弥合差距：用于非侵入式交流脑机接口（BCIs）的神经形态硅器件

专注于基于 EEG 的脑机接口的生物医学工程博士学位。寻求具备 Python/C++ 编程技能及扎实信号处理知识的申请者。

关于该项目 基于脑电图（EEG）的脑-计算机接口之所以难以实现，更多是由于其背后的计算技术限制，而非传感器本身的限制。解码过程仍需在笔记本电脑或云端进行，这限制了系统的规模、便携性及响应速度。将计算任务移至头部后，需要达到的精度、延迟与功耗标准是常规处理器无法同时满足的。本项目通过改进并扩展我们团队先前开发的可植入神经处理神经形态人工智能 AI 架构，旨在设计一种用于头皮 EEG 的处理器。 该项目始于一种创新的编码方案，该方案能够将连续的 EEG 信号转换为稀疏事件，同时保留用于解码所需的相位、振幅和频谱信息。与通常会忽略这些特征的现有视觉启发式编码不同，该方案能够完整保留这些特征。在此基础上，项目将开发并量化针对运动想象、诱发／稳态响应及心理状态分类等标准 EEG 范式的事件驱动解码器架构，并与深度学习基线进行性能比较。 为解决 EEG 在不同测量时段及不同受试者之间泛化能力差的问题，该架构采用了轻量级芯片内学习技术，可在不进行全面重新训练的情况下在设备端进行校准；同时与模拟前端协同设计，以在现实世界中的噪声（肌肉活动、眼球运动、运动、电源干扰）下实现平稳降级。 该研究将通过寄存器传输级（RTL）设计、现场可编程门阵列（FPGA）原型开发，以及精度、延迟和功耗的联合表征工作，逐步推进至硅芯片层面；如可行，还将进行流片。最终通过在完全设备端闭环任务中针对真实人类脑电图进行的验证，实现目标达成。 研究基础： 从人类大脑活动中非侵入式解码键入的句子 从非侵入性脑电记录中解码语音感知 预期成果： 一种适用于不同基于 EEG 的 BCI 应用的新型振荡生物信号事件编码方案 针对标准 EEG 实验范式，完成基准测试的脉冲解码器架构。 处理器架构、RTL实现方案及FPGA原型；若项目允许，还将提供实际制造的设备 针对人类参与者进行的实时设备端 EEG 解码演示 电子与计算机科学学院致力于促进平等、多样性与包容性，这从我们获得的 Athena SWAN 奖中可见一斑。我们欢迎所有申请者，无论其性别、种族、残疾状况、性取向或年龄如何，并将充分考虑那些寻求灵活工作模式以及已休过职业休假的申请者。该大学拥有慷慨的产假政策、现场育儿设施，并提供多种福利措施，以保障员工的生活质量与工作生活平衡。南安普顿大学致力于可持续发展，并荣获了铂金级 EcoAward 认证。

入学要求 您必须拥有英国 2:1 荣誉学位或同等国际学位，且所学专业属于以下领域之一： 电子工程 计算机科学 生物医学工程 物理学 一个密切相关的学科领域 必备技能： 精通 Python、C/C++ 或 MATLAB 编程能力 扎实的信号处理与机器学习基础

资助：竞争性资助 学费与资助 我们为英国本土学生和国际学生提供多种资助机会。符合条件的学生可通过“地平线欧洲”学费减免，自动免除国际学生学费与英国本土学生学费之间的差额。 大学通过竞争性遴选授予的校长助学金，为遴选排名靠前的申请人支付国际学生学费与英国本土学生学费之间的差额。 本校各学院通过竞争性遴选提供的博士奖助金，通常为遴选排名靠前的申请人支付按英国本土学生标准收取的学费，并提供生活津贴。 资助采用滚动授予方式，因此请尽早申请，以尽可能增加进入资助评选的机会。 如需更多信息，请访问我们的研究型研究生资助页面。

如何申请 您需： 选择课程类型（研究型）、2026/27学年、工程与物理科学学院 选择全日制或非全日制 搜索电子与电气工程博士项目（7092） 在申请表第2部分填写导师姓名 申请材料应包括： 研究计划书 您的CV（个人简历） 2份学术推荐信 截至目前的学位课程成绩单和证书 英语语言资格证明（如适用）