XiaoMi-AI文件搜索系统
World File Search System流水线
结合刺激与双模电荷平衡和时域流水线记录的 CMOS BD-BCI
基于皮层脑电图 (ECoG) 的双向脑机接口 (BD-BCI) 引起了越来越多的关注，因为：(1) 需要同时进行刺激和记录以恢复人类的感觉运动功能 [1] 和 (2) 良好的空间分辨率和信号保真度以及临床实用性。在刺激方面，这种 BD-BCI 可能需要 >10mA 的双相电流来引发人工感觉，以及 >20V 的电压顺应性以适应各种生物阻抗 [1]。两个刺激相之间的电荷不匹配会导致电压积累，从而造成电极腐蚀和组织损伤。现有的电荷平衡 (CB) 技术，例如电荷包注入 (CPI) [2] 和基于时间的电荷平衡 (TCB) [1]，会在脉冲间隔内产生 CB 电流，导致不必要的二次感觉和过度的刺激伪影 (SA)。对于记录，低输入参考噪声 (IRN) 是获取小神经信号 (NS) 所必需的，而大动态范围 (DR) 则是容纳大 SA 所必需的。现有的记录系统采用 SAR [1] 或连续时间 delta-sigma (CT-ΔΣ) [3] ADC（图 4）。前者由于 DAC 不匹配而具有有限的 DR，而后者则受到环路延迟内大幅度尖锐 SA 引起的失真的影响。尽管在 [4] 中，ΔΣ-ADC 的采样频率会自适应地变化以适应 SA，但所需的稳定时间很长。为了解决上述问题，本文提出了一种基于 ECoG 的 BD-BCI，其中包括：(1) 具有双模基于时间的电荷平衡 (DTCB) 的高压 (HV) 刺激系统和 (2) 高动态范围 (HDR) 时域流水线神经采集 (TPNA) 系统。图 1 描绘了所提出的 BD-BCI。刺激系统包括 4 个刺激器，每个刺激器包括一个 8 位分段电流控制 DAC 和一个 HV 输出驱动器，用于生成刺激脉冲。为了执行 CB，每个刺激器都采用具有 2 种模式的 DTCB 环路，即无伪影 (AL) TCB 和脉冲间有界 (IB) TCB 模式。3 阶 II 型 PLL 为基于时间的量化创建所需的时钟。记录系统有 4 个通道，每个通道都采用低增益模拟前端 (LG-AFE)、HDR 电压时间转换器 (VTC)、两步流水线 (TSP) TDC 和一个数字核心，其中操作模式由状态机控制。受 [1] 的启发，所提出的 DTCB 的工作原理如图 2 所示。AL-TCB 监测电极电压 V ESn -V CM （1≤n≤N；此处，N=4）并调整后续刺激脉冲的幅度而不产生额外的 SA，而当 |V ESn -V CM | 过大而需要立即去除电荷时，IB-TCB 在下一个刺激脉冲之前完成 CB。在第一个 T CC 开始时，如果 |V ESn - V CM |≤V TH,AL （V TH,AL 是标志着需要立即去除电荷的过电位阈值），则 AL-TCB 导通，并且 V ESn - V CM 在第一个 T CC 周期内由 VTC 和 TDC 数字化。然后将数字数据 D TDCn 馈送到通道间干扰消除 (ICIC) 模块，该模块可补偿由于多极刺激导致的通道间干扰 (ICI) 引入的电压误差。接下来，数字直流增益增强器 (DDGB) 有助于提高 CB 精度，而不会降低 AL-TCB 环路稳定性。为了执行 CB，AL-TCB 的电流（例如，I AL-Cn ）（其大小由 DDGB 输出 D ALn 控制）被添加到后续刺激电流中以调整其大小。相反，仅当 |V ESn -V CM |>V TH,AL 时，IB-TCB 才会开启并在一个 T IP 内的几个 T CC 中执行 CB，直到 |V ESn - V CM |
流水线式忆阻神经网络模数转换器
摘要——随着高速、高精度、低功耗混合信号系统的出现，对精确、快速、节能的模数转换器 (ADC) 和数模转换器 (DAC) 的需求日益增长。不幸的是，随着 CMOS 技术的缩小，现代 ADC 在速度、功率和精度之间进行权衡。最近，已经提出了四位 ADC/DAC 的忆阻神经形态架构。可以使用机器学习算法实时训练此类转换器，以突破速度-功率-精度权衡，同时优化不同应用的转换性能。然而，将此类架构扩展到四位以上具有挑战性。本文提出了一种基于四位转换器流水线的可扩展模块化神经网络 ADC 架构，保留了其在应用重新配置、失配自校准、噪声容忍和功率优化方面的固有优势，同时以延迟为代价接近更高的分辨率和吞吐量。 SPICE 评估表明，8 位流水线 ADC 可实现 0.18 LSB INL、0.20 LSB DNL、7.6 ENOB 和 0.97 fJ/conv FOM。这项工作朝着实现大规模神经形态数据转换器迈出了重要一步。