电子产业一站式赋能平台

PCB联盟网

搜索
查看: 19|回复: 0
收起左侧

ISSCC2025 | 用于疾病无创诊断的片上增量学习电子鼻芯片系统

[复制链接]

940

主题

940

帖子

9146

积分

高级会员

Rank: 5Rank: 5

积分
9146
发表于 昨天 08:01 | 显示全部楼层 |阅读模式
引言
7 n% N5 J; X3 l: ~  w$ s; I8 t电子鼻(E-nose)代表医疗保健领域的前沿技术,通过分析呼出气体提供无创疾病检测方法。便携式电子鼻系统的出现为早期疾病检测提供了新方法,避免了传统组织采样方法带来的不适和风险。然而,这些设备在不同环境和患者之间保持准确性方面面临重大挑战,同时还需管理功耗限制,这对便携式应用非常关键。" J1 h! `+ o8 ^5 X8 ]
8 u3 v+ y7 U4 u4 E# [
电子鼻技术的最新发展创造了ANP-O,一种创新的67μW/通道,0.13nW/突触/位的芯片式电子鼻系统。这种创新系统结合了16通道气体传感器阵列、无ADC模拟前端电路和异步嗅觉处理器,为无创疾病诊断创建了全面解决方案。ANP-O的独特之处在于执行片上增量学习的能力,使系统能够适应变化的环境和患者特征,同时保持疾病检测的高准确性[1]。# d# p2 F( ^  t! }8 P5 s& M# _

oiqkvwb4t1o640113615.png

oiqkvwb4t1o640113615.png
$ e  @" G: [2 a4 T6 R7 n8 n
5 D; D! S/ L6 \$ V: O  q: X+ g
13 Z9 ~1 u2 f* M
电子鼻技术用于疾病检测的原理和挑战
8 ?3 `/ ^) a- B9 L( n' m# }1 E, |) U电子鼻技术的基本原理在于通过分析患者呼出气体成分检测体内病理变化。这种方法消除了侵入性组织采样程序的需要,大大减少了患者不适,同时避免了传统诊断方法常伴随的感染或并发症风险。  t. V. Q7 e( X4 y  L

( ~- u2 D4 e  N7 ^" v. h* F% T; V尽管前景看好,电子鼻技术面临两个主要挑战。首先,呼出气体的成分根据环境条件和患者差异而显著变化。当不同患者在医院、健康中心或家庭等各种场所使用不同设备时,这些变化会严重影响疾病检测的准确性。其次,对更智能电子鼻系统的需求不断增加,导致电路复杂性和数据处理需求更大,功耗不断上升——这对便携式、功率受限设备来说是一个关键问题。
: U6 q# C9 ]5 m& l) l3 G% K6 d0 X4 E8 E* b  }9 Z
图1说明了这些挑战。顶部显示了便携式电子鼻应用于疾病诊断的概念,中间部分突出了便携式电子鼻面临的环境变化和功耗问题。. q7 @; w* H+ O# B& [5 p( R1 j

q5ydprfh421640113715.png

q5ydprfh421640113715.png

' ?* ]( \, P( x. T7 p4 x图1:便携式电子鼻在疾病诊断中的应用(左上),无ADC电子鼻框架(右上),主要挑战(中间)和提出的解决方案(底部)。+ W8 h* O! r  ~& _1 f

; }5 ?$ ^, M9 W7 m* U$ q& l+ e2
0 w- |/ o& T4 k% h/ O/ |ANP-O:电子鼻技术的革命性方法0 B4 y, F- X7 z# m$ b7 F
为解决这些挑战,ANP-O系统融入了三项关键创新:
& w0 r$ D: Z; ?* e1. 片上增量学习 - 该特性使系统能够在准确性下降到用户定义阈值时快速、本地重新训练神经网络。通过重置和重新训练脉冲神经网络(SNN)模型,电子鼻可以克服由环境变化或不同患者特征导致的准确性下降。
( h! g7 t% w8 i3 v( y2. 无ADC前端电路 - 通过消除模数转换器,系统通过最小化转换延迟显著改善响应时间,同时通过直接模拟信号处理提高功率效率。9 M5 O0 Z# u, Z+ X9 L! r! \
3. 事件驱动异步逻辑 - 这种方法通过消除全局时钟的需求有效降低了开关功率,进一步提高了功率效率。
  A" \9 f' L7 C, X; l4 w4 X! i5 o0 n! T, p+ T5 `3 P& l
此外,系统引入了两种新机制来优化性能:自适应突触权重更新跳过(SWUS)机制和训练突触权重低宽度存储(TWLS)方法。这些创新共同消除了82%的冗余突触权重更新,并将训练突触权重的存储成本降低了50%,而不影响准确性。, U& p5 k$ v: p, Y4 |3 a' U$ Q
" Z" D$ N8 X3 S: ?8 t0 a1 P
结果是一个能够达到显著准确率的电子鼻系统:98.23%用于9类易燃和有毒气体(FTs)的少样本学习,98.0%用于10类挥发性有机化合物气体(VOCs)的单样本增量学习,以及97.7%用于批量学习诊断肺癌患者。值得注意的是,ANP-O是第一个支持片上学习的电子鼻系统。
; \( x' |& f( d( P
* E' ~3 }  _: P3
- O" R% R3 A0 R4 \硬件实现和传感器技术
8 `  T# |5 r; u9 N2 N: fANP-O系统的硬件实现从传感器阵列开始,该阵列使用纳米级喷墨打印机在表面上打印0.1%PEDOT溶液。在60°C干燥过夜后,该溶液形成均匀的薄层,确保一致的电子和光电性能。该系统还容纳铟和锡等纳米金属氧化物用于微芯片涂层,增强感应能力。
* B+ _- L& g# |( a# k- S% j: s/ `' t- ]0 f
图2显示了16通道气体传感器阵列和无ADC模拟前端电路架构。; R+ S3 J! H6 _& H( T2 s) V

jeh1qiwzcy3640113815.png

jeh1qiwzcy3640113815.png
) u( l; ]" v: e
图2:16通道气体传感器阵列和无ADC模拟前端电路系统图(顶部),薄膜(左下),对数转换器和电压比较器(右中),以及时序图(右下)。
8 U3 o6 i* m. i0 o- S/ p3 s2 g( p" b7 h( q0 z
前端电路设计为低功率和低复杂度,基于浪涌延迟时间原理。主要由三个组件组成:
  • 电阻到对数转换器,利用MOSFET的亚阈值操作特性扩展读取范围
  • 用于信号处理的比较器
  • 偏移电压消除电路,确保准确性
      `) X  A% ?! V. _  i) l[/ol]5 m, m8 H  h) n* A; t
    电阻到对数转换器利用MOSFET在亚阈值区域工作时漏极电流和栅极电压之间的指数关系。这使电路能够将传感器电阻变化转换为相应的电压变化,实现信号的对数压缩。7 p: r! X1 _* _* K/ ]& b
    * B$ w! T7 D; ]: p  d
    比较器设计采用双相非重叠时钟技术来减少偏移误差,使用30μs周期的自定义方波。这种方法在两个不同阶段之间切换,有效消除电路中的潜在偏移电压,确保转换过程中的稳定性,同时最小化误差。$ B7 q" X4 v' U' N  P

    ' T) K  J1 T% X$ P4 B4
    . U7 }( e% E+ G4 A; l- R具有片上学习能力的嗅觉处理器架构) ~6 M2 K' W) ~8 W
    ANP-O系统的核心是嗅觉处理器,实现双层SNN拓扑结构,使用时间步进方法计算网络动态。图3说明了该处理器的系统架构。2 t( M% @1 I* p3 n) `- y9 W

    ogaak3dhhjg640113915.png

    ogaak3dhhjg640113915.png

    3 b7 l% r( g9 u" Y! @图3:具有片上增量学习功能的异步嗅觉处理器系统图(顶部)和使用的基于Click的双相协议(右下)。
    " M% |' I& {  M& h
    , T1 x; E% v. r! e嗅觉处理器由四个主要组件组成:
    # L" S, ~: }/ @, M4 V3 [0 e1. 用于信号归一化的预处理模块
    2 V6 @0 N2 V  }9 {2. 具有72个兴奋性神经元的兴奋层4 g7 a8 J( [: x/ `- _( ^" p2 f3 T, @
    3. 具有360个抑制性神经元的抑制层. U2 L' ^5 B9 S: n, S! U9 @
    4. 用于分类的读出电路
    4 _$ \' X: z- E0 a3 T" r$ w: D6 e2 h. F: C! a
    操作流程始于模拟前端电路产生的脉冲被预处理模块和脉冲生成器归一化并转换为时间优先脉冲。当新的气体样本到达时,这些脉冲触发兴奋性积分与发射(IF)神经元脉冲,提示兴奋性突触地址生成器生成与兴奋性神经元相关的地址。
    ) @2 P) {  K4 j' T6 z
    $ E; P/ l4 P, b8 L- U$ [7 f( t. I这些地址及相应的突触权重被编码成一个包,通过地址事件表示(AER)电路传输。解码后,脉冲可能触发抑制性漏积分与发射(LIF)神经元脉冲。兴奋性神经元的抑制性脉冲和预脉冲用于通过各自的权重更新电路和历史缓冲区更新抑制性和兴奋性突触的权重。+ T" H( M* R. l' v, b6 T- [
    . p' ]1 c: G; y
    更新两层中所有突触权重后,训练好的兴奋性突触权重和兴奋性神经元的脉冲时序存储在兴奋性突触权重存储器中,用于推理目的。N类读出电路然后通过计算训练好的气体样本和测试气体的兴奋性神经元脉冲时序之间的相似性进行分类。
    3 H2 u( w  w6 A- z' T: u7 K8 ]  T1 J" r- i' X; b( T0 W! G  J& M( h
    5
    ! ]# J3 m, z8 |6 H高级学习机制:具有侧向抑制的STDP7 w- M& {' V/ R# [7 @% L
    ANP-O系统实施了基于具有侧向抑制的脉冲时序依赖可塑性(STDP)的复杂学习方法。图4说明了这种机制。
    : @+ D3 q: V8 T* j& @

    pwsohc5kiin640114015.png

    pwsohc5kiin640114015.png
    ; B, m( ?3 c1 B! Q4 K
    图4:基于STDP的具有侧向抑制的SNN(左上),自适应突触权重更新跳过(SWUS)机制(右),以及训练权重低位宽编码存储(TWLS)方法(左下)。0 V; |; b4 k' p5 n, n$ s

    2 Y; n. D; \: B% c* cSNN在具有兴奋性和抑制性突触的网络上运行。当兴奋性神经元产生脉冲时,增加兴奋性突触的权重,同时提高同一嗅球内连接的抑制性神经元的脉冲活动水平。相反,当抑制性神经元产生脉冲时,减少抑制性突触的权重,降低其他嗅球内连接的兴奋性神经元的脉冲活动水平。这创造了"赢者通吃"(WTA)效应,增强了兴奋性神经元之间脉冲行为的差异,实现有效分类。
    , ^, A+ J) ?: A6 E0 Y1 e) G8 @4 G) Z- x1 W
    为优化计算效率,系统融入了自适应突触权重更新跳过(SWUS)机制。这种方法避免了训练过程中由于突触权重不均匀收敛速度引起的冗余计算。SWUS过程遵循五个步骤:脉冲生成、地址分配、权重更新、权重检查和跳过检查。
    / L! G/ Y# ?% u# d8 |+ l/ v- ~! V* H* y
    在跳过检查步骤中,如果突触权重在更新后保持不变,跳过计数器增加一。当计数器达到用户定义的阈值N(表示权重连续N次更新保持不变)时,该突触将被排除在进一步更新之外。这种优化使系统能够跳过超过82%的权重更新,而不影响准确性。/ }+ A7 L' e' h& M" i5 [/ Z
    ) B5 K2 Q% J4 c3 D1 k- C0 `
    此外,训练突触权重低宽度存储(TWLS)方法进一步提高了效率。利用WTA效应,由于侧向抑制,超过95%的训练突触权重达到最小或最大值,系统通过非线性映射将8位权重编码为4位代码。结合SWUS机制,这种方法将训练功耗降低了72.3%。
    & m: d* ?# v/ n5 }5 S8 c
      C* B/ v5 D, M) |69 M& o  E6 r- g( A% o& ?3 m
    性能评估和基准测试' I5 x) P/ N: Y# c. _
    ANP-O系统在各种测试场景中展示了卓越的性能,如图5所示。
    2 b. w3 b, `4 H: |" b2 V

    bsam51sfbak640114116.png

    bsam51sfbak640114116.png
    0 j# v4 d  w5 _% g& Y8 e. w8 M! l
    图5:基准测试和测量结果,包括气体浓度变化研究和各种应用的测量识别准确性。
    8 ?0 t8 P8 s  l
    2 H. F  a8 o( n0 t- v, }& M  c在气体检测灵敏度方面,室温下NO2的电阻变化百分比范围为1.2%@1ppm至13.2%@15ppm,NH3为2.1%@5ppm至7.6%@25ppm,SO2为1.9%@2.5ppm至11.2%@15ppm。电路保持测量R2值为0.99,尽管电阻变化比率范围很广,但在量化这些气体浓度方面展现出优秀的线性度和可靠性。错误率始终保持在预期的1%范围内。
    3 S# N1 h: l8 A3 h& g0 J* _% F  c, O  t) T# J
    在临床应用中,ANP-O在片上学习的情况下,对肺癌患者的快速诊断达到97.7%的准确率和98.9%的真阳性率(TPR),分析完成时间不到1ms。与其他算法相比,芯片提供了超过12.5%的准确率提升和7.5%的TPR增强。
    ; B( K3 J" ?! L; q6 U- T0 p
    * D) H0 M3 f" ^9 I' `8 ^( y- x& [. N对于多类气体识别,系统使用五样本学习对9类易燃和有毒气体识别展示了98.23%的准确率,优于先前方法0.4%。使用UCI气体传感器采样数据集在60%噪声条件下,系统使用单样本学习实现10类识别98.0%的准确率——比先前系统提高了7.1%和6.0%。值得注意的是,即使按顺序对10种气体进行训练,整体准确率仍保持一致,突显了片上增量学习能力的有效性。9 @" I) V8 g) T8 L, M
      V8 ?1 C3 Z  T
    7
    1 {( a! H) H6 y, X# y功率效率和与最先进系统的比较8 a* U6 m3 f: |- n, ]4 J
    与之前最先进的系统相比,ANP-O系统实现了显著的功率效率,前端读出电路采用新型基于逻辑的对数转换架构,消除了先前设计中使用的ADC模块需求。每个通道的功耗范围从67μW到0.97mW,电路支持高达92dB的动态范围——比先前设计高出3.6倍。
      W# d! i* D( A" U+ U3 t$ K* L) e# G, P- t
    与其他最先进的气体识别芯片相比,ANP-O在10类气体识别的单样本学习和推理方面,每通道分别仅消耗1.06μW和0.91μW。与先前系统相比,这代表学习节省2.16倍能源,推理节省1.86倍能源。) N0 Y7 }/ @* a  [6 g- E

    ; G' J- j: T! ~4 r- R4 X# l% q对于肺癌诊断应用,处理器每通道消耗不到2.29μW,推理功率比可比较系统低241.7倍。功率密度比先前设计低8.0倍,突显了ANP-O系统的卓越效率。) Z; h* X  U& H* }+ W

    . J5 R# S/ X3 }) i5 j87 ]7 N7 v( h9 t2 b' u" ^8 y. _) Y" w
    结论和未来影响
    # h- D1 J/ \+ x: h6 wANP-O系统代表了电子鼻技术的重大进步,解决了准确性和功耗的关键挑战,同时引入了片上增量学习能力。图6显示了系统的芯片显微照片、摘要表和测量设置。
    - s, ]1 C: T$ v6 O" E5 s5 @

    dluemxlr4b5640114216.png

    dluemxlr4b5640114216.png
    8 j# K+ O2 m, W' ?' J. p1 m
    图6:ANP-O系统的芯片显微照片、摘要表和测量设置。
    ) k3 ~) V+ t5 G9 @! |& V; r6 C! u+ j0 W9 \' I6 Y4 N9 I3 o
    系统在不同环境和患者特征下保持高准确率同时消耗最小功率的能力,为便携式、无创疾病诊断开启了新可能。在各种应用中准确率超过97%,每通道功耗低至67μW,ANP-O为电子鼻技术建立了新标准。
    & Y1 p; s2 v0 C. B* [( ~, S) U% F9 E" t5 Q8 k
    结合STDP与侧向抑制等复杂学习机制,以及SWUS和TWLS等优化方法,展示了神经形态计算原理如何有效应用于创建更智能、更高效的感测系统。这些创新不仅提升了当前系统的性能,还为便携式医疗设备的未来进步奠定了基础。/ ]2 r0 N5 a- U4 @+ p8 x8 p. p, Q

    # o+ S& r/ n* A8 Y( S作为首个支持片上学习的电子鼻系统,ANP-O代表了向更具适应性和个性化诊断工具迈出的重要一步。从肺癌到各种气体相关状况,系统能够以高准确率检测各种疾病,表明在医疗保健、环境监测和安全系统中具有广泛的潜在应用。通过实现快速、无创诊断,同时不损害准确性或功率效率,ANP-O使早期疾病检测变得更加可及、舒适和可靠,惠及全球患者。
    3 {9 w  _( k) {; }$ {" X# J3 E: {0 b7 i1 F5 K! e; V
    参考文献0 A' ~, T, |7 ?' u2 [
    [1] D. Huo et al., "A 67μW/channel, 0.13nW/synapse/b Nose-on-a-Chip for Noninvasive Diagnosis of Diseases with On-Chip Incremental Learning," in 2025 IEEE International Solid-State Circuits Conference (ISSCC), Feb. 2025, pp. 350-351.
    1 R! Q& ?# W6 K4 |% bEND
    & Q* L) @" m+ `- m( Z' {+ _5 R4 X# \. g3 f& K
    软件申请我们欢迎化合物/硅基光电子芯片的研究人员和工程师申请体验免费版PIC Studio软件。无论是研究还是商业应用,PIC Studio都可提升您的工作效能。6 e- Q* v$ f7 @1 L: E. S/ K. x3 Y5 V
    点击左下角"阅读原文"马上申请) |% I0 o( T( `% d

    4 B6 `! M" T2 _2 G) T2 y欢迎转载
    3 f4 H6 i" d" N3 }4 b  V( I4 h0 ^6 U; J) ~; v
    转载请注明出处,请勿修改内容和删除作者信息!
    ! A4 }  r& v& }- x1 O$ r( e  Z! u, {% M* I% s: Q- [  }/ H

    & M, ~  L3 x+ @2 K1 a. D1 J

    ) n4 C% Z: e! B: E) e+ {

    4zyt4fae5h0640114316.gif

    4zyt4fae5h0640114316.gif
    5 n8 T; p! n0 Q; S

    ; i$ s' H; q9 A  n$ K, z+ H2 q关注我们
    # \1 h3 f0 |8 L1 t0 O+ r' u% ^. g! j; J$ Z$ R3 O
    6 `5 n# P: _- O! `) t; K% ]

    qg421gnbqoo640114416.png

    qg421gnbqoo640114416.png
    2 h/ _6 R2 X5 N# n

    ! `: a# p2 |( }. r, I4 B

    n2xxd0135mh640114516.png

    n2xxd0135mh640114516.png

    / P( g: D' H' i. \
    9 D: m! m6 [) N5 S( B/ G

    de5sq0kxoao640114616.png

    de5sq0kxoao640114616.png
    - B, E% G7 `4 E  ~- i6 G$ [
                         
    / I6 o4 D: F; b- G4 s9 ^1 A. p
    & O% s1 t- R' t/ |9 i" e, B
    5 H. |2 d3 l- F$ H* V
    $ w6 p, H# C' ]; E1 }
    关于我们:
    1 `+ n. P/ V' R9 o" z# N' o深圳逍遥科技有限公司(Latitude Design Automation Inc.)是一家专注于半导体芯片设计自动化(EDA)的高科技软件公司。我们自主开发特色工艺芯片设计和仿真软件,提供成熟的设计解决方案如PIC Studio、MEMS Studio和Meta Studio,分别针对光电芯片、微机电系统、超透镜的设计与仿真。我们提供特色工艺的半导体芯片集成电路版图、IP和PDK工程服务,广泛服务于光通讯、光计算、光量子通信和微纳光子器件领域的头部客户。逍遥科技与国内外晶圆代工厂及硅光/MEMS中试线合作,推动特色工艺半导体产业链发展,致力于为客户提供前沿技术与服务。
    $ r- s, r  f: P% _2 }( Z" Q  e" m3 t* q
    http://www.latitudeda.com/
    ( U! e: \* R9 h: ?9 N9 k5 p4 Y(点击上方名片关注我们,发现更多精彩内容)
  • 回复

    使用道具 举报

    发表回复

    您需要登录后才可以回帖 登录 | 立即注册

    本版积分规则


    联系客服 关注微信 下载APP 返回顶部 返回列表