使BMI智能化:信号处理和算法架构

   除了BASIC处理流程以及对神经信号进行放大,还需要额外的分类识别器以识别重要的大脑状态,才能使其成为一个真正意义的智能传感器。ATMEGA88PA-AU信号处理的挑战是如何平衡功耗、灵活性和性能。由于已通过BAS￡STFT方法得到所感兴趣的生物标记物的谱功率,与编码生物标记物的LFP频率相比,生物标记物的谱功率变化较缓慢,采样和处理可以在Hz量级采样率完成。可以考虑如图8.19所示的系统级模块划分,通过模拟预处理提取关键信息同时减小动态范围,在低时钟速率下运行复杂的数字化算法。通常来说,这个模块划分可为长期植人功率装置带来可接受的功耗;类似的“神经形态”在本章参考文献的一系列范围应用均有讨论,包括人工耳蜗和人造视网膜。