مروری بر روش های کاهش توان در تقویت کننده های عصبی

Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 180

This Paper With 10 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JIPET-7-27_005

تاریخ نمایه سازی: 19 دی 1400

Abstract:

میکرو سیستم های کاشتنی چند کاناله ضبط اعصاب، شامل تعداد زیادی تقویت کننده اعصاب است که مصرف توان کل سیستم و سطح تراشه قسمت آنالوگ سیستم را تحت تاثیر قرار می دهند.مصرف انرژی کم و مساحت کوچک بر روی تراشه و نیز قابلیت در از بین بردن هر گونه آفست dc محدودیت های اصلی در طراحی است. به طور ایده آل،خروجی های تفاضلی یک تقویت کننده با ورودی های دیفرانسیلی صفر، باید صفر باشد اما عموما یک آفست ولتاژ بین خروجی-های تقویت کننده وجود دارد، این آفست،آفست ورودی تقویت کننده نامیده می شود که تقویت کننده باید توانایی حذف آن را داشته باشد. اولین روش،استفاده از شبکه فیدبک خازنی با کوپلاژ ac المان های ورودی است. روش دوم استفاده از فیدبک مقاومتی و خازن الکترود برای ایجاد فیلتر بالاگذر است. علاوه بر استفاده از روش های ذکر-شده مقاومت های شناور کنترل شده با ولتاژ در مسیر فیدبک استفاده شده است که بدون نیاز به المان های خارج از تراشه آفست dc را حذف می کند.در برخی موارد میتوان از ساختار کسکد بهم تابیده برای تقویت استفاده کرد.ساختار تلسکوپی یک انتخاب خوب برای داشتن بهره بالا، حاشیه فاز کافی و اتلاف توان کم است. علاوه بر این می توان از مدیریت پخش توان نیز از برای کاهش توان مصرفی استفاده کرد.با استفاده از الگوسازی فعالیت های سیستم اعصاب را مدل سازی می کنند؛اروش پخش توان بهترین عملکرد را در کاهش توان مصرفی، نویز و مساحت سیلیکون داشته است. سطح سیلیکون با اشتراک خازن های بزرگ بین تقویت کننده ها و توان مصرفی با اشتراک OTA بین کانالهای ضبط کاهش یافته است.

Authors

سمیرا مهدی پور

کارشناس ارشد – دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مهدی حبیبی

استادیار – دانشکده مهندسی، دانشگاه اصفهان، اصفهان، ایران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • J.N.Y. Aziz, R. Genov, B.L. Bardakjian, M. Derchansky, P.L. Carlen, ...
  • R.C. Gesteland, B. Howland, J.Y. Lettvin, W.H. Pitts, "Comments on ...
  • V.S. Polikov, P.A. Tresco, W.M. Reichert, “Response of brain tissue ...
  • K. Najafi, “Solid-state micro sensor for cortical nerve recordings”, IEEE ...
  • V. Majidzadeh, A. Schmid, Y. Leblebici, “Energy efficient low noise ...
  • S.S. Saberhosseini, A. Zabihian, A.M. Sodagar , “Low-noise OTA for ...
  • F. Shahrokhi, K. Abdelhalim, D. Serletis, P.L. Carlen, R. Genov, ...
  • S. Rehman, A.M. Kambo, “A new architecture for neural signal ...
  • W. Wattanapanitch, R. Sarpeshkar, “A low-power ۳۲-channel digitally programmable neural ...
  • Y. Li, Q. Ma, M.R. Haider, Y. Massoud, “An ultra-low-power ...
  • P. Kmon, P. Grybos, “Energy efficient low-noise multichannel neural amplifier ...
  • F. Zhang, ۱. Holleman, B. Otis, “Design of ultra-low power ...
  • E.M. Izhikevich, “Simple model of spiking neurons”, IEEE Trans. Neural ...
  • Y.J. Lee, Y. Kim, J. Ayers, A. Volkovskii, A. Selverston, ...
  • K. Nakada, T. Asai, H. Hayashi, “A silicon resonate-and-fire neuron ...
  • B. Linares-Barranco, E. Sanchez-Sinencio, A. Rodriguez-Vazquez, J. L. Huertas, “A ...
  • G. Patel, S. DeWeerth, “Analogue vlslmorris-lecar neuron”, IET Electronics Letters, ...
  • K. Nakada, T. Asai, Y. Amemiya, “Analog CMOS implementation of ...
  • A. James, A.P. Shariff, F. Maan, “A neuron based switch: ...
  • نمایش کامل مراجع