生理信号蕴含着大量与情绪、认知、健康等方面相关的宝贵信息,因此对生理信号的有效提取、处理和分析极具意义,其在下一代人机交互系统中起着非常关键的作用。与传统的冯·诺伊曼计算架构相比,利用神经形态计算架构实现生理信号检测系统更具速度和能效优势。这种新型计算范式受生物神经系统启发,利用脉冲来表达和处理信息,因此需要将生理信息编码成脉冲信号。异步脉冲编码所得到的脉冲序列包含具体的时刻信息,更优于传统的频率编码,但目前基于CMOS的实现方式需要高硬件开销的数模转换器和复杂的控制电路。此外,自适应神经元广泛存在于生物神经系统中,并在时序信息的处理中扮演着重要角色,但目前基于CMOS或忆阻器实现自适应神经元的方案同样面临电路复杂和开销大的问题。
图1:基于VO2忆阻器的神经形态生理信号检测系统
针对这些关键问题,北京大学信息工程学院杨玉超教授课题组首次提出了一种基于VO2忆阻器的高效神经形态生理信号检测系统。该团队首先针对系统中关键的信号编码和信号处理两部分进行了优化设计。在编码环节中,该团队巧妙地利用VO2忆阻器的易失性阈值阻变特性以及该特性在正负偏压下的高度对称性,设计了一种能够对模拟信号的增量进行脉冲编码的异步脉冲编码器,编码后的脉冲序列具有高稀疏度且最大程度保留了原始信号的信息。在处理环节中,该团队充分地利用了VO2忆阻器的动力学行为,在基于此的泄漏-积累-发放神经元(LIF)的基础上设计了一种具有更强大的时域信息处理能力的自适应LIF神经元(ALIF),并将这两种神经元引入到一种具有长短时程记忆的脉冲神经网络(LSNN)中处理时序信号。
图2:基于VO2忆阻器的异步脉冲编码器和神经元
进一步地,该团队利用上述两大模块构建了神经形态生理信号检测系统,其中生理信号经过异步脉冲编码器编码为脉冲序列,再输入到LSNN中进行分类。该系统在心律失常分类和癫痫检测任务中分别达到了95.83% 和99.79%的准确率,并且由于该系统具有强大的计算能力,因此所需的网络规模也大幅度地减小了。本项研究为实现高效的神经形态生理信号检测系统提供了一种可靠且具有颇大潜力的方案,有望推动下一代人机交互界面的蓬勃发展。
图3:心律失常分类和癫痫检测
相关成果以“A Neuromorphic Physiological Signal Processing System Based on VO2 Memristor for Next-generation Human-machine Interface”为题,发表在《自然-通讯》(Nature Communications)上。2018级博士生袁锐和2021级博士生张柏骏为共同第一作者,杨玉超教授为通讯作者。中科院物理所葛琛研究员课题组为本项目提供了材料生长方面的支持和宝贵建议。
相关研究工作得到了国家杰出青年基金、国家重点研发计划、后摩尔重大研究计划等项目以及霍英东教育基金会、腾讯科学探索奖的资助。