TW202408174A - 用於有效以特徵為中心之類比至尖峰編碼器之系統和方法 - Google Patents
用於有效以特徵為中心之類比至尖峰編碼器之系統和方法 Download PDFInfo
- Publication number
- TW202408174A TW202408174A TW112127820A TW112127820A TW202408174A TW 202408174 A TW202408174 A TW 202408174A TW 112127820 A TW112127820 A TW 112127820A TW 112127820 A TW112127820 A TW 112127820A TW 202408174 A TW202408174 A TW 202408174A
- Authority
- TW
- Taiwan
- Prior art keywords
- signal
- analog
- phase
- converter
- circuit
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 53
- 238000012545 processing Methods 0.000 claims abstract description 77
- 238000012421 spiking Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000000605 extraction Methods 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 25
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 13
- 230000001052 transient effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 6
- 239000004744 fabric Substances 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 description 32
- 238000004458 analytical method Methods 0.000 description 17
- 230000002123 temporal effect Effects 0.000 description 14
- 238000006243 chemical reaction Methods 0.000 description 12
- 230000003111 delayed effect Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 239000006185 dispersion Substances 0.000 description 9
- 238000009826 distribution Methods 0.000 description 9
- 238000010304 firing Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 8
- 230000004044 response Effects 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000036982 action potential Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000010355 oscillation Effects 0.000 description 3
- 210000000225 synapse Anatomy 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- AZFKQCNGMSSWDS-UHFFFAOYSA-N MCPA-thioethyl Chemical compound CCSC(=O)COC1=CC=C(Cl)C=C1C AZFKQCNGMSSWDS-UHFFFAOYSA-N 0.000 description 1
- 229920000954 Polyglycolide Polymers 0.000 description 1
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000000653 nervous system Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 235000010409 propane-1,2-diol alginate Nutrition 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001020 rhythmical effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000000392 somatic effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000000946 synaptic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/12—Analogue/digital converters
- H03M1/50—Analogue/digital converters with intermediate conversion to time interval
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M1/00—Analogue/digital conversion; Digital/analogue conversion
- H03M1/12—Analogue/digital converters
- H03M1/60—Analogue/digital converters with intermediate conversion to frequency of pulses
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Neurology (AREA)
- Analogue/Digital Conversion (AREA)
Abstract
本發明揭示一種用於一尖峰神經網路之信號處理電路,其包括用於將一類比輸入信號轉換為該類比輸入信號之一對應尖峰時間表示之一介面。該介面包括一類比轉資訊(A/資訊)轉換器,該類比轉資訊(A/資訊)轉換器包括用於接收該類比輸入信號之一輸入且經組態以產生表示該類比輸入信號之一或多個特徵之一經調變信號。第二,該介面包括一特徵偵測器電路,該特徵偵測器電路包括用於接收該經調變信號之一輸入且經組態以比較該經調變信號與表示一參考特徵之一參考信號,且經組態以產生指示該經調變信號與該參考信號之間之一差異之一錯誤信號。此外,該介面包括一特徵提取器電路,該特徵提取器電路包括具有用於接收該錯誤信號之一輸入之一鎖定迴路電路且經組態以產生表示由該經調變信號表示之該等特徵之一或多者之一發生之一輸出信號。又,該介面包括一編碼器電路,該編碼器電路具有用於接收該特徵提取器之該輸出信號之一輸入且經組態以將該輸出信號編碼成用於輸入至該尖峰神經網路之尖峰序列。
Description
本發明大體上係關於自動信號辨識技術,且更特定言之係關於用於能量有效以特徵為中心之類比至尖峰編碼器之系統和方法,尤其用於尖峰神經網路之以特徵為中心之類比至尖峰編碼器。
取樣係將一信號(例如,連續時間或空間之一函數)轉換為一序列值(離散時間或空間之一函數)之一程序。一取樣速率係在信號之一秒內獲得之樣本之平均數目。
若一特定表示域中之非零值之數目遠小於總信號長度,則可將一離散信號視為在該域中稀疏。真實世界信號之情況中之一常見情境係相較於其他分量之數目,有效係數之數目係小的。此等係數可被忽略或設定為零。換言之,可使用少量非零元素有效地表示一稀疏信號。
相較於一非稀疏信號,可使用一更低取樣速率準確地表示一稀疏信號。奈奎斯-香農(Nyquist-Shannon)定理陳述,一非稀疏信號之取樣速率應係最高頻率分量之至少兩倍,而針對一稀疏信號,歸因於數個係數中之集中能量,取樣速率可顯著更低。
在許多(自然)信號及感測器應用(例如,視覺、聲學、環境、醫療監測系統)中,歸因於來自雜訊、干擾信號或電路損害之損壞,信號不一定係稀疏的,且因此,標準亞奈奎斯取樣技術可能不適用。亞奈奎斯取樣技術(亦稱為壓縮感測或壓縮取樣)係用於以顯著低於奈奎斯-香農定理規定之取樣速率之取樣速率擷取且重建信號之方法。
另外,在此等應用(諸如語音辨識應用、手勢偵測系統、心率監測器等)之許多者中,原始信號之整個資訊內容或其完整重建通常非所關注。因此,處理功率及資料速率浪費在非所關注資訊之處理上。
信號調節、量化及無線通信之功率成本全部與資料速率成比例。若一人想要設計具有超低功率要求之一系統,則需要用於類比/數位系統分區之一新方法,其目標係功率消耗之顯著整體降低。
本發明之發明者辨識原始信號之整個資訊內容,其完全重建通常非所關注,但針對型樣辨識及信號分類應用,通常僅需要自信號之波形提取之資訊之一特定子集,稱為特徵。波形之特徵之一些實例係在一時間段內之最大信號位準、零交叉之數目等等。此等特徵可提供關於其他特徵(諸如信號之頻率內容、相位或時序特性)之資訊。
本發明之目的係在執行調變匹配之信號特徵編碼及分類之前透過憑藉脈衝調變及以特徵為中心之適應性濾波器/鎖定迴路/同步技術提取嵌入類比波形中之特徵之一特定集而以其相關資訊/特徵速率對信號取樣。此容許信號處理僅專注於特徵載送資訊且在信號處理路徑中儘可能早地摒棄不相關資訊,同時濾除/抑制其他不相關資訊或使干擾項失真。藉由在信號處理路徑中早地摒棄不相關資訊,整體系統能量效率顯著改良。此暗示更智慧類比信號處理(即,類比分析)強調相關特徵且透過一特徵保持變換降低波形之維度,其意圖係對特徵分類而非重建原始波形。
為了達成此,根據一第一態樣,本發明揭示一種用於一尖峰神經網路之信號處理電路,其包括用於將一類比輸入信號轉換為該類比輸入信號之一對應尖峰時間表示之一介面。該介面可包括一類比轉資訊(A/資訊)轉換器,該類比轉資訊(A/資訊)轉換器包括用於接收該類比輸入信號之一輸入且可經組態以產生表示該類比輸入信號之一或多個特徵之一經調變信號。第二,該介面可包括一特徵偵測器電路,該特徵偵測器電路可包括用於接收該經調變信號之一輸入且可經組態以比較該經調變信號與表示一參考特徵之一參考信號,且經組態以產生指示該經調變信號與該參考信號之間之一差異之一錯誤信號。此外,該介面可包括一特徵提取器電路,該特徵提取器電路包括具有用於接收該錯誤信號之一輸入之一鎖定迴路電路且可經組態以產生表示由該經調變信號表示之該等特徵之一或多者之一發生之一輸出信號。又,該介面可包括一編碼器電路,該編碼器電路可具有用於接收該特徵提取器之該輸出信號之一輸入且經組態以將該輸出信號編碼成用於輸入至該尖峰神經網路之尖峰序列。
根據第一態樣之一實施例,該信號處理電路可進一步包括預處理該類比輸入信號之一預處理電路,較佳地其中該預處理電路包括一低雜訊前置放大器、一帶通濾波器及/或一可程式化增益(後置)放大器。
根據第一態樣之一實施例,該類比輸入信號可呈電壓表示且可用作至該A/資訊轉換器之控制電壓輸入,因此判定該類比輸入信號之調變。
根據第一態樣之一實施例,該特徵可係以下之一或多者:i)特定特性,諸如暫態特徵、穩態特徵,ii)特定性質,諸如(非)線性度特徵、統計特徵、固定特徵、轉移函數特徵、能量內容及/或基於iii)特定域特徵,諸如時間、延遲、頻率、相位域特徵,較佳地其中該A/資訊轉換器包括將該類比輸入信號轉變為表示諸如延遲、頻率及/或相位之某些時域特徵之一經調變信號之一類比轉時間轉換器。
根據第一態樣之一實施例,該A/資訊轉換器可形成一類比轉延遲(A/延遲)轉換器、一類比轉頻率(A/頻率)轉換器及/或一類比轉相位(A/相位)轉換器。
根據第一態樣之一實施例,該A/資訊轉換器可包括執行該類比輸入信號至該經調變信號之該調變之至少一部分之一壓控延遲線、一壓控振盪器及/或一多相位壓控振盪器。
根據第一態樣之一實施例,該A/延遲轉換器可包括該壓控延遲線,該A/頻率轉換器可包括該壓控振盪器且該A/相位轉換器可包括該多相位壓控振盪器。
根據第一態樣之一實施例,該特徵提取器電路之該輸出信號可被回饋至該特徵偵測器電路以便形成一負回饋迴路。
根據第一態樣之一實施例,該特徵提取器電路可包括由該錯誤信號驅動並產生該特徵提取器電路之該輸出信號且係該鎖定迴路之部分之一壓控振盪器。
根據第一態樣之一實施例,該鎖定迴路可係一延遲鎖定迴路、一頻率鎖定迴路或一鎖相迴路。
根據第一態樣之一實施例,該特徵提取器電路可進一步包括一濾波器,較佳地一適應性濾波器,該濾波器在該錯誤信號之部分不在該鎖定迴路之鎖定範圍中之情況下停止該部分,但使在該鎖定迴路之該鎖定範圍中之該錯誤信號之部分通過。
根據第一態樣之一實施例,該編碼器電路可使用基於速率或基於時間尖峰之編碼作為編碼方案。
根據第一態樣之一實施例,該特徵提取器電路可係一組平行特徵提取提電路之一部分,且其中該信號處理電路進一步包括一頻道選擇器單元,該頻道選擇器單元可係適應性的,使得在任何給定時刻在特定操作條件下最有益之特徵之一子集被提取,使得可適應性地選擇對應於所關注特徵之該子集之該一或多個特徵提取器電路,且藉由該等平行特徵提取器電路自來自該A/資訊轉換器之該信號提取關於該等特徵之資訊。
根據第一態樣之一實施例,藉由該特徵提取器電路執行之特徵提取可透過該等特定電路參數及/或系統控制參數組態,較佳地該等可組態參數包含增益、線性度、頻寬、前饋及回饋、粗糙/精細可選擇性、ATC控制、回饋控制、校準、時序、延遲、取樣/子取樣模式選擇之一或多者。
根據第一態樣之一實施例,在運行時間,一應用/背景內容/條件偵測區塊可判定當前操作背景內容且自該當前操作背景內容判定待提取之最佳類比特徵集,較佳地其中,一回饋迴路在功率或效能約束內動態地調諧該特徵提取器電路之規格且其中一運行時間組態管理器隨後藉由啟動該相關特徵偵測器電路而僅啟動且組態該相關特徵集。
根據第一態樣之一實施例,該類比輸入信號可包括具有一正及負電壓輸入之一類比差分電壓信號。
根據第一態樣之一實施例,該信號處理電路可包括各用於表示該類比輸入信號之一特定一或多個特徵之一經調變信號之多個特徵信號路徑,其中至少一個特徵信號路徑包括較佳藉由一尖峰神經網路驅動之一可程式化組構,該可程式化組構基於該可程式化組構之輸出向至少一個其他特徵信號路徑提供控制回饋。
根據第一態樣之一實施例,該信號處理電路可進一步包括將該經調變信號或該錯誤信號轉換為一數位信號之一轉換器單元。
根據本發明之一第二態樣,揭示一種用於將一類比輸入信號轉換為用於一尖峰神經網路之該類比輸入信號之一對應尖峰時間表示之信號處理方法。該方法包括:接收該類比輸入信號;產生表示該類比輸入信號之一或多個特徵之一經調變信號;比較該經調變信號與表示一參考特徵之一參考信號,從而產生指示該經調變信號與該參考信號之間之一差異之一錯誤信號;產生表示由該經調變信號表示之該等特徵之一或多者之一發生之一輸出信號;及將該輸出信號編碼成用於輸入至該尖峰神經網路之尖峰序列。
根據第二態樣之一實施例,該特徵可係以下之一或多者:i)特定特性,諸如暫態特徵、穩態特徵,ii)特定性質,諸如(非)線性度特徵、統計特徵、固定特徵、轉移函數特徵、能量內容及/或基於iii)特定域特徵,諸如時間、延遲、頻率、相位域特徵,較佳地其中該經調變信號表示諸如延遲、頻率及/或相位之某些時域特徵。
在下文中,將進一步詳細描述某些實施例。然而,應瞭解,不應將此等實施例解釋為限制本發明之保護範疇。
圖1展示用於實施此項技術中已知之一典型信號處理路徑之一習知電路10。一信號處理路徑可在一多頻道感測系統中形成一頻道。頻道之最大數目可受感測系統之雜訊、區域、頻寬、功率及/或可擴縮性及可擴展性約束。
在不損失一般性之情況下,在習知電路中,由感測元件獲取之資料使用一前端介面10A中之類比電路調節。各信號處理路徑可包括例如一低雜訊前置放大器(LNA) 2A、一帶通濾波器3、一可程式化增益(後置)放大器(PGA) 2B、一A/D轉換器(ADC) 4及/或一串列介面5。
低雜訊前置放大器2A通常係信號處理路徑中之第一元件。其主要目的係放大弱輸入信號同時引入最小額外雜訊。LNA之重要性在於其增強輸入信號之信雜比(SNR)以確保信號處理鏈之後續級接收一足夠強且乾淨的信號以供進一步處理之能力。
帶通濾波器3容許一特定頻率範圍(稱為通帶)通過,同時衰減此範圍之外之頻率。帶通濾波器之重要性係消除所要頻率範圍之外之非所欲雜訊或干擾。其有助於隔離所關注信號,增強其品質,且藉由減少帶外雜訊或信號之量而改良整體SNR。
可程式化增益放大器2B (亦稱為一後置放大器)負責在已對信號濾波之後調整信號之增益。其容許經濾波信號放大至用於後續處理級或用於使信號與後續組件之動態範圍匹配之一適當位準。PGA之重要性係提供對於信號增益之控制,適應不同輸入信號強度或針對不同處理要求調整。
類比轉數位轉換器(A/D轉換器) 4將連續類比信號變換為一離散數位表示。其以一指定速率對類比信號取樣且將經取樣值量化為數位碼。A/D轉換器之重要性在於將連續時間信號轉換為適用於數位處理、儲存及傳輸之一數位格式。其實現對經擷取資料應用各種數位信號處理技術。
串列介面5負責將數位化信號傳輸至其他裝置或系統。其促進信號處理路徑與其他組件或系統(例如,一後端信號處理單元)之間之通信。
A/D轉換器4可由(後置)放大器透過時間多工而共用。替代地,為了降低對於放大器之驅動能力之需求且放寬功率、雜訊及串擾要求,PGA及A/D轉換器可經組合且嵌入每一記錄頻道中。因此,同時實施信號擷取及放大以及資料轉換兩者。
A/D轉換器輸出可例如經由串列介面饋入至一後端信號處理單元10B。後端信號處理單元10B可使用可例如使用一臨限值之一特徵偵測器單元6及/或例如使用TTL之提取單元7提供特徵偵測,且可另外或替代地使用一分類單元8 (例如,一尖峰神經網路)執行信號分類。提取單元7及分類單元8可各需要訓練7A、8A。
外部影響在其中準確表示需要大量感測(子)元件之系統中提出顯著挑戰。外部影響亦對特定(經感測)活動、偵測或存在之空間上廣泛分析提出一挑戰。外部影響可例如歸因於鄰近感測/記錄元件/電路之背景活動、感測/記錄元件位置中之輕微擾動、外部電干擾及/或外部機械干擾。
因此,本發明之發明者認知,自雜訊區分或提取相關信號資訊之能力取決於自各源獲取之無雜訊資料之間之差異及記錄系統中之信雜比位準(SNR)兩者。
為了偵測相關信號資訊/特性/特徵集或資料轉變之時間發生,取決於SNR,一人可使用例如關於信號中之雜訊振幅之一估計之電壓定限,或一人可使用一更先進技術(諸如連續小波變換),或使用基於能量內容之技術(諸如檢查一切片窗內部之波形之能量內容)。
電壓定限係用於基於其等振幅或電壓位準分類或識別一電壓波形中之特定事件或特徵之一信號處理技術。設定一臨限值(例如,信號中之雜訊振幅之估計)以在高於及低於一特定電壓位準之信號分量之間進行區分。比較電壓波形與此臨限值,且越過或超過臨限值之波形之任何部分被視為已滿足偵測準則。基於信號之特性或所關注特定特徵判定臨限值。此臨限值可係一固定值或基於信號之性質或雜訊位準動態地調整。比較電壓波形與臨限值且在波形中之各樣本點處,若電壓振幅例如高於臨限值,則其被視為一正偵測,從而指示所要事件或特徵之存在。一旦透過定限處理電壓波形,經識別事件或特徵便可被標記、提取或用於進一步分析。
連續小波變換(CWT)係用於在時間-頻率域中分析信號及資料之一數學技術。CWT將一信號分解為被稱為小波之一小波函數集。一小波係一種波狀振盪,其具有在零處開始,增加或減少,且接著一或多次返回至零之一振幅。可比較小波與一短暫振盪。若信號之一部分係類似的,則一小波與一信號相關。一母小波用於產生與信號進行卷積之不同小波(且因此判定與該特定小波之信號之相關性)。藉由變化比例及平移參數,可調整母小波以產生一特定小波以便分析信號之不同特徵。接著,小波轉變將信號分解為一小波係數集,從而擷取其時變頻率內容。因此,CWT提供信號之一時間-頻率表示,其中CWT係數之量值表示對應頻率分量在一特定時間之強度。藉由分析CWT係數,可提取各種信號性質,諸如主導頻率、事件之時間定位及頻率內容隨著時間之改變。
一切片窗(亦稱為一滑動窗或分析窗)係在信號處理及資料分析中使用以分析較小重疊片段中之一信號或資料序列之一技術。其涉及將信號或資料劃分為具有固定長度之連續且部分重疊之窗。窗通常由判定所分析片段之大小之其長度或持續時間定義。步長或重疊判定窗在連續片段之間移位多少。一較大窗擷取較多資訊但提供較低時間解析度,而一較小窗提供較高時間解析度但擷取較少情境資訊。藉由分析一切片窗內之能量內容,一人可識別且偵測一信號中之特定事件或特徵。例如,一切片窗可用於擷取信號之波形之短片段,且可評估各窗內之能量內容。若能量超過一特定臨限值,則其指示一事件之存在。切片窗內之能量內容可用於自信號提取相關特徵。藉由計算統計量測(諸如能量之均值、變異數或較高階矩),一人可特性化信號之不同態樣。
在不損失一般性之情況下,特徵提取(經執行以簡化/最佳化分類程序之步驟)可係基於輸入信號之明顯細節:i)特定特性,例如,暫態特徵、穩態特徵,ii)特定性質,例如,(非)線性度特徵、統計特徵、固定特徵、轉移函數特徵、能量內容及/或基於iii)特定域特徵,例如,時間、延遲、頻率、相位域特徵。完整程序包含若干步驟,即,i)預處理(例如包含信號偵測、能量正規化及去雜訊),ii)特徵域分析,iii)子範圍選擇,從而指定適配所關注特徵之不同子集之不同變量/參數之一範圍之一選擇,iv)最終特徵運算,及v)分類。
暫態特徵係在一信號或系統之初始或轉變週期期間發生之暫時或短持續時間現象。其等表示信號中之突然改變或擾動。因此,暫態特徵通常展現諸如迅速改變、高頻率分量及短持續時間之特性。其等通常含有豐富的頻譜內容且具有相異時間輪廓。暫態特徵之分析可需要例如高時間解析度及追蹤信號中之迅速改變之能力。諸如時域分析、波形分析或高解析度時間-頻率分析(諸如上文介紹之連續小波變換)之技術普遍用於暫態特徵提取。另一方面,穩態特徵表示在初始暫態週期已過去之後一信號或系統之長期或固定行為。其等對應於當系統已達到一穩態時在一延長持續時間內持續存在之穩定或反復出現的部分。穩態特徵展現諸如相對恆定振幅、穩定頻譜分量及規則時間型樣之特性。分析穩態特徵通常涉及檢查諸如平均振幅、頻率內容、統計量測、諧波結構或週期性之性質。可使用諸如傅立葉(Fourier)分析、功率譜密度估計或統計分析之技術以分析穩態特徵。
基於特定性質分析一信號涉及應用特定技術或方法以提取各特徵之相關資訊。
例如,針對(非)線性度特徵,一人可執行相位空間重建(以便判定信號之基礎動態,其可揭示非線性行為且提供對於系統複雜性之深刻理解),或一人可判定李亞普若夫(Lyapunov)指數(其等量化信號中之混沌程度或可預測性;較高指數指示混沌或非線性行為)。
針對統計特徵,例如,一人可計算統計量測(諸如均值、變異數、偏斜度及峰度)以特性化信號之分佈及中心趨勢。此外,例如,一人可計算自動相關函數以分析信號中之時間相依性或重複型樣。
針對固定特徵,一人可例如應用傅立葉變換技術或頻譜分析技術以檢查信號之頻率內容及功率譜。此有助於識別主導頻率及頻譜特性。此外,一人可執行小波分析(諸如連續小波變換(CWT)或離散小波變換(DWT))以分析信號之時間-頻率性質且識別經定位特徵。
針對能量內容,例如,一人可計算特定頻帶或時間窗內之信號之能量或功率以識別主導頻率分量或評估信號之功率分佈。另一選項可係應用短時傅立葉變換以獲得信號之一時間-頻率表示且分析隨著時間之能量分佈及頻率。另一選項可係藉由使用如同希爾伯特(Hilbert)變換或振幅調變分析之技術提取信號之包絡,且隨後分析信號之包絡之能量變動。
基於特定域特徵(諸如時間、頻率或相位)分析一信號可涉及應用域特定技術以提取相關資訊。
針對一時域分析,一人可計算統計量測(例如信號之均值、變異數及較高階矩)以特性化其振幅分佈及可變性。此外,一人可應用諸如自動相關之技術以識別信號中之重複型樣或週期性分量。
針對一頻域分析,一人可應用例如傅立葉變換或快速傅立葉變換(FFT)技術以將信號自時域轉換至頻域。此產生信號之頻譜,一人可自該頻譜分析其頻率分量之量值及相位。可判定功率譜密度,此可提供對於功率跨自其建立信號之不同頻率之功率之分佈之深刻理解。一短時傅立葉變換(STFT)可用於判定信號之時變頻率內容。
針對一相位域分析,一人可透過諸如希爾伯特變換或相位解纏繞之技術之應用而提取信號之相位分量。此可揭示不同頻率分量或振盪之間之相位關係。可量測諸如鎖相值(PLV)之相位相干性之一量測以評估不同振盪分量之間之同步或耦合之程度。
一人可一起比較時域波形、頻譜及相位關係以獲得信號之特性之一更全面理解。例如,一人可使用時域分析以偵測信號中之暫態事件或突然改變,且接著檢查其等頻率及相位特性。此外,一人可調查時間-頻率動態以分析信號之頻率內容如何隨著時間改變。
使用技術之一組合以獲得信號之一全面分析可係有價值的。
基於此等(經提取)特徵,可藉由K均值、預期最大化(EM)、模板匹配、貝氏(Bayesian)叢集及人工神經網路(ANN)或尖峰神經網路(SNN)將相關資料分類為m維叢集,其中各叢集對應於一單一感測元件/信號頻道之活動。
因此,分類程序之結果係m維叢集之形成。叢集表示具有類似特徵型樣或特性之資料點之群組。特徵之提取涉及將原始資料變換為擷取相關資訊之有意義特徵之一精簡集。基於此等經提取特徵之類似性或近接性形成叢集。同一叢集內之資料點在其等特徵表示方面比不同叢集中之資料點更相似。一特定叢集之維度「m」係指用於描述該叢集內之資料點之特徵或變量之數目。各叢集表示一單一感測元件或信號頻道之活動或行為。換言之,各叢集內之資料點基於經提取特徵彼此類似,從而指示其等屬於相同感測元件或信號頻道。
非監督式學習演算法k均值叢集基於類似性將資料點分組為叢集。「k」表示叢集之所要數目。
EM係尤其在存在隱藏或潛伏變量之情況下普遍用於叢集及分類之一統計演算法。其反覆地估計一統計模型之參數以將資料點指派至適當叢集。
模板匹配係其中比較一預定義模板或型樣與資料之一技術,且類似性量測用於識別匹配或對應性。其通常用於型樣辨識及信號匹配。
貝氏叢集將貝氏推斷原理應用至叢集資料點。其併入先前知識且更新概率以判定資料之最可能叢集。
一人工神經網路係由組織在一或多個層中之經互連人工神經元構成之一信號處理系統。各人工神經元接收輸入信號,將其等與特定權重組合且應用一啟動函數以產生一輸出。被稱為突觸且具有可調整權重之神經元之間之連接容許資訊透過網路傳播,從而使網路能夠學習且基於輸入資料做出預測或決策。ANN不固有地考量事件之時序或資訊之時間動態。其等主要關注輸入之量值及其等透過網路之傳播。
尖峰神經網路(SNN)係其設計受生物神經網路啟發之信號處理系統。以跨神經元及突觸之一網路分佈之尖峰信號之型樣編碼資訊,如在本申請者申請之WO2022/090542A1中描述。藉由模仿在生物大腦中發生之程序,尖峰神經網路可執行通常由人腦執行之信號處理任務。實例包含基於來自多個感測器之輸入之影像辨識、聲音辨識及事件偵測。
在不損失一般性之情況下,本發明將特徵處理/分類實施為一基於神經形態事件之神經網路。時間連續SNN架構提供藉由明確匹配自主適應性行為之基礎運算原理而最小化即時行為系統中之大小及功率消耗之平台。在時間連續尖峰架構中,狀態變量隨著時間自然地演進,從而不需要具有時脈及額外電路來管理時間之表示;電路由輸入資料直接驅動,即,突觸接收輸入尖峰,且神經元以傳入資料之速率產生輸出尖峰。因此,在其中信號在空間及時間上具有稀疏活動之應用之情況中,大多數神經元在任一時間皆將係沉默的,因此,將系統功率消耗帶至最小。本質上,此等(時間感知尖峰)神經網路實施方案採用一混合類比-數位信號表示,即,脈衝/尖峰之序列在事件之時序中傳輸類比資訊,其等在神經元之樹突(輸入)中轉換回類比信號。
在神經系統中,存在大量資訊編碼方案,其等被專門用於有效地表示源自不同感官之特定資料形式(例如,視覺、聲學、軀體)。針對神經運算,此等編碼方案被區分為兩種廣泛定義之競爭方法,即,基於速率及基於時間尖峰之編碼。在基於速率之編碼中,資訊表示及運算非基於個別尖峰而係基於尖峰發射速率,即,資訊被嵌入一單一神經元或神經元群組之尖峰產生之瞬時或或平均化速率中,且因此,方案可被細分為計數、密度及群體速率編碼。計數編碼可強調尖峰之絕對數目,密度編碼可藉由考量其中獲取技術之時間窗而正規化計數,且群體速率編碼可考量一神經元群組之平均發射速率。
在設計一即時神經形態系統時,應自不同視角評估特定編碼方案之最終選取,即,演算法位準、訓練程序及硬體實施視角以及在一廣泛範疇內(例如,在分類準確度、處理延時、能量消耗、突觸操作之數目、硬體成本、網路壓縮效率、雜訊恢復力及錯誤容限方面)評估之其等影響及效能指示符及參數。
針對經提出特徵提取機制之實際實施方案,尤其針對低SNR,包含信號調變細節及其與由硬體不完美引起之信號失真之固有關係可係重要的。
特徵可經啟動(例如,可執行在一特徵之基礎上之特徵提取),其在運行時間沿著諸如區域/窗長度、增益、頻寬等之若干參數經組態。當考量例如基於呈特定分佈子區域之形式之信號之一不均勻性質之特徵提取而非將其定義為均勻分佈(沿著整個原始特徵)時,區域/窗長度可係重要的。因此,信號調變態樣可藉由呈特定分佈子區域之形式之信號之不均勻性性質特性化。因此,為了選擇,特徵向量可被分段為多個重疊子區域。重疊可被視為具有
之寬度及滿足
之用於對整個特徵濾波之滑動步長
之一滑動窗,其中
係特徵長度,且
係窗之數目。在不損失一般性之情況下,為了強調特定特徵效能/可分離性,量測各窗之類間及類內特徵分散,且選擇具有強類可分離性之(若干)子區域。為了完成此,例如,一人可使用一預定義度量量測可分離性。
類間特徵分散係指特徵表示在一分類問題之不同類或類別之間之分佈或擴散。其量測不同類之特徵表示之間之分離或相異性之程度。類間特徵分散對於分類任務可係重要的,此係因為良好分離之類別使得一分類器更易於區分其等。當類具有低類間特徵分散時,其等可在特徵空間中重疊,從而導致更高分類錯誤或模糊性。另一方面,高類間特徵分散促進更佳鑑別及分類準確度。
類內特徵分散係指特徵表示在一分類問題之相同類或類別內之分佈或擴散。其量測屬於相同類之特徵表示之間之變動或相異性之程度。藉由最小化類內特徵分散,一分類器可更佳擷取由相同類別內之例項共用之獨特特性。此導致經改良分類準確度,此係因為分類器可做出更可信且準確的預測。
因此,一人可藉由最大化類間特徵分散同時最小化類內特徵分散而增強不同類之可分離性及可區分性。
可使用統計方法(例如,評估(例如,在一可分離特徵空間中之)代表性特徵之間之局部差異的大小且例如基於加權熵判定其集中分佈之位置)獲得具有不同裝置(例如,處理特定感測器信號之積體電路及系統)之分佈特性之代表性特徵。
圖2展示根據本發明之具有一類比轉資訊(量)轉換器、適應性特徵提取器及選擇器、尖峰編碼器及SNN分類器之一信號處理系統20。
一實體信號21 (其可或可未經預調節)進入信號處理系統。調節可包括使用例如一低雜訊前置放大器(LNA)、一帶通濾波器、一可程式化增益(後置)放大器(PGA)。類比轉資訊(量) (A(Qo)I)轉換器(更一般言之,類比轉資訊轉換器22)獲取(類比)實體信號21且可僅自類比信號21提取與朝向其數位化之給定應用最相關之資訊。A(Qo)I轉換器22之輸出可係輸入信號之一經調變信號,其使用圖3之實例進一步解釋。特定言之,A(Qo)I轉換器獲得實體輸入信號之明顯細節,例如如先前提及:i)特定特性,例如,暫態特徵、穩態特徵,ii)特定性質,例如,(非)線性度特徵、統計特徵、固定特徵、轉移函數特徵、能量內容,或基於iii)特定域特徵,例如,時間、頻率、相位域特徵。
接著,將來自A(Qo)I轉換器22之經調變信號發送至一頻道選擇器單元及提取器單元23。如提及,頻道選擇器單元及提取器單元23可選擇之各信號頻道對應於一特定叢集,其中各叢集表示信號頻道之活動且由特徵之一特定基礎描述。因此,取決於存在哪些特徵,實體信號中之資料可被分類在一或多個叢集中。應注意,若A(Qo)I轉換器包括一壓控延遲線或一壓控振盪器,則一壓控延遲線及一壓控振盪器經事件驅動,因此若信號存在於A(Qo)I 22之輸入處,則信號隨後將存在於後續信號頻道之輸入處。可調適提取器/濾波器之任務係僅將相關信號資訊傳遞至SNN推斷及控制機器25。
提取器單元可包括一組平行特徵提取器。頻道選擇器單元可係適應性的,使得在任何給定時刻在特定操作條件下最有益之特徵之一子集被啟動,使得可適應性地選擇對應於所關注特徵之子集之一或多個信號頻道,且藉由包括在提取器單元中之平行特徵提取器自來自A(Qo)I轉換器之信號提取關於該等特徵之資訊。
因此,此方法可需要一組可組態特徵提取器。在一項實施例中,特徵提取係藉由特徵提取器透過以特徵為中心之適應性濾波器/鎖定迴路/同步技術執行。特徵提取在其可組態之方式上(即,透過特定電路參數(例如,增益、線性度、頻寬)及系統(前饋及回饋)控制參數)通常係電路/系統特定的。例如,在圖4之實施例中,粗糙/精細可選擇性、ATC控制、回饋控制、校準、時序、延時、取樣/子取樣模式選擇全部係可組態/可程式化的。
藉由提取單元產生之特徵被饋入至執行特定應用資訊估計(例如,話音識別)之一分類器或資訊提取器。
例如,來自提取單元之特徵例如經由一多工器饋入至一尖峰編碼級24。特徵由尖峰編碼級24編碼成尖峰序列,該等尖峰序列係以一基於時間及事件之方式表示資訊之尖峰(動作電位)之序列。如提及,基於速率或基於時間尖峰之編碼可用於編碼方案。以此方式,自實體信號提取之特徵資訊被轉換為接著被饋入至一SNN處理器或分類器25中之尖峰之時序、速率或型樣。
SNN輸出資訊及/或一推斷度量26係用於藉由SNN評估實體信號之分類之效能之一定量量測。SNN推斷機器可輸出兩種信號:(i)一推斷結果,其係輸入信號所屬之特定類之指定,及(ii)一推斷度量,例如推斷準確度作為用於評估實體信號之分類之效能之一定量量測。
如提及,SNN 26可執行推斷/分類。此外,SNN亦可執行控制功能,儘管作為一單獨實施方案。應用/背景內容/條件偵測區塊27表示此一控制機器,其控制電路及系統參數,例如,適應性頻道選擇器及提取器。應用/背景內容/條件偵測區塊接收兩個輸入,一者來自SNN推斷機器(例如,推斷準確度),且第二者來自選擇器、提取器及編碼級,此需要被控制或校準。例如,為了更明確細節,參見圖4。
關於所得估計之可信度強烈取決於環境條件,諸如信號動態或信號干擾。在運行時間,應用/背景內容/條件偵測區塊27判定當前操作背景內容及因此最佳類比特徵集。一回饋迴路在功率或效能約束內動態地調諧特徵提取單元之規格。選擇器單元及提取器單元之一運行時間組態管理器隨後僅啟動且組態相關特徵集。
參數區塊28指定選擇器/控制單元對其操作以最佳化作為效率指數之特定優質數(例如,能量效率、能量輸送量效率、能量輸送量準確度效率),或僅特定任務(例如雜訊濾波、可變性限制/定界/校準、頻道同步或信號對準)。可需要跨處理任務29A之訓練及測試資料作為輸入以知道為一特定處理任務選取哪些(效能參數)設定。此外,參數化效能設定29B可用作至參數區塊之輸入。
應注意,特徵之提取招致一特定成本,例如運算成本(例如,搜尋一特定型樣對計數出現次數)或記憶體成本(例如,儲存一特徵之(運行)值)。因此,若針對型樣辨識(或分類),特徵提取之成本(或在功率/效能/面積(PPA)方面可用之預算)包含在考量中,則分類器之效能取決於所使用特徵之成本。(特徵)記憶體成本取決於特徵之數目及特徵向量大小/準確度等等。利用哪一種類之記憶體裝置(例如,基於正反器,基於MOS電容器或基於浮動閘極)取決於電路實施方案。可在特徵提取器中使用一特徵之運行值。
圖3展示利用調變技術及以特徵為中心之鎖定迴路/同步將一類比輸入信號轉換為對應尖峰時間表示之一般概念30之一概述。
可經預調節之一實體信號31進入自其獲得一經調變信號之A(Qo)I轉換器32,A(Qo)I轉換器32可被視為前端介面30A之部分。調節可包括使用例如一低雜訊前置放大器(LNA)、一帶通濾波器及/或一可程式化增益(後置)放大器(PGA)。A(Qo)I轉換器可包括一類比轉延遲(A/延遲)轉換器32A、一類比轉頻率(A/頻率)轉換器32B及/或一類比轉相位(A/相位)轉換器32C。輸入信號亦可被轉換為除延遲、頻率或相位之外之其他參數。實體信號可呈一電壓表示,且可被用作至一或多個轉換器之各者之一控制電壓輸入。A/延遲轉換器32A可包括一壓控延遲線(VCDL)。A/頻率轉換器32B可包括一壓控振盪器(VCO)。A/相位轉換器32C可包括一多相位壓控振盪器(多相位VCO)。因此,可被用作至各轉換器之一控制電壓輸入之實體信號判定經調變信號之延遲、頻率及/或相位之量。例如,針對一A/頻率轉換器32B,實體信號可用作VCO之控制電壓輸入,且一較高電壓輸入產生經調變輸出信號之一較高頻率。
接著,經調變信號可被饋入至一偵測器電路33中,其中例如比較延遲、頻率及/或相位與一各自參考延遲、頻率及/或相位信號。參考可係預定的或經動態地判定。因此,偵測器33可產生一錯誤信號38,錯誤信號38與經調變信號與參考信號之間相對於例如延遲、頻率及/或相位之差異成比例。錯誤信號可接著被濾波且用於驅動一特徵提取器34,尤其產生一輸出延遲、頻率及/或相位信號之一VCO 34A、34B、34C。此外,適應性濾波器可存在於特徵提取器34中。若錯誤信號38不存在於VCO 34A、34B、34C之鎖定範圍中,但若錯誤信號38在其可行進通過之鎖定範圍中,則濾波器可停止錯誤信號38。輸出信號可表示由經調變信號及時表示之一或多個特徵之一發生,但亦可表示一特徵在一特定時間存在於信號中之一概率。輸出信號可被饋送回系統之輸入,從而產生一負回饋迴路。若輸出延遲、頻率及/或相位漂移,則錯誤信號將增加,從而在相反方向上驅動VCO之延遲、頻率及/或相位以便減少錯誤。因此,輸出延遲、頻率及/或相位被鎖定至經調變信號之各自延遲、頻率及/或相位或至錯誤信號。
VCO之輸出信號被饋入至將輸出信號編碼成尖峰序列之一尖峰編碼級35。如提及,基於速率或基於時間尖峰之編碼可用於編碼方案。以此方式,自實體信號提取之特徵資訊被轉換為接著被饋入至一SNN處理器或分類器(亦使用數字35提及)之尖峰之時序、速率或型樣。尖峰編碼級及分類器35之輸出可係例如一分類度量36。可需要特徵提取電路34及編碼電路35以及用於分類器之訓練37。
當查看延遲參數時,一人可使用第一尖峰時間(TTFS)、尖峰間時間間隔(ISI)、叢發或延遲同步編碼。當查看頻率參數時,可使用速率或頻率同步編碼。當查看相位參數時,可使用相位或相位同步編碼。
第一尖峰時間編碼係在尖峰神經網路(SNN)中使用以基於由一神經元回應於一刺激或輸入而產生之第一尖峰之時序表示資訊之一方法。在此編碼方案中,資訊由一神經元在接收一特定輸入之後發射其第一動作電位(尖峰)所耗費之時間表示。在第一尖峰時間編碼中,神經元以其等快速地回應於輸入中之特定特徵或型樣之一方式經組態,且第一尖峰編碼該等特徵之存在。例如,若一神經元對一特定視覺型樣敏感,則當其偵測輸入中之該型樣時,其將迅速地發射其第一尖峰。
尖峰間時間間隔(ISI)編碼係在尖峰神經網路(SNN)中使用以基於藉由神經元產生之尖峰之時序表示且處理資訊之一方法。在ISI編碼中,資訊由藉由一神經元發射之連續尖峰之間之時間間隔表示。各尖峰可加時間戳記,且兩個連續尖峰之間之持續時間被量測為尖峰間時間間隔。尖峰間時間間隔之型樣攜載關於經處理之輸入之資訊。
尖峰神經網路中之叢發編碼係用於藉由編碼短叢發或動作電位之叢發中之尖峰之型樣而表示且處理資訊之一方法。其涉及在接近的時間內產生之尖峰之一群組,通常係使用高頻發射,接著為相對無活動之一時段,隨後發生尖峰之另一叢發。在傳統單尖峰神經元中,通常在個別尖峰中編碼資訊。然而,在叢發編碼中,以叢發之時間型樣表示資訊。
在速率編碼中,資訊由一神經元隨著時間產生尖峰之頻率或速率表示。較高發射速率通常指示輸入資料中之一特定特徵之存在或強度,而較低發射速率可表示該特徵之不存在或更弱表示。速率編碼背後之關鍵理念係利用尖峰序列之時間整合。代替考量個別尖峰,網路查看一時段內之累積活動。速率編碼可依賴於彙總尖峰神經元隨著時間之發射速率,或平均化一神經元在一特定時間段內之發射速率。
相位編碼係用於藉由在由不同神經元發射之尖峰之間之相對相位關係中編碼資訊而表示且處理其之一方法。此編碼方案利用尖峰之精確時序以傳達資訊。在相位編碼中,神經元可經設計或調諧以在一週期性循環之特定相位下發射其等尖峰。例如,一神經元可經組態以在一振盪信號之峰值下或在一有節奏輸入之一特定相位下發射。不同神經元之尖峰之間之相對相位關係編碼關於輸入之資訊。相位編碼背後之關鍵理念係尖峰之時序攜載有價值資訊,且藉由將多個神經元之尖峰同步至特定相位,網路可表示且處理輸入資料中之特定特徵或時間型樣。
尖峰神經網路中之同步編碼(使用例如延遲、頻率或相位)係用於藉由編碼不同神經元當中之同步尖峰之型樣而表示且處理資訊之一方法。其涉及在相同時間或在時間上緊密接近地發射動作電位以傳達特定資訊或編碼輸入之某些特徵。同步編碼利用跨多個神經元之呈同步尖峰活動之形式之精確時序以有效地表示資訊。神經元之同時或接近同時發射可傳達關於輸入資料中之相關性、型樣或特定特徵之資訊。例如,輸入中之一特定特徵之存在可由同時發射之神經元表示,而特徵之不存在可導致不同步或不相關活動。
在不損失一般性之情況下,在本發明中,將類比輸入信號轉換為對應尖峰時間表示包括首先藉由某一調變形式轉譯轉變中之信號資訊(之量)(而非瞬時振幅),即,藉由使用(尖峰時間)性質作為信號之延遲、頻率及相位而表示且處理信號。此處,轉變可在兩個良好定義值之間,例如在接地與電源供應之間。相應地,此類比轉資訊(量) (例如,類比轉延遲、類比轉頻率、類比轉相位轉換)使用延遲、頻率、相位差變量作為相對於一參考發生之相關事件而實現經取樣資訊之操縱。
如提及,在調變匹配之信號特徵編碼(例如,針對類比轉相位經調變信號,特徵透過鎖相迴路提取且使用相位編碼表示)之前,透過以特徵為中心之適應性濾波器/鎖定迴路/同步技術提取相關資訊,且執行分類/辨識。在本發明之一項實施例中,使用(適應性)壓控延遲線(VCDL)電路執行時間調變(即,類比轉時間轉換)。在另一實施例中,使用壓控振盪器(VCO)完成頻率調變。
基於VCO之類比轉頻率轉換透過不同權衡機制提供高增益、高頻率、低功率、高線性度及小型實施方案。在又一實施例中,使用多相位VCO電路執行相位調變(即,類比轉相位轉換)。在完成脈衝調變之後,透過分別對應於延遲、頻率及相位調變之以特徵為中心之鎖定迴路/同步技術(例如,延遲鎖定迴路(DLL)、頻率鎖定迴路(FLL)及鎖相迴路(PLL))提取且選擇相關資訊。DLL係類似於一鎖相迴路之一電路,其主要差異係不存在一內部VCO,其由一延遲線替換。
在一項實施例中,延遲/頻率/相位偵測器使用輸出延遲/頻率/相位差以閉合回饋迴路,從而提供上/下信號。當上/下信號被組合且添加至一鑑別器(特徵選擇器)時,提取所關注特徵之回應,即,將輸入延遲/頻率/相位匹配至參考之延遲/頻率/相位。
因此,揭示一種用於一尖峰神經網路之信號處理電路,其可包括用於將一類比輸入信號轉換為類比信號之一對應尖峰時間表示之一介面。該介面可包括:一延遲電路,其用於將類比輸入信號轉換為具有表示類比信號之一延遲之一值之一對應延遲輸入信號;一頻率電路,其用於將類比輸入信號轉換為具有表示類比信號之一頻率之一值之一對應頻率輸入信號;及/或一相位電路,其用於將類比輸入信號轉換為具有表示類比信號之一相位之一值之一對應相位輸入信號。信號處理電路可進一步包括一特徵提取單元,該特徵提取單元包括經連接以接收延遲輸入信號之一延遲信號處理電路、經連接以接收頻率輸入信號之一頻率信號處理電路及/或經連接以接收相位輸入信號之一相位信號處理電路。
延遲電路可包括具有用於接收類比輸入信號之一輸入之一壓控延遲線電路,其中壓控延遲線電路經組態以產生延遲輸入信號。頻率電路可包括具有用於接收類比輸入信號之一輸入之一壓控振盪器電路,其中壓控振盪器電路經組態以產生頻率輸入信號。相位電路可包括具有用於接收類比輸入信號之一輸入之一多相位壓控振盪器電路,其中多相位壓控振盪器電路經組態以產生相位輸入信號。
延遲信號處理電路可包括具有用於接收延遲輸入信號之一第一輸入及用於接收一延遲參考信號之一第二輸入之一延遲鎖定迴路電路,其中延遲鎖定迴路電路經組態以基於延遲輸入信號與延遲參考信號之一比較產生一延遲輸出信號。頻率信號處理電路可包括具有用於接收頻率輸入信號之一第一輸入及用於接收一頻率參考信號之一第二輸入之一頻率鎖定迴路電路,其中頻率鎖定迴路電路經組態以基於頻率輸入信號與頻率參考信號之一比較產生一頻率輸出信號。相位信號處理電路可包括具有用於接收相位輸入信號之一輸入及用於接收一相位參考信號之一第二輸入之一鎖相迴路電路,其中鎖相迴路電路經組態以基於相位輸入信號與相位參考信號之一比較產生一相位輸出信號。
圖4展示包含類比轉時間轉換及控制以及粗糙及精細濾波之一項實施例40之一示意性方塊圖。
在不損失一般性之情況下,在本發明中,基於時間之以特徵為中心之鎖定迴路/同步處理電路使用時間差變量作為相對於一參考時間或事件發生之一事件之間之時間量實現經取樣類比資訊之操縱。
時間編碼由使用一經調變方波表示一類比信號組成,其中信號資訊係在轉變而非瞬時振幅中被編碼,即,輸入信號被轉換為一時間差變量。因此,時間信號接著藉由各種電路處理,從而導致一時間差輸出,其中一脈衝調變器以僅具有兩個位準之一信號(或信號集)之脈衝寬度、頻率或位置編碼類比輸入信號資訊。隨後以一取樣頻率對此雙位準信號(其仍係類比的)取樣。現在,取樣器可係基於一簡單D型邊緣觸發正反器,此係因為信號僅具有兩個值。可使用一數位低通濾波器自經取樣方波重建類比輸入信號之一多位元近似表示。兩個時脈邊緣之間之一時間間隔至一數位數目之一轉換係使用時間轉數位轉換器(TDC)執行。如同全部取樣程序,必須對連續時間信號進行頻帶限制以防止頻疊效應。在一項實施例中,利用一PLL以對經相位調變之輸入信號進行頻帶限制。一TDC可使用時間比較器(D正反器)及其他數位區塊(例如,單一計數器、快閃TDC、游標振盪器、循環脈衝收縮TDC)實現。
電路包含一可程式化類比轉時間(A/T)轉換器、迴路內濾波器特性之粗糙及一增強範圍精細調諧器,使用一背景校準機制輔助以降低非理想性的影響。其組合取樣迴路與子取樣迴路之優點以在頻率擾動及低功率操作下達成穩健時間、相位及頻率擷取。在自取樣至子取樣迴路之切換程序期間,相位保持鎖定而無任何不連續性。
在一項實施例中,電路首先執行類比轉時間轉換(ATC),即,在感測類比電壓時,執行一時間脈衝中之轉換,從而將類比資訊嵌入至一上升邊緣與一下降邊緣之間之一時間段。類比信號及其差分信號(經180º相移)被提供至兩個壓控延遲線電路,因此,其等輸出信號係取決於輸入信號振幅之時間脈衝。為了獲得足夠動態範圍,添加一控制電路以組合壓控延遲線電路之輸出,且隨後產生藉由脈衝寬度之持續時間表示類比輸入信號之一單一時間脈衝。控制電路亦平均化樣本之一可程式化數目,從而獲得標定經過取樣比率。
為了改良鎖相時間,將一粗糙T/D轉換器插入在相位偵測器之後以量化粗糙相位錯誤且輔助粗糙相位及頻率鎖定。相位偵測器及頻率偵測器結合切換回饋工作,切換回饋監測頻率擾動且確保數位控制振盪器(DCO)始終鎖定至正確頻率。然而,在回饋路徑中自取樣模式直接切換至子取樣模式將歸因於回饋路徑中之延遲而引起相位不連續性。因此,將一額外延遲插入在ATC之後以緩解相位不連續性。當取樣模式用於輸入信號時間/頻率/相位擷取時,(SNN)控制器產生用於控制回饋迴路及A/T轉換之相關資訊。若PLL鎖定至不正確頻率,則可使用一頻率偵測器以將回饋自子取樣模式切換至取樣模式以進行頻率鎖定。
在本實施例中更詳細地,一輸入信號進入一類比轉時間轉換器。輸入信號可係一差分信號(包括一正及負輸入電壓)以獲得更佳動態範圍。正及負輸入電壓可各在進入類比轉時間轉換器之前行進通過一電壓控制延遲線。輸入信號可經預調節,調節可包括使用例如一低雜訊前置放大器(LNA)、一帶通濾波器、一可程式化增益(後置)放大器(PGA)。
類比轉時間轉換器係將類比輸入(電壓)信號(其可經預處理或可包括若干輸入電壓(如針對一差分信號))轉換為一時間參數之一轉換器。時間參數可係例如延遲、頻率及/或相位,如關於圖3詳述。在本實施例中,類比轉時間轉換器將類比輸入信號轉換為延遲、頻率及相位調變信號,但可發生更多或更少轉換。
接著,基本上存在四個信號路徑:一頻率信號路徑、一延遲信號路徑、一粗糙相位信號路徑及一精細相位信號路徑。
粗糙相位信號路徑可包括例如一相位偵測器44、一時間轉數位轉換器45及一粗糙濾波器46。精細相位信號路徑可包括例如一延遲區塊、一時間轉數位轉換器45及一精細濾波器47。粗糙相位信號路徑及精細相位信號路徑兩者與一數位受控振盪器48連接且各形成一鎖相迴路,如上文揭示。如提及,精細鎖相迴路之鎖相時間可藉由使用粗糙鎖相迴路改良以便量化粗糙相位錯誤且輔助粗糙鎖相。數位受控振盪器48之輸出信號49可被饋入至一尖峰編碼級,如上文提及,該尖峰編碼級將輸出信號編碼成尖峰序列。如提及,基於速率或基於時間尖峰之編碼可用於編碼方案。以此方式,自實體信號提取之特徵資訊轉換為可接著被饋入至一SNN處理器或分類器中之尖峰之時序、速率或型樣。
頻率信號路徑可包括例如一計時器控制50、一時間轉數位轉換器45及一數位頻率偵測器51。計時器控制50可確保不同信號路徑係同步的。延遲信號路徑可包括例如一相位偵測器44及延遲控制邏輯52。在本實施例中,頻率信號路徑及延遲信號路徑兩者連接至一可程式化組構53 (例如,一尖峰神經網路)。
連接至頻率及延遲信號路徑及/或數位受控振盪器48之可程式化組構53可向控制回饋54提供一輸出信號,控制回饋54可向不同信號路徑及/或類比轉時間轉換器43之一或多個提供回饋。在實例中,控制回饋向粗糙及精細相位信號路徑以及類比轉時間轉換器43提供回饋。
控制回饋54可進一步由來自一控制區塊42之一控制信號控制。控制區塊42可由一尖峰神經網路驅動。控制區塊42與一校準區塊44一起可例如透過可程式化邏輯控制類比轉時間轉換器43。校準區塊44可負責校準整個信號處理模組之特定部分,且可獲取某些系統設定或校準資料作為輸入。
應注意,雖然展示一個類比轉時間轉換器43,但在信號處理路徑中可存在多個類比轉時間轉換器。此外,一般言之,類比轉時間轉換器可係一A轉資訊轉換器或一類比轉資訊量轉換器,其不僅提取信號之時間參數(諸如例如頻率、延遲及/或相位),而且亦提取可為特定應用所關注之信號之其他參數。
不同特徵信號路徑(例如,頻率信號路徑、延遲信號路徑及相位信號路徑)可由至一數位受控振盪器之連接鎖相或可例如連接至一可程式化組構。可省略或添加特徵信號路徑之一或多者。例如,可添加一頻率鎖定迴路信號路徑及/或一延遲鎖定迴路信號路徑。代替一精細及粗糙相位信號路徑,僅可使用一個相位信號路徑,其可係或可非一鎖相迴路信號路徑。可存在用於相同特徵之多個信號路徑(諸如精細及粗糙相位,或頻率控制及頻率鎖定迴路作為實例)。
換言之,一特徵信號路徑具有來自一A(Qo)I轉換器之一特徵經調變信號作為輸入且可為例如一特徵鎖定迴路、非特徵鎖定迴路、一適應性濾波器迴路、一同步迴路及/或可用作信號處理模組之其他部分(例如,另一特徵信號路徑)之控制(回饋)。
藉由利用係一特徵鎖定迴路之一特徵信號路徑,可選擇等於參考信號之相關特徵值且可將所得輸出信號饋入至一編碼器及分類器中。以此方式,在一些情況中,藉由自信號濾除不相關資訊,可使原始非稀疏輸入信號稀疏。可在信號處理模組之前及/或之後對信號之輸入執行進一步整流及校準。
雖然在上文中,在一些特徵信號路徑中使用一時間轉數位轉換器,但特徵信號路徑可保持完全類似。進一步計時器區塊或延遲區塊可添加至不同特徵路徑以便以正確方式使不同特徵信號路徑同步。
應注意,粗糙/精細可選擇性、ATC控制、回饋控制、校準、時序、延遲、取樣/子取樣模式選擇全部係可組態/可程式化的且可以此方式使特徵提取可組態。
圖5繪示鎖相特徵提取之一實例。特定言之,其展示透過在時間-頻率域中繪示之一鎖相資料驅動特徵提取器(例如,透過電壓移位之相位角之評估)選擇一標記特定資料中之局部差異之一實例。圖5A展示一輸入信號之一頻譜圖。圖5B係相同信號之一頻譜圖但展示與用於自輸入信號提取相關特徵之適用相位參考信號具有一不同相位之信號之該等元素。圖5C係相同信號之一頻譜圖,但展示由特徵提取電路提取之具有類似於適用相位參考信號之一相位之信號之該等元素。各頻譜圖在水平軸上以微秒展示時間,且在垂直軸上以千赫展示頻率。如可清晰地看見,透過鎖相,可自整個輸入信號成功地選擇一所關注特徵。
圖6展示在以特徵為中心之預處理之後對一(參數化)輸入信號之尖峰神經網路回應之一實例。圖7A展示隨著時間變化之類比輸入信號之一片段,其中時間在水平軸上繪製且信號振幅在垂直軸上。圖7B展示在預處理及特徵提取之後之圖7A之輸入信號。水平軸展示時間。垂直軸展示至包括例如100個神經元之一尖峰神經網路之經後處理(整流、校準且稀疏)輸入之振幅。
圖7C展示在應用特徵提取之後之尖峰回應,即,經後處理輸入信號係至其之一輸入之尖峰神經網路之尖峰回應。水平軸展示時間,而垂直軸表示尖峰神經網路之各個別神經元。如圖所示,尖峰神經網路之尖峰回應係稀疏的且繞所關注表觀特徵分佈,比在無一類比轉資訊(量)轉換器及特徵濾波之情況下(即,在以特徵為中心之預處理之後)更如此。藉由透過提取一特定特徵集而以其相關資訊/特徵速率對輸入信號取樣,信號處理僅專注於或幾乎僅專注於特徵載送資訊且在信號處理路徑中儘可能早地摒棄不相關資訊,同時濾除/抑制其他不相關資訊或使干擾項失真。藉由在信號處理路徑中早地摒棄不相關資訊,整體系統能量效率顯著改良,此係因為神經元針對不相關資訊之處理不產生尖峰。
應注意,本文中揭示之任何實施例之特徵可以一適當方式組合。
1:電路
2A:低雜訊前置放大器(LNA)
2B:可程式化增益(後置)放大器(PGA)
3:帶通濾波器
4:A/D轉換器(ADC)
5:串列介面
6:特徵偵測器單元
7:提取單元
7A:訓練
8:分類單元
8A:訓練
10:電路
10A:前端介面
10B:後端信號處理單元
20:信號處理系統
21:實體信號
22:類比轉資訊轉換器/類比轉資訊(量) (A(Qo)I)轉換器
23:頻道選擇器單元及提取器單元
24:尖峰編碼級
25:尖峰神經網路(SNN)推斷及控制機器
26:尖峰神經網路(SNN)輸出資訊/推斷度量
27:應用/背景內容/條件偵測區塊
28:參數區塊
29A:處理任務
29B:參數化效能設定
30:一般概念
30A:前端介面
31:實體信號
32:類比轉資訊(量) (A(Qo)I)轉換器
32A:類比轉延遲(A/延遲)轉換器
32B:類比轉頻率(A/頻率)轉換器
32C:類比轉相位(A/相位)轉換器
33:偵測器電路
34:特徵提取器
34A:壓控振盪器(VCO)
34B:壓控振盪器(VCO)
34C:壓控振盪器(VCO)
35:尖峰編碼級/尖峰編碼級及分類器/編碼電路
36:分類度量
37:訓練
38:錯誤信號
40:實施例
42:控制區塊
43:類比轉時間轉換器
44:校準區塊/相位偵測器
45:時間轉數位轉換器
46:粗糙濾波器
47:精細濾波器
48:數位受控振盪器
49:輸出信號
50:計時器控制
51:數位頻率偵測器
52:延遲控制邏輯
53:可程式化組構
54:控制回饋
現將參考隨附圖式僅藉由實例描述實施例,其中對應元件符號指示對應部分,且其中:
圖1展示用於實施此項技術中已知之一典型處理路徑之一習知電路;
圖2展示根據本發明之具有類比轉資訊(量)轉換器、適應性特徵提取器及選擇器、尖峰編碼器及SNN分類器之一信號處理系統;
圖3展示利用調變技術及以特徵為中心之鎖定迴路/同步將一類比輸入信號轉換為對應尖峰時間表示之一般概念之一概述;
圖4展示包含類比轉時間轉換及控制以及粗糙及精細濾波之一項實施例之一示意性方塊圖;
圖5A至圖5C展示透過在時間-頻率域中繪示之鎖相資料驅動特徵提取器選擇一標記特定資料中之局部差異;
圖6展示在以特徵為中心之預處理之後對輸入資料之一參數化集之一尖峰神經網路回應之一實例。
30:一般概念
30A:前端介面
31:實體信號
32:類比轉資訊(量)(A(Qo)I)轉換器
32A:類比轉延遲(A/延遲)轉換器
32B:類比轉頻率(A/頻率)轉換器
32C:類比轉相位(A/相位)轉換器
33:偵測器電路
34:特徵提取器
34A:壓控振盪器(VCO)
34B:壓控振盪器(VCO)
34C:壓控振盪器(VCO)
35:尖峰編碼級/尖峰編碼級及分類器/編碼電路
36:分類度量
37:訓練
38:錯誤信號
Claims (18)
- 一種用於一尖峰神經網路之信號處理電路,其包括用於將一類比輸入信號轉換為該類比輸入信號之一對應尖峰時間表示之一介面,該介面包括: 一類比轉資訊(A/資訊)轉換器,其包括用於接收該類比輸入信號之一輸入且經組態以產生表示該類比輸入信號之一或多個特徵之一經調變信號; 一特徵偵測器電路,其包括用於接收該經調變信號之一輸入且經組態以比較該經調變信號與表示一參考特徵之一參考信號,且經組態以產生指示該經調變信號與該參考信號之間之一差異之一錯誤信號; 一特徵提取器電路,其包括具有用於接收該錯誤信號之一輸入之一鎖定迴路電路且經組態以產生表示由該經調變信號表示之該等特徵之一或多者之一發生之一輸出信號;及 一編碼器電路,其具有用於接收該特徵提取器之該輸出信號之一輸入且經組態以將該輸出信號編碼成用於輸入至該尖峰神經網路之尖峰序列。
- 如請求項1之信號處理電路,其進一步包括預處理該類比輸入信號之一預處理電路,較佳地其中該預處理電路包括一低雜訊前置放大器、一帶通濾波器及/或一可程式化增益(後置)放大器。
- 如請求項1或2之信號處理電路,其中該類比輸入信號呈電壓表示且用作至該A/資訊轉換器之控制電壓輸入,因此判定該類比輸入信號之調變。
- 如前述請求項中任一項之信號處理電路,其中該特徵係以下之一或多者:i)特定特性,諸如暫態特徵、穩態特徵,ii)特定性質,諸如(非)線性度特徵、統計特徵、固定特徵、轉移函數特徵、能量內容及/或基於iii)特定域特徵,諸如時間、延遲、頻率、相位域特徵, 較佳地其中該A/資訊轉換器包括將該類比輸入信號轉變為表示諸如延遲、頻率及/或相位之某些時域特徵之一經調變信號之一類比轉時間轉換器。
- 如前述請求項中任一項之信號處理電路,其中該A/資訊轉換器形成一類比轉延遲(A/延遲)轉換器、一類比轉頻率(A/頻率)轉換器及/或一類比轉相位(A/相位)轉換器; 較佳地其中該A/資訊轉換器包括執行該類比輸入信號至該經調變信號之該調變之至少一部分之一壓控延遲線、一壓控振盪器及/或一多相位壓控振盪器; 更較佳地其中該A/延遲轉換器包括該壓控延遲線,該A/頻率轉換器包括該壓控振盪器且該A/相位轉換器包括該多相位壓控振盪器。
- 如前述請求項中任一項之信號處理電路,其中該特徵提取器電路之該輸出信號被回饋至該特徵偵測器電路以便形成一負回饋迴路。
- 如前述請求項中任一項之信號處理電路,其中該特徵提取器電路包括由該錯誤信號驅動並產生該特徵提取器電路之該輸出信號且係該鎖定迴路之部分之一壓控振盪器。
- 如前述請求項中任一項之信號處理電路,其中該鎖定迴路係一延遲鎖定迴路、一頻率鎖定迴路或一鎖相迴路。
- 如前述請求項中任一項之信號處理電路,其中該特徵提取器電路進一步包括一濾波器,較佳地一適應性濾波器,該濾波器在該錯誤信號之部分不在該鎖定迴路之鎖定範圍中之情況下停止該部分,但使在該鎖定迴路之該鎖定範圍中之該錯誤信號之部分通過。
- 如前述請求項中任一項之信號處理電路,其中該編碼器電路使用基於速率或基於時間尖峰之編碼作為編碼方案。
- 如前述請求項中任一項之信號處理電路,其中該特徵提取器電路可係一組平行特徵提取提電路之一部分,且其中該信號處理電路進一步包括一頻道選擇器單元,該頻道選擇器單元係適應性的,使得在任何給定時刻在特定操作條件下最有益之特徵之一子集被提取,使得可適應性地選擇對應於所關注特徵之該子集之該一或多個特徵提取器電路,且藉由該等平行特徵提取器電路自來自該A/資訊轉換器之該信號提取關於該等特徵之資訊。
- 如前述請求項中任一項之信號處理電路,其中藉由該特徵提取器電路執行之特徵提取可透過該等特定電路參數及/或系統控制參數組態,較佳地該等可組態參數包含增益、線性度、頻寬、前饋及回饋、粗糙/精細可選擇性、ATC控制、回饋控制、校準、時序、延遲、取樣/子取樣模式選擇之一或多者。
- 如前述請求項中任一項之信號處理電路,其中在運行時間,一應用/背景內容/條件偵測區塊判定當前操作背景內容且自該當前操作背景內容判定待提取之最佳類比特徵集,較佳地其中,一回饋迴路在功率或效能約束內動態地調諧該特徵提取器電路之規格且其中一運行時間組態管理器隨後藉由啟動該相關特徵偵測器電路而僅啟動且組態該相關特徵集。
- 如前述請求項中任一項之信號處理電路,其中該類比輸入信號包括具有一正及負電壓輸入之一類比差分電壓信號。
- 如前述請求項中任一項之信號處理電路,其包括各用於表示該類比輸入信號之一特定一或多個特徵之一經調變信號之多個特徵信號路徑,其中至少一個特徵信號路徑包括較佳藉由一尖峰神經網路驅動之一可程式化組構,該可程式化組構基於該可程式化組構之輸出向至少一個其他特徵信號路徑提供控制回饋。
- 如前述請求項中任一項之信號處理電路,其進一步包括將該經調變信號或該錯誤信號轉換為一數位信號之一轉換器單元。
- 一種用於將一類比輸入信號轉換為用於一尖峰神經網路之該類比輸入信號之一對應尖峰時間表示之信號處理方法,該方法包括: 接收該類比輸入信號; 產生表示該類比輸入信號之一或多個特徵之一經調變信號; 比較該經調變信號與表示一參考特徵之一參考信號而產生指示該經調變信號與該參考信號之間之一差異之一錯誤信號; 產生表示由該經調變信號表示之該等特徵之一或多者之一發生之一輸出信號;及 將該輸出信號編碼成用於輸入至該尖峰神經網路之尖峰序列。
- 如請求項17之信號處理方法,其中該特徵係以下之一或多者:i)特定特性,諸如暫態特徵、穩態特徵,ii)特定性質,諸如(非)線性度特徵、統計特徵、固定特徵、轉移函數特徵、能量內容及/或基於iii)特定域特徵,諸如時間、延遲、頻率、相位域特徵, 較佳地其中該經調變信號表示諸如延遲、頻率及/或相位之某些時域特徵。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202263391813P | 2022-07-25 | 2022-07-25 | |
US63/391,813 | 2022-07-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202408174A true TW202408174A (zh) | 2024-02-16 |
Family
ID=87557818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112127820A TW202408174A (zh) | 2022-07-25 | 2023-07-25 | 用於有效以特徵為中心之類比至尖峰編碼器之系統和方法 |
Country Status (2)
Country | Link |
---|---|
TW (1) | TW202408174A (zh) |
WO (1) | WO2024023111A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023547069A (ja) | 2020-10-30 | 2023-11-09 | インナテラ・ナノシステムズ・ビー.ブイ. | 分散型マルチコンポーネントシナプス計算構造 |
-
2023
- 2023-07-25 TW TW112127820A patent/TW202408174A/zh unknown
- 2023-07-25 WO PCT/EP2023/070631 patent/WO2024023111A1/en unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024023111A1 (en) | 2024-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Verhelst et al. | Where analog meets digital: Analog? to? information conversion and beyond | |
Kamboh et al. | Computationally efficient neural feature extraction for spike sorting in implantable high-density recording systems | |
Gerdes et al. | Device identification via analog signal fingerprinting: A matched filter approach | |
US20100081958A1 (en) | Pulse-based feature extraction for neural recordings | |
Zhou et al. | A radio anomaly detection algorithm based on modified generative adversarial network | |
Komaty et al. | EMD-based filtering using the Hausdorff distance | |
WO2004107954A2 (en) | Article of manufacture for extracting physiological data using ultra-wideband radar and improved signal processing techniques | |
Yang et al. | Adaptive threshold neural spike detector using stationary wavelet transform in CMOS | |
US20170296081A1 (en) | Frame based spike detection module | |
CN109061591A (zh) | 一种基于序贯聚类的时频线谱检测方法 | |
Malik et al. | Automatic threshold optimization in nonlinear energy operator based spike detection | |
Craciun et al. | Wireless transmission of neural signals using entropy and mutual information compression | |
Delgado-Restituto et al. | Phase synchronization operator for on-chip brain functional connectivity computation | |
Leung et al. | Reconstruction of FRI signals using deep neural network approaches | |
TW202408174A (zh) | 用於有效以特徵為中心之類比至尖峰編碼器之系統和方法 | |
Yarga et al. | Efficient spike encoding algorithms for neuromorphic speech recognition | |
Liu et al. | Clockless continuous-time neural spike sorting: Method, implementation and evaluation | |
Zamani et al. | On the use of compressive sensing (CS) exploiting block sparsity for neural spike recording | |
Mantach et al. | Classification of partial discharge signals using 1d convolutional neural networks | |
Beche et al. | Real-time adaptive discrimination threshold estimation for embedded neural signals detection | |
Madhu et al. | Radar emitter identification using signal noise and power spectrum analysis in deep learning | |
Luo et al. | A dual-mode ECG processor with difference-insensitive QRS detection and lossless compression | |
Chen et al. | Accuracy and power tradeoff in spike sorting microsystems with cubic spline interpolation | |
Chen et al. | Real-Time Data Sensing for Microseismic Monitoring via Adaptive Compressed Sampling | |
Shafi et al. | Quantitative evaluation of concentrated time-frequency distributions |