Оптимизация Neural Recording Power Optimation с помощью машинного обучения

arXiv: 251.20.22924v2 Annualce Type: заменить резюме: имплантаты нейронной записи являются важнейшим инструментом как для неврологических исследований, так и для новых клинических прикладных программ. Потребление энергии высококамерными имплантами доминирует в схемах, используемых для усиления и оцифровки нейронных сигналов. Поскольку проектировщики цепи приближают эффективность этих цепей к теоретическим физическим пределам, снижение мощности требует дальнейшей оптимизации уровня системы. В последнее время для экономии энергии используется стратегия, называемая выбором каналов, в которой отключаются менее важные каналы. Мы демонстрируем реконфигурацию резолюции, в которой разрешение менее важных каналов сокращается для экономии энергии. Наш подход определяет различную важность каждого канала внутри машинно-учебных декодаторов, и мы экспериментально используем эту методологию в трех областях: обнаружение припадков, распознавание жестов и регрессия силы. С линейными декодерами, изменение разрешения экономит 8.7x, 12,8x и 23