Processing neural signal with spiking neural networks optimized for neuromorphic hardware
Traitement de signaux neuronaux à base de réseaux de neurones à décharges optimisés pour accélérateurs neuromorphiques
Résumé
Brain-Machine Interfaces (BMIs) depend on sorting action potentials (spike sorting) to decode individual neuron activity, an essential process in both neuroprosthetics and the study of neural circuits. Advances in neural probes, particularly the increased electrode density, have dramatically expanded the volume of data to transmit and process, posing a significant challenge for low-power, on-chip BMIs. To address this, spike sorting must be performed in situ, using minimal computational resources while maintaining high accuracy, low energy consumption, and real-time performance. This thesis introduces a bio-inspired, unsupervised approach called the Neuromorphic Sparse Sorter (NSS), based on a spiking neural network architecture. NSS leverages sparse coding to efficiently handle high-dimensional neural signals. Unlike traditional binary communication, it employs multi-bit spiking to strike a balance between classification accuracy and energy efficiency. The system's effectiveness is validated on both simulated and real datasets, including noisy and non-stationary signals. A final hardware implementation confirms NSS's real-time processing capabilities and ultra-low power consumption, highlighting its potential for chronic implanted BMI applications.
Les Interfaces Cerveau-Machine (ICM) reposent sur le tri de potentiels d'action pour décoder l'activité des neurones individuels, une méthode centrale pour des neuroprothèses et l'étude des circuits cérébraux. Avec l'amélioration des sondes neuronales incluant une densité croissante d'électrodes, la quantité de signaux à transmettre requiert une grande quantité d'énergie, ce qui complique le développement d'ICM embarquée. Le défi est alors d'effectuer un tri in situ, donc avec peu de ressources computationnelles, et de concilier qualité de tri, faible consommation énergétique et traitement en temps réel. Cette thèse propose une solution bio-inspirée non supervisée basée sur un réseau de neurones à décharges, appelé Neuromorphic Sparse Sorter (NSS). Le réseau exploite l'encodage parcimonieux pour traiter efficacement les signaux neuronaux de hautes dimensions. Une communication en décharge multi-bit, contrairement à une communication binaire classique, est utilisée afin de proposer une balance optimale entre qualité de tri et énergie requise pour une inférence du réseau. Les performances de NSS sont validées sur des données simulées et réelles, incluant des signaux fortement bruités et non stationnaires. Enfin, une implémentation sur matériel neuromorphique démontre la rapidité de traitement et la faible consommation énergétique du système.
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |