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

基于摘要分析。研究面向 BCI 与闭环神经调控中多类信号处理的通用性和能效需求，提出一种事件驱动混合神经网络处理器。主要贡献是将 ANN/SNN 支持、低功耗事件检测和可重构计算架构结合，而非单独提出一种 EEG 分类算法。 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；BNN 持续执行事件检测，仅在检测到事件后切换至高精度 CNN 识别模式；利用不同网络运算的相似性，由相同处理单元支持 BNN、CNN 与 SNN 的关键操作。作者称该共享架构相较朴素实现可减少面积并提高能效，但摘要未提供对应量化对照。 作者报告：在采用 SNN 的 center-out reaching 任务中，Accuracy 为 90.05%，能耗为 4.38 μJ/class；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，Sensitivity 为 99.4%、Specificity 为 98.6%，能耗为 1.93 μJ/class。此外，EEG 癫痫发作检测、ECG 心律失常检测和 EMG 手势识别的分类 Accuracy 分别为 99.92%、99.38% 和 86.39%，对应能耗分别为 1.73、0.99 和 1.31 μJ/class。上述数值属于不同任务，不能直接比较；摘要未说明数据集、被试数、被试内或跨被试划分及能耗统计边界。 技术核对重点是事件检测漏检对后续识别的影响、检测与识别模式切换的时延，以及共享计算单元的资源开销。癫痫发作预测还需核对预测时间窗、评价单位及误报统计，不能将其与发作检测结果混用。复现需要确认硬件实现与工艺、网络训练和量化配置、事件触发规则，以及 μJ/class 是否覆盖持续检测和外围数据处理。实验协议、消融及统计信息尚未验证，代码与硬件设计的可获取性亦尚未验证。