ph.d. projekter ved SDU Mikroelektronik
For mere information
Igangværende projekter
Alexander Borch Kristensen
Projekt: NeuroEar - In-Ear Multi-Modal Monitoring of Brain Disorders
Vejleder: Lektor Milad Zamani
Elektroencefalografi (EEG) er med sin skalerbarhed, høje tidsmæssige opløsning og bærbarhed en af de mest anvendte metoder til registrering af øjeblikkelig fysiologisk aktivitet i hjernen. Transkraniel bioimpedans (BioZ) kan som metode give en fysisk karakterisering af det underliggende væv og dermed afspejle information om øjeblikkelige cerebrale komponenter. NeuroEar-projektet har til formål at kombinere de to metoder i én diskret in-ear-enhed med lavt strømforbrug. Dette vil muliggøre langsigtet kombineret fysiologisk og fysisk karakterisering til forskning i forskellige hjernesygdomme.
Arman Ghouchani
Projekt: Combining Bio-Impedance and EEG for reliable mobile EEG
Vejleder: Lektor Milad Zamani
Mobile EEG-systemer muliggør kontinuerlig overvågning i anvendelser som søvn, epilepsi, behandling og hjerne-computer-grænseflader, men optagelser uden for kontrollerede laboratoriemiljøer giver store udfordringer med at bevare signalkvaliteten på grund af bevægelse, muskelaktivitet, udstyrsproblemer og dårlig kontakt mellem elektrode og hud. Disse problemer er særligt vigtige for tørkontaktelektroder, som typisk har en langt højere og mere varierende elektrode-hud-impedans end våde elektroder, hvilket gør pålidelig EEG-optagelse vanskeligere. For at løse dette problem foreslår vi at integrere en ultralavenergi, semikontinuerlig måling af elektrode-hud-impedansen i EEG-optagesystemet. Ved periodisk at overvåge elektrode-hud-impedansen kan systemet give en objektiv indikation af elektrodernes kontaktkvalitet og generere referencedata (ground truth) til efterbehandling og automatisk vurdering af signalkvaliteten. Tilgangen muliggør løbende estimering af elektrodekvaliteten og undgår samtidig det strømforbrug og den mulige interferens, der er forbundet med kontinuerlig impedansmåling.
Jorge Luis Vega Pinto
Projekt: Selective State Space Models and RISC-V Co-design for Energy-Efficient Audio Applications
Vejleder: Professor Farshad Moradi
Dette ph.d.-projekt undersøger hardware-algoritme-co-design til energieffektiv lydbehandling i realtid på edge-enheder. Projektet udvikler selektive state space-modeller, herunder S4-, Mamba- og neuromorf-inspirerede varianter, til taleforbedring, taleseparation og detektion af lydhændelser. Modellerne benchmarkes mod CNN-, RNN- og Transformer-baselines med hensyn til nøjagtighed, latenstid, hukommelsesforbrug og beregningsomkostninger. Derefter designer projektet en dedikeret SSM-accelerator, der er tæt koblet til en RISC-V-processor med lavt strømforbrug, med validering på FPGA og RTL-niveau. Det overordnede mål er at bevare en stærk modellering af lange tidsmæssige sammenhænge og samtidig reducere den energi og hukommelse, der kræves til altid aktive lydapplikationer såsom høreapparater, wearables og indlejrede akustiske sensorer.
Ming Zhang
Projekt: Energy-Efficient and Low-Latency SSM-Transformer Accelerator for LLMs
Vejleder: Professor Farshad Moradi
Selvom transformerbaserede store sprogmodeller (LLM'er) opnår imponerende resultater, medfører deres kvadratiske beregningskompleksitet betydelige forsinkelser og et højt energiforbrug, hvilket vanskeliggør anvendelse på edge-enheder. State Space Models (SSM'er) og hybride SSM-Transformer-arkitekturer tilbyder lineær tidskompleksitet og reduceret hukommelsesforbrug, men konventionelle hardwareacceleratorer understøtter ikke effektivt SSM-specifikke eksekveringsmønstre såsom selektiv scanning og rekursive opdateringer. Dette resulterer i betydelige ineffektiviteter i dataflow og planlægning. For at imødegå denne udfordring foreslår projektet en algoritme-hardware-co-designet accelerator, der er målrettet hybride SSM-Transformer-LLM'er. Acceleratoren anvender et samlet dataflow, rekonfigurerbare beregningsenheder og et hierarkisk hukommelsessystem for at muliggøre ultralav latenstid og energieffektiv implementering af LLM'er på ressourcebegrænsede platforme.
Weitong Peng
Vejleder: Lektor Hooman Farkhani
NeuroMate-projektet har til formål at udvikle en ny generation af assisterende handske, der styres via EEG – eventuelt kombineret med andre biosignaler, hvis det er nødvendigt – så apopleksipatienter kan udføre funktionel bevægelsesgenoptræning i hjemmet. Et centralt teknologisk krav i NeuroMate er et specialdesignet analogt front-end (AFE), der er optimeret til EEG-signalopsamling via bærbare EEG-elektroder, med krav til strømforbrug, størrelse, støjegenskaber og langtidsstabilitet. Dette ph.d.-projekt adresserer direkte disse udfordringer gennem design, implementering og validering af et integreret flerkanals-AFE, der kobles til EEG-elektroderne. Arbejdet undersøger nye kredsløbsarkitekturer og designteknikker til støjsvag forstærkning (LNA), artefaktundertrykkelse og signalbehandling, efterfulgt af hardwarerealisering og eksperimentel evaluering, potentielt i kliniske miljøer.
Yaogang Wang
Projekt: Low-Power Architectures for Multi-Channel Intelligent Neural Interfaces
Vejleder: Professor Farshad Moradi
Projektets hovedformål er at udvikle en energieffektiv neural grænseflade med mange kanaler til registrering af data fra forskellige kanaler. Systemet skal være konfigurerbart til forskellige anvendelser og samtidig kunne tilpasse sig hurtigt og effektivt til forskellige scenarier på en fleksibel og dynamisk måde. Målet er at minimere systemets energiforbrug, samtidig med at andre relevante ydeevneparametre optimeres. Projektet fokuserer dermed på udviklingen af intelligente og energieffektive arkitekturer til multi-channel neurale interfaces.