آشکارسازی جهش عصبی و استخراج ویژگی بر اساس نمونه¬برداری عبور ازسطح برای ثبت کم مصرف سیگنال عصبی : رویا رحیمی دیسفانی
سال نشر :
1397
صفحه شمار:
72 ص
یادداشت
چکیده
مهندسی معکوس مغز یکی از مهمترین کارهایی است که در علم نروساینس تلاش زیادی برای آن صورت گرفته است. در مغز انسان میلیونها نرون وجود دارد که از طریق سیگنالهای الکتروشیمیایی با یکدیگر در ارتباط هستند. سیگنالهای الکتریکی که در این ارتباط ایجاد میشوند اسپایک نام دارند. طبقهبندی اسپایک یکی از مهمترین ابزارهای نروساینس معاصر است و شامل چندین مرحله است. در اولین مرحله لازم است که از سیگنال نمونه برداشته و از آنالوگ به دیجیتال تبدیل نماییم. برداشتن یک تعداد نمونه بهینه از سیگنال به طوری که تمامی بخش¬های سیگنال را پوشش دهد و در عین حال از برداشتن نمونه¬های اضافی در بخش¬های غیر فعال سیگنال اجتناب کند، یکی از حوزه¬های تحقیقاتی مهم در نمونه¬برداری از سیگنال¬های حیاتی است. استفاده از نمونه¬برداری عبور از سطح سبب کاهش قابل ملاحظه نرخ نمونه¬برداری برای سیگنال¬های تنک و قطاری شکل اسپایک عصبی می¬شود. بدین ترتیب، با کاهش توان مصرفی فرستنده، توان مصرفی بخش¬های کاشته شده به میزان قابل توجهی کاهش می¬یابد. از آنجایی که داده خروجی مبدل عبور از سطح به فرم متعارف یکنواخت نیست، ارائه روش¬هایی برای پردازش ساده و منطبق بر کاربرد این داده¬ها ضروری است. در این پایان¬نامه سه روش برای آشکارسازی اسپایکها از روی نمونه¬های خروجی مبدل عبور از سطح توضیح داده شده است. خروجی مبدل توسط الگوریتمهایی که بر مبنای دامنه و عرض اسپایکها کار میکنند، بررسی میگردد و در انتها دقت تشخیص هر الگوریتم مورد بررسی قرار میگیرد. الگوریتم ارائه شده بر روی سیگنالهایی با توزیع نویز متفاوت بررسی شده و از بین این الگوریتمها روش ترکیبی که از هر دو پارامتر دامنه و عرض اسپایک برای آشکارسازی اسپایکها استفاده میکند به طور متوسط بهترین دقت را دارد. در این الگوریتم متوسط دقت آشکارسازی برابر با 93.42 % به دست آمده است. همچنین الگوریتمهای پیشنهادی در تکنولوژی 0.18µm CMOS و با ولتاژ تغذیه 1.8 V پیادهسازی شدهاند و توان مصرفی و حجم اشغالی الگوریتم مبنی بر دامنه و عرض اسپایک به ترتیب برابر با 297.7 nW و 0.03 mm2 به دست آمده است. در نهایت اسپایکها توسط شبکه عصبیRBF و بر اساس دو ویژگی دامنه و عرض اسپایک کلاسبندی میشوند. این روش نیز در بهترین حالت با دقتی برابر 96.05 % اسپایکها را کلاسبندی مینماید که لذا ویژگیهای استخراج شده برای کلاسبندی اسپایکها مناسب هستند