← 返回 JSSC 论文列表JSSC 2021第3期Data Converters65nm
A Gesture Classification SoC for Rehabilitation With ADC-Less Mixed-Signal Featur
一款用于康复的集成手势和步态分类SoC，采用无ADC混合信号特征提取电路降低功耗和面积。
65nm低功耗工艺，每通道1µW，计算延迟3ms
手势分类步态分类混合信号特征提取片上学习低功耗
▸创新点1：无ADC混合信号特征提取电路（电路创新）- 采用创新的混合信号特征提取(MSFE)电路，直接生成8种常用时域特征，省去了传统ADC模块，实现了3倍面积节省，显著降低了模拟前端的功耗和面积成本。
▸创新点2：支持片上学习的全连接神经网络分类器（系统创新）- 集成可重构神经网络架构，支持用户定制化片上训练，通过专用神经网络层实现步态分类功能，同时满足康复应用严格的3ms延迟要求。
▸创新点3：多芯片低维特征数据传输（系统创新）- 设计创新的多芯片通信协议，仅传输神经网络提取的低维特征数据，相比原始数据传输实现100倍带宽降低，有效解决传感器融合中的通信瓶颈问题。
▸创新点4：超低功耗系统集成（电路创新）- 采用65nm低功耗工艺实现12通道系统集成，单通道平均功耗仅1μW，满足可穿戴康复设备的严苛功耗约束。
Abstract
This article presents a fully integrated gesture
and gait classification system-on-chip (SoC) for rehabilitation
application. In order to reduce the power consumption and area
cost on the analog front end, special analog-to-digital converter
(ADC)-less mixed-signal feature extraction (MSFE) circuits were
designed to directly generate eight commonly used time-domain
features to eliminate the area cost of ADC. A fully connected
neural network classifier was implemented supporting: 1) on-chip
learnin