freedom of movement, the benefits of channel scaling are restricted by the absence of feedback and the steep learning curves required for users. To address this, sensory feedback from prosthetic sensors has been used to modulate the sensory cortex for more stable and accurate prosthetic control [1]. However, latency in data transmission, decoding, and feedback mapping hinders the system's effectiveness as a true closed-loop. To overcome these challenges, a disruptive approach has emerged that introduces rapid local feedback between the motor and sensory cortices [2]. Instead of relying on external sensor inputs, this method derives sensory feedback directly from motor signals and modulates stimulation in the sensory cortex, reducing latency and simplifying learning (Fig. 15.4.1 top). Animal studies using optogenetic feedback have shown faster motor target acquisition with this internal feedback [3]. While optogenetics cannot be easily adopted for humans, electrical stimulation is a viable alternative, though it presents challenges such as rejecting stimulation artifacts to avoid false modulation or positive feedback loops.
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 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».