Concours

Concours de projet en démonstration
Concours d’affiches scientifiques

Concours de projet en démonstration

Projets en compétition
(cliquez sur le titre pour voir une description complète)

D1 – SwarmUS : Une plateforme d’essaim pour robots hétérogènes
par Philippe Arsenault, Université de Sherbrooke

D2 – Multi-frequency impedance flow cytometry applied to bacteria classification
par Karim Bouzid, Université Laval

D3 – Implémentation matérielle d’un module de télémétrie sans-fils très faible puissance pour l’enregistrement de données neuronales pour la prédiction de crises épileptique
par Louis Philippe Gauthier, Université de Sherbrooke

D4 – Detecting Respiratory Rate Using Flexible Multi-Material Fiber Electrodes Designed for a Wearable Garment
par Michelle Janusz, Université Laval

D5 – Energy-efficeint power converters leveraging appropriate signaling technique
par Mousa Karimi, Université Laval


D1 – SwarmUS : Une plateforme d’essaim pour robots hétérogènes
par Philippe Arsenault, Université de Sherbrooke

SwarmUS est une plateforme qui vise à doter des robots existants des capacités à former un essaim robotique. Le système se base sur quatres piliers essentiels : la communication entre les agents, la coordination de l’essaim, l’interlocalisation (la localisation en angle et en distance) des agents et l’interfaçage du système avec les agents. Le tout a été implémenté sur un ensemble de cartes électroniques regroupant des microntrolleurs pour la communication et la coordination et des antennes radios pour l’interlocalisation. La plateforme est aussi compatible avec le système d’exploitation pour robots [ROS] ce qui la rend facile d’intégration. La plateforme SwarmUS utilise une machine virtuelle s’appellant Buzz, développé à Polytechnique Montréal, pour la coordination des comportements généraux de l’essaim. La plateforme microélectronique se veut conservatrice dans l’utilisation de la puissance électrique pour des utilisations sur des engins à batterie et de faible coût pour une implémentation facile à réaliser. Elle synchronise trois antennes à Ultra larges bandes afin d’obtenir la position et l’angle d’un autre système grâce à un système d’horloge
distribuée. De plus, la plateforme est libre de droits et disponible en ligne.

D2 – Multi-frequency impedance flow cytometry applied to bacteria classification
par Karim Bouzid, Université Laval

A novel impedance-sensing device and its related microfluidics system developed to characterize the macroscopical properties of bacteria and microparticles. The system is based on a phase-sensitive detector with square-waves excitation voltage ranging from 20 kHz to 40 MHz as inputs to characterize microparticles in situ using impedance spectroscopy and impedance flow cytometry. The particles pass through 100 μm by 120 μm polydimethylsiloxane microchannel bonded on a printed circuit board etched with 200 μm wide electrodes. The measured data show an error of less than 7% for the impedance magnitude and of less than 3 degrees for the phase, over the whole frequency range.

D3 – Implémentation matérielle d’un module de télémétrie sans-fils très faible puissance pour l’enregistrement de données neuronales pour la prédiction de crises épileptique
par Louis Philippe Gauthier, Université de Sherbrooke

Cette étude présente le module de communication sans fil d’un dispositif d’enregistrement intracrânien implantable multisite composé de quatre réseaux de 49 électrodes. L’implant est conçu pour la microélectrocorticographie à long terme (μECoG) afin de permettre une prévision précise des crises d’épilepsie. Le module de communication est basé sur une puce UWB (Ultra Wide Band) disponible commercialement qui permet une transmission de données à 60 centimètres avec un taux de pertes inférieur à 5%. Le module a une surface de 600 mm2. Il transmet 1,78 Mbit/s à une puissance de 14,4 mW, ce qui se traduit par une consommation d’énergie de 8,09 nJ/bit. Ces résultats justifient la poursuite de la recherche et du développement d’une solution plus intégrée, telle qu’un circuit intégré spécifique à une application (ASIC).

D4 – Detecting Respiratory Rate Using Flexible Multi-Material Fiber Electrodes Designed for a Wearable Garment
par Michelle Janusz, Université Laval

Smart sensors embedded into wearables and capable of monitoring vital signs have become an important research topic and the technology of interest for numerous commercial ventures. Monitoring respiratory rate (RR) is challenging due to the complexity and uniqueness of the musculoskeletal movements involved in the breathing process. At the same time, it is a critical factor in assessing patient health. Multi-material fibers exhibit the potential to be used in a wearable garment to measure RR. This study compares the effectiveness of two types of multi-material fibers, the polyethylene-covinyl acetate (PEVA) fiber and the polydimethylsiloxane elastomer (PDMS) fiber, in detecting RR using two principles, the Fiber Strain method and the Bioimpedance method. The study involved five experiments where ten volunteers’ RR was measured under different conditions: deep breathing, holding breath, deep breathing with exercise, relaxed breathing, and deep breathing with the fibers mounted onto a wearable. Overall, the PDMS fiber outperformed the PEVA fiber in detecting the RR by providing better accuracy, greater SNR, and more versatility. Although some studies have previously described the successful use of multi-material fibers in monitoring vital signs, no reported research could be identified that examined the use of these multi-material fibers for RR measurement.

D5 – Energy-efficeint power converters leveraging appropriate signaling technique
par Mousa Karimi, Université Laval

we present the design of an energy-efficient buck converter leveraging a new custom integrated reconfigurable Asymmetric Deadtime Generator (ADG). This design addresses the need for energy-efficient and high-power density power converter. The circuit features a programmable delay element providing a wide range of deadtime delays for different power conversion applications with various loads. Three main tunable parts are used in the circuit: a capacitive bank, a current source, and a Schmitt trigger. A complete buck converter is implemented using the fabricated custom integrated deadtime generator and off-the-shelf electronic components, such as GaN power switches. The performance of the chip and the buck converter are measured and reported. Experimental results show that the presented asymmetric deadtime generator can improve the converter’s efficiency by as much as 12% for an input voltage of 12 V, an output voltage of 2 V, a load of 80 Ω, and an output current of 25 mA compared with a fixed deadtime controller.

Concours d’affiches scientifiques

Projets en compétition
(cliquez sur le titre pour voir une description complète)

P1 – Finite Element Simulation of a Microdroplet Generation System for an Implantable
par Gabriel Lachance, Université Laval

P2 – Conception de réseaux de neurones artificiels à décharges sur circuits intégrés CMOS
par Marwan Besrour, Université de Sherbrooke

P3 – CMOS Multi-Frequency Lock-in Sensor for Impedance Spectroscopy in Microbiology Applications
par Seyedeh Nazila Hosseini, Université Laval

P4 – Siamese Convolutional Neural Network and Few-Shot Learning for Embedded Gesture Recognition
par Simon Tam, Université Laval

P5 – Tiny CNN for Seizure Prediction in Wearable Biomedical Devices
par Yang Zhang, Polytechnique Montréal


P1 – Finite Element Simulation of a Microdroplet Generation System for an Implantable
par Gabriel Lachance, Université Laval

Controlling micro-reactions is a challenge for researchers in biochemistry. The generation of microdroplets of liquid plays an important role in this field as it can be used in regulating reactions as well as analysing them, with potential sensing and control applications. This work contributes to the integration of
microfluidic sample testing in platforms such as Lab-on-a-chip, by describing the design of a simple microdroplet generator system that could be implemented on such platforms for the purpose of biological liquid’s sampling. The system was first simulated with the ANSYS Fluent software for fluid dynamics by starting with an initial geometry and varying different parameters to measure the induced variations on the microdroplets generated by such a system. The simulation results can then help predict different microdroplet patterns in a given generation system, making it possible to determine the ideal conditions under which microdroplet generation can be achieved for a chosen geometry.

P2 – Conception de réseaux de neurones artificiels à décharges sur circuits intégrés CMOS
par Marwan Besrour, Université de Sherbrooke

La révolution de l’apprentissage machine profond repousse les limites de la science. Bien que la majorité des développements utilisent l’infonuage, d’autres projets visent à réduire les délais et à augmenter la rapidité de traitement de l’information en déplaçant son traitement en périphérie (Edge Computing), contribuant ainsi à une réduction significative des besoins énergétiques. Cette nouvelle approche exige de revoir les architectures de traitement classiques, qui deviennent problématiques dans les systèmes embarqués et sur les appareils mobiles, en termes de consommation de puissance, à cause de la complexité des modèles et des ressources matérielles nécessaires pour générer des prédictions. Les processeurs neuromorphiques standard implémentant des réseaux de neurones numériques comme TrueNorth et Loihi, prédominent toujours grâce à la flexibilité offerte par l’aspect pseudo-logicielle des algorithmes d’apprentissage machine. Ces systèmes permettent une grande flexibilité de programmation, au détriment de la densité neurosynaptique réduisant le déploiement de ces NeuroSoC à large échelle.
Une réduction de consommation et d’espace supplémentaire de plusieurs ordres de grandeurs est anticipée avec l’implémentation de réseaux de neurones à décharges (SNN) sur circuit intégrés CMOS par des techniques analogique et signaux-mixtes. Nous présentons dans ce travail un processeur neuromorphique composé d’une matrice de quatre par quatre ASIC. Chaque ASIC comporte un SNN de trois couches incluant 16 neurones à décharges chacune. L’implémentation de ce NeuroSoC à l’aide d’une matrice de bloc unitaire permet l’expansion des capacités du réseaux de neurone unitaires. Les résultats de simulation post layout nous permettent de classifier deux chiffres manuscrits sur la base de données MNIST.

P3 – CMOS Multi-Frequency Lock-in Sensor for Impedance Spectroscopy in Microbiology Applications
par Seyedeh Nazila Hosseini, Université Laval

This poster presents the design of a CMOS lock-in amplifier (LIA) encapsulated with an impedance sensor for microbial monitoring applications. The custom integrated LIA is designed and fabricated in a 0.18-μm CMOS technology. It includes a fully differential switched-capacitor transimpedance amplifier as the main building block block of the lock-in amplifier. In this design, chopper stabilization is used in the capacitive transimpedance amplifier to reduce the noise and improve the sensor’s sensitivity. The proposed LIA contains a band-pass filter with 0.88 quality factor to pass signals at selectable center frequencies of 1, 2, 4, and 10 kHz; a programmable gain amplifier, a mixer, and a low-pass filter to extract impedance changes caused by microorganism growth at different frequencies. The transimpedance amplifier has a of 54.86 dB, and an input-referred noise of 58 pA/√Hz at 1 kHz. The whole sensor has a sensitivity of 240 mV/nA. It consumes a power of 817.56 μW from a 1.8V power supply and has a total harmonic distortion of -72.7 dB.

P4 – Siamese Convolutional Neural Network and Few-Shot Learning for Embedded Gesture Recognition
par Simon Tam, Université Laval

This work proposes a framework to train and deploy neural network-based gesture recognition algorithms in wearable devices. The approach is demonstrated for a high-density electromyography (HD-EMG) gesture recognition system where a Siamese convolution neural network (SCNN) learns to associate and dissociate muscle activity patterns from the same or distinct gesture classes. This optimizes learning in low-data environments such as gesture recognition and myoelectric control where training data must be provided by the end user. Then, using a cosine similarity-based few-shot classifier and inter-session-intra-user transfer of the SCNN’s learning, the proposed model is intended to achieve state-of-the-art results in a framework that is realistically applicable in wearable devices. For an experimented myoelectric interface user, the proposed model achieved 89.24 % accuracy in 6-class gesture recognition, using inter-session-intra-user transfer learning by the SCNN. Few-shot learning demonstrates convergence to this accuracy within 20 shots with the cosine similarity classifier. Across a group of 13 able-bodied participants, 92.80 % and 99.97 % mean and median accuracy were obtained from the 6-way 20-shot learning approach with a majority vote (100 votes) over time-distributed inferences.

P5 – Tiny CNN for Seizure Prediction in Wearable Biomedical Devices
par Yang Zhang, Polytechnique Montréal

Epilepsy is a life-threatening disease affecting millions of people all over the world. Artificial intelligence epileptic predictors offer excellent potential to improve epilepsy therapy. Particularly, deep learning models such as convolutional neural networks (CNN) can be used to accurately detect ictogenesis through deep structured learning representations. In this work, a tiny one-dimensional stacked convolutional neural network (1DSCNN) is proposed based on short-time Fourier transform (STFT) to predict epileptic seizure. The results demonstrate that the proposed method obtains better performance compared to recent state-of-the-art methods, achieving an average sensitivity of 94.44%, average false prediction rate (FPR) of 0.011/h and average area under the curve (AUC) of 0.979 on the test set of the American Epilepsy Society Seizure Prediction Challenge dataset while featuring a model size of only 21.32kB. Furthermore, after adapting the model to 4-bit quantization, its size is significantly decreased by 7.08x with only 0.51% AUC score precision loss, which shows excellent potential for hardware-friendly wearable implementation.

Bienvenue à l'Université du Québec en Outaouais pour la JIR2022 et le 10e concours de démonstration technique de microsystèmes.
Organisé par