【導讀】據(jù)麥姆斯咨詢報道，近日，亞利桑那州立大學（Arizona State University）介紹了一種片上模擬-信息轉換技術，該技術利用基于儲層計算范式的模擬超維計算，在本地傳感器內處理心電圖（electrocardiograph，ECG）信號，并將射頻（RF）傳輸減少三個數(shù)量級以上。片上模擬-信息轉換器不是傳輸稀疏的ECG信號或提取的特征，而是通過一個附有人工神經網絡的非線性存儲內核來分析ECG信號，并傳輸預測結果。所開發(fā)的技術被證明可用于檢測敗血癥發(fā)作，并實現(xiàn)了超高的準確度和能效，同時使用65nm CMOS原型測試芯片將傳感器功耗降低了159倍。
射頻傳輸是無線傳感器功耗產生的主要因素，因此，本地傳感器內信號處理優(yōu)于連續(xù)射頻傳輸，尤其對于生物醫(yī)學傳感器。例如，低功率MedRadio傳輸器的功耗為67μW，明顯高于片上特征提取。雖然有幾種技術可以壓縮射頻傳輸，但壓縮比通常限制在<20倍。迄今為止，壓縮射頻傳輸?shù)姆椒ㄓ谢谙∈栊缘臄?shù)據(jù)壓縮算法、基于導數(shù)的自適應采樣、過電平采樣和自適應分辨率數(shù)字化。據(jù)報道，上述技術已將傳輸數(shù)據(jù)壓縮了2～16倍。與現(xiàn)有技術相比，研究人員提出將人工智能（artificial intelligence，AI）嵌入傳感器本身，以分析每個ECG片段，并僅傳輸預測分數(shù)，而不是ECG數(shù)據(jù)或提取的特征，以將射頻傳輸降低5000倍以上。
由于人工智能算法是計算密集型的，因此設計低能耗的傳感器內神經網絡具有挑戰(zhàn)性。在本項工作中，為了解決無線生物醫(yī)學傳感器中的能量瓶頸，研究人員提出了一種直接處理模擬ECG樣本的模擬信號處理神經網絡。這項工作的主要貢獻是設計和演示了一種片上模擬分類器，其由一個儲層計算機（reservoir-computer，RC）和一個三層人工神經網絡（artificial neural network，ANN）組成，用于處理模擬ECG片段。與數(shù)字基線（前端ADC和數(shù)字ANN）相比，能耗降低了13倍；與直接傳輸數(shù)字化ECG片段相比，傳感器總能耗降低了159倍。傳感器內處理AI電路主要用于CMOS圖像傳感器，通過執(zhí)行片上特征提取來減少需要傳輸?shù)絺鞲衅魍獾臄?shù)據(jù)量。據(jù)研究人員所知，這項工作提出了第一個用于模擬-信息轉換的傳感器內人工智能電路，以顯著降低可穿戴生理傳感器的傳輸能量，并延長此類無線傳感器的電池壽命。
傳統(tǒng)ECG傳感器與所提出的具有傳感器內RC+ANN人工智能模塊的ECG傳感器對比
與傳輸所有數(shù)字化數(shù)據(jù)和數(shù)字基線的傳統(tǒng)傳感器技術的能耗比較
在這項工作中，MIMIC–III數(shù)據(jù)集的ECG信號被用于證明通過傳感器內人工智能進行模擬-信息轉換技術的可行性。然而，在實際的家庭監(jiān)護應用中，所獲取的ECG信號可能包含偽影，在將ECG信號發(fā)送到RC+ANN組合之前，需要經過具有帶通濾波模擬前端（analog front-end，AFE）的處理。AFE將消耗額外的功率，這將降低這項技術相對于傳輸所有傳感器數(shù)據(jù)的傳統(tǒng)方法的能耗優(yōu)勢。因此，傳感器內人工智能技術將高能效的設計挑戰(zhàn)從傳輸轉移到了AFE。通過基于反相器的放大器設計和反相器堆疊可以潛在地提高AFE能源效率，以降低傳感器的總能耗。
本項工作在電路方面的限制是研究人員設計的電路比最先進的基于SRAM的人工智能電路的面積效率低。這種面積限制主要是由于使用開關電容電路作為矩陣乘法的構建塊，其面積效率低于SRAM單元。本設計中使用的金屬對金屬（metal-on-metal）電容器的面積密度（以fF/μmm2表示）沒有晶體管的面積密度大，因此SRAM電路相對于RC+ANN的面積效率優(yōu)勢可能會隨著CMOS技術的擴展而增大。由于輸入層和存儲層中的計算可能是非線性的，所以提高RC+ANN的面積效率的潛在解決方案是在輸入層和存儲層中采用SRAM陣列進行矩陣乘法，并且僅在需要更高線性度的情況下使用開關電容電路進行基于ANN的讀出。
用于分析ECG信號的儲層計算機的電路示意圖
論文信息：
https://www.nature.com/articles/s41598-022-23100-4
來源：MEMS
免責聲明：本文為轉載文章，轉載此文目的在于傳遞更多信息，版權歸原作者所有。本文所用視頻、圖片、文字如涉及作品版權問題，請聯(lián)系小編進行處理。
推薦閱讀：
