跳到正文

算法、任务与模态

Low-latency 最新动态

Low-latency 研究索引；按可核对的标签归档，不以热度评价质量。

103 条精选近 30 天 37 条共收录 132 条

更新

精选归档 · 第 6 页

10月1日周一第 101–103 条
  1. OpenReview · State space models82

    一种含片上 LMS 自适应、支持 200 mVpp 差模刺激伪迹抵消的 2.7 μW 神经调控模拟前端

    基于摘要分析。该研究针对神经调控中刺激伪迹干扰同步记录的问题，提出采用 65-nm CMOS 工艺的神经调控 SoC，通过模拟前端与数字后端的两级自适应抵消，支持同时记录与刺激；主要贡献属于低功耗电路及伪迹抵消实现，而非通用状态空间模型方法。 核心机制是在低噪声放大器（LNA）输入端，利用一阶 ΔΣ 调制的开关电容 DAC 注入抵消电荷，以降低刺激伪迹对前端的影响。片上 LMS 引擎自适应调整集成 FIR 滤波器的抽头系数，用于重构伪迹信号；数字后端再通过另一组 FIR/LMS 滤波器进一步抵消残余伪迹。摘要未给出滤波器阶数、适应步长、参考信号来源及收敛条件，这些实现细节尚未验证。 作者报告，该抵消器可处理最高 200 mVpp 的差模刺激伪迹，噪声代价为 10%，有效动态范围达到 77 dB；包含抵消器的模拟前端（AFE）每通道功耗为 2.7 μW、面积为 0.18 mm²。上述数值对应摘要描述的电路实现，具体测量条件、噪声定义、刺激波形、负载与对照基线尚未验证，不能据此推定体内记录性能或不同记录模态下的效果。 复现与应用评估需核对抵消电荷范围、前端饱和与恢复行为、LMS 对伪迹变化的跟踪能力，以及抵消过程是否影响目标神经信号。摘要未明确记录模态、被试或动物实验情况，也未提供完整实验协议、消融及统计信息；因此不能将这些电路指标直接解释为已验证的 EEG 或 BCI 性能提升。

    阅读价值：值得阅读的具体原因是其将刺激伪迹的模拟前端电荷抵消与片上 LMS 自适应结合，作者报告了同步记录与刺激条件下的伪迹处理能力及每通道功耗，但对具体神经记录场景的适用性尚需全文验证。

1月1日周一
  1. OpenReview · EEG84

    面向资源受限生物医学应用的高能效分类

    基于摘要分析。研究针对医疗设备中分类器受功耗、面积和延迟约束的问题，提出梯度提升树的高效硬件架构，并以 iEEG 自动癫痫发作检测验证。核心贡献是通过异步树运行和顺序特征提取降低实现成本，而非提出通用 EEG 解码模型。 技术机制：架构引入 asynchronous tree operation（异步树运行）与 sequential feature extraction（顺序特征提取），并支持按患者配置不同的树数量，以权衡预测性能与能耗。摘要未给出特征定义、树训练配置、异步调度细节及特征提取的具体执行方式，尚不能据此判断各模块对节能的独立贡献。 评估结果：作者报告，在来自 26 名患者、包含 393 次癫痫发作的 3074 小时 iEEG 数据上，训练/测试集采用随机划分和分块划分时，平均 F1 分别为 99.23% 和 87.86%，平均检测延迟为 1.1 秒。两种划分的结果应分别解读，不能视为相同协议下的性能；摘要未明确被试内或跨被试设置、分块单位、划分比例及延迟统计口径。 硬件结果：作者报告，分类器采用 65-nm TSMC 工艺制造，能耗为 41.2 nJ/class，总面积为 540 × 1850 μm²，并相对其所比较的当时先进设计将能量—面积—延迟乘积降低 27 倍。该比较的基线、测量条件，以及能耗是否包含全部特征提取开销，仍需核对全文。 阅读与复现重点是确认数据划分、患者特定模型的训练和树数量选择、事件检测判定方式，以及硬件能耗统计边界。实验协议、消融及统计信息尚未验证。该研究直接支持的是患者特定癫痫检测的低功耗实现；不能据此认定其对其他 BCI 任务或跨患者泛化同样有效。

    阅读价值：值得阅读其异步树运行与顺序特征提取的低功耗硬件设计，以及随机划分和分块划分下 F1 的差异；具体划分方式与硬件对照条件仍需全文核对。

  2. OpenReview · EEG72

    NFBLab：用于神经反馈与 BCI 研究的多用途软件

    基于摘要分析。NFBLab 面向神经反馈（NFB）与 BCI 实验，旨在提供可复现的实验范式和低延迟反馈，支持研究被试对自身脑活动的自主调节。作者开发了基于 Python 的开源软件，将实验协议配置、个体化信号处理和反馈呈现整合在同一工具中；这是一项研究软件工作，而非神经反馈临床疗效验证。 实验组织方面，用户可通过 GUI 配置复杂协议，并保存为内部基于 XML 的描述语言，记录信号处理流程、实验区块及其顺序，包括区块随机化。这为保存和重用实验配置提供了机制，但配置可复用不等同于跨被试或跨训练日效果已获验证。 信号处理方面，NFBLab 提供交互式模块，使用空间与时间滤波进行个体化 EEG/MEG 特征选择和伪迹去除。软件可直接对接 MNE-Python，结合个体头模型及适配的个体逆解器开展源空间 NFB。除常规 EEG/MEG 脑节律动态提取算法外，作者报告还实现了若干自行开发的信号处理算法，可显著降低反馈呈现延迟；摘要未给出算法细节、延迟数值、测量条件或对照基线，因此改善幅度尚未验证。作者将更好的训练效果表述为潜在可能，而非已证实结果。 设备接入方面，软件通过 Lab Streaming Layer 连接外部采集设备，通过 Fieldtrip buffer 接入 MEG，并支持若干标准 BCI 范式，但摘要未明确具体范式。复现与选型时需核对软件版本及依赖、设备兼容性、协议配置示例、滤波与源定位参数，以及采集至反馈呈现的端到端延迟测量方式。实验协议、消融及统计信息尚未验证；材料未提供可核对的训练效果或临床获益数据。

    阅读价值：NFBLab 将可保存的实验协议、个体化 EEG/MEG 信号处理与低延迟反馈整合为开源工具，值得核对其协议复现能力及端到端延迟表现，但摘要尚未验证训练效果改善。