Algorithmen und Hardwarestrukturen zur effizienten Bereitstellung von Rohdaten in invasiven Neurosystemen
Zusammenfassung der Projektergebnisse
Die Erfassung und Verarbeitung neuronaler Signale für ein besseres Verständnis des Gehirns oder für Fortschritte im Bereich der Prosthetik ist eins der Kernprobleme in den Neurowissenschaften. Dabei kann eine chronische, kontinuierliche und parallele Erfassung einer möglichst großen Anzahl an Hirnströmen nur durch ein Implantat mit einem Elektronen-Array gewährleistet werden. Eine in der Literatur bekannte Möglichkeit zur Verarbeitung der Datenströme ist eine kabelgebundene Lösung, die zu massiven Einschränkungen in der Bewegung und außerdem zu hoher Infektionsgefahr für betroffene Patienten führt. Die naheliegende Alternative ist deshalb eine drahtlose Verbindung. Da die Anzahl der neuronalen Signale und die damit resultierende Datenrate sehr hoch sind und außerdem die physiologischen Bedingungen im Gehirn den Flächen- und Energiebedarf eine Funk-Lösung massiv beschränken, können keine Standard-Funksysteme verwendet werden. Aus diesem Grund wurde im Projekt ’’Algorithmen und Hardwarestrukturen zur effizienten Bereitstellung von Rohdaten in invasiven Neurosystemen (INNS)” die konkrete Erarbeitung und Umsetzung der Datenkompression erforscht, die durch die sporadische Aktivität der Neuronen und die gegebenen Korrelationen zwischen den Elektroden ermöglicht wird. Es wurden zwei Ansatzpunkte betrachtet mit dem Ziel, die Rohdatenmenge zu reduzieren: Zum einen kann eine Vorverarbeitung vor der digitalen Erfassung durch das grundlegende Konzept des ’Finite Rate of Innovation' erfolgen. In diesem Framework kann durch Wahl einer geeigneten Modellfunktion direkt eine Kompression der Datenrate durch Reduktion der freien Parameter erzielt werden. Hierbei wurde in diesem Projekt gezeigt, dass eine Formulierung durch exponentielle und sinusförmige Splines gut geeignet ist um die Natur der neuronalen Daten zu erfassen. Zum anderen können die analogen Datenströme unter Ausnutzung der sporadischen Aktivität der Neuronen mit Hilfe von ”Compressed Sensing” direkt vermischt und unterabgetastet werden, sodass die drahtlose Übertragung mit niedriger Rate stattfinden kann. Hierfür wurden in diesem Projekt entsprechende Rekonstruktions-Algorithmen am Empfänger erforscht, die auch mit einer sehr geringen Sampling-Rate eine genaue Rekonstruktion der ursprünglichen Daten erreichen können. Zusätzlich konnte die Datenrate in beiden Aspekten noch weiter reduziert werden, indem die Korrelationen der verschiedenen Elektroden im Implantat ausgenutzt wurde. Da die Elektroden die gleichen zugrundeliegenden Ereignisse im Gehirn erfassen, wurde in diesem Projekt eine gemeinsame Erfassung und Rekonstruktion der Hirnströme in einem Gesamtsystem erforscht, um die erforderliche Rohdatenmenge noch weiter zu reduzieren.
Projektbezogene Publikationen (Auswahl)
- “ADC topology based on compressed sensing for low power brain monitoring,” Procedia Engineering, Bd. 120, pp. 315-319, 2015
H. Lange, S. Schmale, B. Knoop, D. Peters-Drolshagen und St. Paul
(Siehe online unter https://doi.org/10.1016/j.proeng.2015.08.624) - “RSCS: Minimum Measurement MMV Deterministic Compressed Sensing based on Reed Solomon Coding”, The Asilomar Conference on Signals, Systems, and Computers, Asilomar Hotel and Conference Grounds, Monterey, USA, 8.-11. November 2015
T. Schnier, C. Bockelmann, A. Dekorsy
(Siehe online unter https://doi.org/10.1109/ACSSC.2015.7421175) - “Minimum Measurement Deterministic Compressed Sensing based on Complex Reed Solomon Decoding”, The 24th European Signal Processing Conference (EUSIPCO 2016), Budapest, Ungarn, 29. August - 2. September 2016
T. Schnier, C. Bockelmann, A. Dekorsy
(Siehe online unter https://doi.org/10.1109/EUSIPCO.2016.7760270) - “A Theoretical Analysis of the Spatial Multi Channel Compressed Sensing Model”, The 18th IEEE International Workshop on Signal Processing Advances in Wireless Communications (SPAWC 2017), Sapporo, Japan, 3. - 6. Juli 2017
T. Schnier, C. Bockelmann, and A. Dekorsy
(Siehe online unter https://doi.org/10.1109/SPAWC.2017.8227779) - “Reduction of Necessary Data Rate for Neural Data Through Exponential and Sinusoidal Spline Decomposition using the Finite Rate of Innovation Framework”, The 42nd IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP 2017), New Orleans, USA, 5. - 9. März 2017
T. Schnier, C. Bockelmann, A. Dekorsy
(Siehe online unter https://doi.org/10.1109/ICASSP.2017.7952273) - “SparkDict: A Fast Dictionary Learning Algorithm”, 25th European Signal Processing Conference (EUSIPCO 2017), Kos City, Kos Island, Griechenland, 28. August - 1. September 2017
T. Schnier, C. Bockelmann, A. Dekorsy
(Siehe online unter https://doi.org/10.23919/EUSIPCO.2017.8081472) - “Asynchronous Multi Channel Compressed Sensing ADC for Neurological Signals,” in 2018 16th IEEE International New Circuits and Systems Conference (NEWCAS), 2018
H. Lange, T. Hillebrand, D. Peters-Drolshagen und St. Paul
- “Comparison of Implementation and Recovery for Multi Channel Compressed Sensing,” in 2018 IEEE International Symposium on Circuits and Systems (ISCAS), 2018
H. Lange, S. Schmale, D. Peters-Drolshagen und St. Paul
(Siehe online unter https://doi.org/10.1109/ISCAS.2018.8351293)
