机构名称：
¥ 1.0
硅基探针的记录点数量不断增加，对以准确、高效的方式检测和评估单个单元活动提出了巨大挑战。目前，高精度离线评估有单独的解决方案，而计算资源更有限的嵌入式系统也有单独的解决方案。我们提出了一种基于深度学习的脉冲排序系统，该系统利用无监督和监督范式来学习一般的特征嵌入空间并检测原始数据中的神经活动以及预测要排序的特征向量。无监督组件使用对比学习从单个波形中提取特征，而监督组件则基于 MobileNetV2 架构。我们系统的一个关键优势是它可以同时在多个不同的数据集上进行训练，从而比以前的基于深度学习的模型具有更大的通用性。我们证明，所提出的模型不仅达到了当前最先进的离线脉冲排序方法的准确性，而且具有在边缘张量处理单元 (TPU) 上运行的独特潜力，TPU 是专为人工智能和边缘计算设计的专用芯片。我们将我们的模型性能与配对数据集以及混合记录上的最新解决方案进行了比较。此处展示的系统为将基于深度学习的尖峰分类算法集成到可穿戴电子设备中铺平了道路，这将成为高端脑机接口的关键元素。© 2023 作者。由 Elsevier Ltd. 出版。这是一篇根据 CC BY 许可开放获取的文章（http://creativecommons.org/licenses/by/4.0/）。
用于大脑植入的 TPU 上的神经网络边缘计算......
主要关键词
相关文件推荐
