Neural spike compression through salient sample extraction and curve fitting dedicated to high-density brain implants
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
As brain implants evolve towards higher channel density, efficient on-implant processing of the acquired signals becomes essential to overcome constraints in power, area, and data transmission. Here we propose a data reduction framework, specific to extra-cellular neuronal action potentials. This approach picks a small number of salient spike samples, using which the spike waveshape is interpolated. Attributes of salient samples are sent off the implant to reconstruct the spike waveshape on the external side of the system. In addition to exhibiting high data compression capability, this technique is highly hardware efficient, hence well suits for brain-implantable neural recording microsystems with high channel counts. Based on the proposed framework, a 128-channel neural signal compressor was implemented using a 130-nm CMOS technology, and measured 1.05 × 0.35 mm2. At a spike firing rate of 8 Spike/s, the circuit temporally reduces neural data with an average compression rate of ~2176. Operated at 1 V and 32 MHz, the neural data compressor consumes 0.164 µW/channel. The framework proposed in this work substantially reduces the data representing spike waveforms, enabling next-generation, high-density neural recording brain implants to telemeter the acquired neuronal activities to the outside world. Handling large volumes of recorded data is a challenge in high-density brain implants. Mahdi Nekoui and Amir Sodagar propose a hardware-efficient method to compress neural spikes by fitting primitive curves to a small number of salient spike samples.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle