Processing neure-signal on an embedded system

• Auteur / Autrice : Ricardo Escolá
• Direction : Isabelle Magnin
• Type : Thèse de doctorat
• Discipline(s) : Sciences de l'information, des dispositifs et des systèmes
• Date : Soutenance en 2008
• Etablissement(s) : Lyon, INSA

Mots clés

Mots clés contrôlés

Traitement du signal

Traitement du signal -- Techniques numériques -- Appareils et matériel

Ondelettes

Résumé

Le domaine des neurosciences s'intéresse à comprendre la façon dont les réseaux neuronaux codent et décodent l'information pour interagir avec le monde extérieur. Pour cela, un des enjeux actuels est de pouvoir simultanément : enregistrer les activités d'un grand nombre de cellules au sein de grands réseaux de neurones, et stimuler de manière dynamique ces réseaux (par exemple pour en contrôler les activités). Aujourd'hui, il est possible de maintenir en vie un explant de tissu nerveux dans un milieu de survie sur des systèmes micro électrodes (Micro Electrode Array) permettant d'enregistrer les activités électriques neuronales sur une centaine de voies. Le passage à de grands réseaux de neurones avec une résolution spatiale suffisante nécessite de mettre au point de nouvelles générations de systèmes offrant un nombre de voies de mesures beaucoup plus important. A cet effet, des technologies l'électronique intégrée sont en cours de développement pour aboutir à des systèmes d'encombrement raisonnable et, à terme, à des implants pour rétablir des fonctions altérées chez l'homme. Dans le cadre de cette thèse on s'intéresse à la compression de signaux neuronaux sur un système intégrée (ASIC) préalable à l'extraction des données. En effet, un effort important a été fait depuis des dizaines d'années dans la compréhension et le développement des techniques embarquées complètement autonomes. Actuellement on constate trois verrous principaux: la puissance dissipée par le système, le flux de données transmis et l'autonomie du système (ceci s'avère indispensable pour des applications implantées). Les potentiels d'action neuronaux (ou spikes) ont été largement acceptés comme étant l'unité de base de l'information neurologique. Ils sont aussi responsables pour la plupart du flux de données enregistré à l'étape d'acquisition. On a donc choisi une approche visant à extraire l'information fonctionnelle de l'activité neuronale de manière à réussir un taux de compression maximale, tout en conservant l'information fonctionnelle des signaux enregistrés. Le traitement des spikes requiert deux étapes: la détection et la classification des spikes en identifiant à quel neurone correspondent les potentiels d'action détectés. Les méthodes traditionnelles de détection et de tri ne sont généralement pas bien adaptées à une implémentation embarquée autonome. Dans cette thèse, on propose des méthodes de détection et de tri non supervisées basées sur des architectures numériques compatibles avec une architecture embarquée de basse puissance. L'étape de détection est basée sur la théorie des ondelettes, ce qui permet d'améliorer la détectabilité des spikes tout en gardant une complexité calculatoire faible. En parallèle on propose un système d'extraction de spikes ``à la volée'' qui minimise la puissance de calcul en utilisant de manière optimale les ressources de la mémoire embarquée. Pour le tri des spikes, on propose un système automatique de classification. L'estimation de puissance nous montre qu'il est compatible avec un système embarqué basse consommation. Notre système réagit en temps réel aux changements dans le tissu nerveux et estime automatiquement les paramètres nécessaires pour réaliser la classification en temps réel. De plus, on propose un outil de simulation de signaux neuronaux qui permet de tester la performance des algorithmes de traitement et de mieux comprendre la dynamique des réseaux neuronaux étudiés.

The field of neuroscience is interested in understanding how neural networks encode and decode information to interact with the outside world. For this, one of the current challenges is to simultaneously record the activity of many cells in large networks of neurons, and stimulate a dynamic way these networks (eg to monitor the activities). Today, it is possible to keep alive an explant of neural tissue in a medium survival of micro electrodes (Micro Electrode Array) for recording neuronal electrical activity on a hundred ways. The shift to large networks of neurons with a spatial resolution sufficient need to develop new generations of systems with a number of measurement channels much more important. To this end, integrated electronics technologies are being developed to lead to reasonable space systems and, ultimately, implants to restore impaired functions in humans. As part of this thesis is concerned with compression of neural signals on a system integrated (ASIC) prior to data extraction. Indeed, a major effort has been done for decades in the understanding and development of technologies embedded completely autonomous. Currently there is three bolts main power dissipated by the system, the flow of data transmitted and the autonomy of the system (this is essential for applications located). The neuronal action potentials (or spikes) have been widely accepted as the basic unit of neural information. They are also responsible for most of the flow of data recorded at the acquisition stage. We therefore chose an approach to extract functional information from neural activity so as to achieve a maximum compression ratio, while preserving the functional information of the recorded signals. Treatment of spikes requires two steps: detection and classification of spikes in identifying how neurons represent action potentials detected. Traditional methods of detection and sorting are generally not well suited to an implementation independent board. In this thesis, we propose methods for detecting and sorting based on unsupervised architectures compatible digital architecture with embedded low power. The detection step is based on the theory of wavelets, which improves the detectability of spikes while keeping a low computational complexity. In parallel we propose a system for extracting spikes to `` broadcast''that minimizes the computing power using optimum resources of the onboard memory. For sorting of spikes, we propose an automatic classification. The power rating shows it is compatible with low power embedded system. Our system reacts in real time to changes in the nervous tissue and automatically estimates the parameters necessary to achieve real-time classification. Moreover, it offers a simulation tool that allows neural signals to test the performance of algorithms and understand the dynamics of neural networks studied.