用于全频谱神经信号分析的 0.99–4.38 μJ/次分类事件驱动混合神经网络处理器

基于摘要分析。研究面向脑机接口与闭环神经调控中多类型信号处理的功能覆盖与能效需求，提出事件驱动混合神经网络处理器，通过 ANN/SNN 协同支持、按事件切换计算模式及可重构计算单元降低处理开销。这里的混合神经网络指人工神经网络与脉冲神经网络的组合，而非生物神经网络。 核心机制包括三部分：ANN 用于 ExG 信号处理，SNN 用于神经尖峰信号处理；低能耗 BNN 持续进行事件检测，仅在检测到事件后切换至高精度 CNN 识别模式；利用 BNN、CNN 与 SNN 的计算相似性，以相同处理单元支持其关键运算。作者称该复用架构相较朴素实现能够减少面积并提升能效，但摘要未提供相应面积数值与完整对照条件。 作者报告，在采用 SNN 的 center-out reaching 任务中，Accuracy 为 90.05%，每次分类能耗为 4.38 μJ；在采用双神经网络事件驱动处理的 EEG 癫痫发作预测任务中，敏感度为 99.4%、特异度为 98.6%，每次分类能耗为 1.93 μJ。作者另报告，EEG 癫痫发作检测、ECG 心律失常检测与 EMG 手势识别的分类 Accuracy 分别为 99.92%、99.38% 和 86.39%，对应每次分类能耗分别为 1.73、0.99 和 1.31 μJ。预测与检测是不同任务，上述指标不能合并为统一的 BCI 性能结论。 该工作的直接贡献是多任务神经信号处理硬件及事件驱动计算机制，而非已经验证的通用 EEG 解码算法。数据集、被试数量、被试内或跨被试划分、训练方法、消融及统计信息尚未验证。复现与部署评估还需核对硬件工艺、时钟与精度配置、能耗测量边界，以及持续检测开销、事件触发频率、漏检风险和端到端延迟；摘要中的每次分类能耗本身不足以确定实际连续运行功耗。代码、硬件实现资料及可获得性亦尚未验证。