基于高输入阻抗放大器的EEG传感器设计

张伟林

(浙江大学 超大规模电路设计研究所，浙江 杭州 310027)

0 引 言

脑电图(electroencephalogram,EEG)是脑神经细胞群电生理活动的综合反应,其中蕴涵着丰富的生理、心理信息。随着医学、神经科学、认知心理学和人工智能研究的深入发展，EEG这种重要的生理信号正在被越来越多地应用到医学检测临床诊断和新兴的脑—机接口领域。作为中枢神经系统的直接外在表征，EEG能反映出大脑皮层不同区域的活动状态，可用来检测人的生理、心理状态以及不同脑功能的脑区交互方式[1]；可为癫痫痴呆、肿瘤等脑部疾病或脑死亡提供诊断信息[2]；可结合脑电解读技术，完成脑与外部设备的直接通信，实现脑—机接口系统[3，4]。

随着科技发展和医疗水平的提高，传统的湿电极技术已经越来越不能满足实际要求，目前对干电极技术的研究非常活跃，主要方向是接触式与非接触式的干电极[5,6]。

1 干电极结构

干电极EEG采集系统如图1所示主要由 4个部分组成:干电极、放大器、信号传输与电源[7]。

图1 EEG采集系统基本模型

干电极：主要是用来感知EEG，并将其转换成电信号。

放大器：由于干电极采集到的信号十分微弱，为了后续电路的处理，需要把信号进行放大。因为干电极是在头部采集信号，因此，放大器需要有较小的尺寸和较低的功耗。为了能放大EEG，放大器还需要具有高的输入阻抗，高的共模抑制比和低噪声等特点。如果一级放大器的放大增益不够，则可以采用多级放大,经过放大的EEG信号最后还需要进行A/D转换，方便后面的数据处理。

信号传输：EEG经过放大和A/D转换需要传输给计算机，传统的传输是使用USB或串行口进行传输，随着无线通信技术的发展，现在越来越多使用无线技术，包括蓝牙和射频。

2 干电极种类

1)微针干电极：人体皮肤的最外层是表皮，表皮最外层的角质层具有很高的阻抗，微针技术就是利用针式电极穿透角质层，嵌入低阻抗的发生层来完成信号采集的技术[8]。由于角质层的厚度一般为 10～15 μm，生发层的厚度一般为50～100 μm，因此,微针的长度一般在15～100 μm之间。图2为湿电极与微针穿透对比。

图2 湿电极与微针穿透对比

2)指状干电极：基于超高阻抗放大器技术的EEG采集系统的前端是指状结构的生物传感器(图3)[9]。

图3 指状传感器结构[9]

不需要涂抹导电胶，也不需要使用微针穿透角质层,正因为如此传感器与角质层间的阻抗非常大，大约为千万欧姆。所以,需要具有超高输入阻抗的放大器才能使干电极采集到微弱的EEG，还需要能够有效地降低共模抑制比，以减少噪声对脑电信号的干扰。

3)电活性电极：特殊的有机材料(如聚丙烯酰胺等)在不同的电压下能产生不同的电场，使用光电传感技术的干电极就是利用了这种特性来感知EEG信号[10，11]。如图4，利用这种技术，当EEG电压发生变化时，该有机材料的形状也会发生相应的变化。这时， EEG采集设备内置的光源模块产生的光线通过这种有机材料， 其光线强度和传播路线会随着材料的形变发生相应的变化， 最后通过光线感知模块感知光信号的效果， 以计算出电极所感知的EEG的强弱。

图4 电活性电极工作示意图

4)非接触式干电极：非接触式干电极是指传感器(图5)的电极不与皮肤发生实际的欧姆接触， 而是通过某种介质(可以是头发或者衣服) ，将电压信号耦合进放大电路；因而不会在皮肤上产生实际电流， 更加安全方便， 但实现难度也更大，这一领域的先驱和代表性人物是英国苏塞克斯大学的 Harland C J 等人[12]，其中， 基于此原理的杰出工程作品由加州大学圣迭戈分校的托马斯· J ·沙利文等人给出。

图5 非接触式干电极传感器

3 基于深度电压串联负反馈的超高输入阻抗放大器

本文采用深度电压串联负反馈来设计超高阻抗放大器(图6)，深度电压串联负反馈能提供高达1011Ω的输入电阻。

图6 深度电压串联负反馈

在理想运放条件下，根据虚短虚断，输入端的电流为零，所以，输入电阻

Ri=Ui/Ii=∞.

(1)

电路的增益

(2)

因为脑电信号很微弱，需要抑制共模输入，所以，本文的前置放大电路采用差分电路，来提高共模抑制比。

4 无限增益多路反馈二阶低通滤波器设计

EEG信号的频率范围在1～100 Hz，因此，干电极传感器的滤波器是一个截止频率在100 Hz的低通滤波器。

压控电压源二阶低通滤波器在截止频率附近具有较好的幅频特性，但由于它引入了正反馈，如果正反馈过强，将会导致自激振动。

本文为了取得较好的幅频特性采用了无限增益多路反馈二阶低通滤波器，如图7所示。

图7 无限增益多路反馈二阶低通滤波器[13]

无限增益多路反馈二阶低通滤波器的传递函数为

(3)

从分母可以看出，滤波器不会因为放大倍数过大而引起自激振动,并且滤波器具有良好的频率特性。

无限增益多路反馈二阶低通滤波器的特征频率

(4)

选取合适的电容和电阻，即可以令截止频率fp=0.37f0=100 Hz，即可消除100 Hz以上的噪声。滤波器的品质因素

(5)

选取合适的品质因素可以调节滤波器的滤波特性。

5 高通滤波器

脑电信号的频率范围从1～100 Hz，所以经过低通滤波之后，还需要高通滤波，将1 Hz以下的噪声滤去。本文采用无限增益多路反馈二阶高通滤波器，如图8所示。

图8 无限增益多路反馈二阶高通滤波器

该滤波器的截止频率

(6)

6 实验结果与分析

本文利用深度电压串联负反馈来设计超高输入阻抗的放大器，因为前置放大器的输入信号中含有大量噪声，且脑电信号微弱，所以，前置放大器的增益不需要很高，因此，电阻R1，R2，R3，R4分别取1，100，1，100 kΩ，在输入信号分别为1，10，100 Hz的时候输入阻抗均高达1011Ω，如图9。

图9 输入阻抗

当频率为1，10，100 Hz时，共模抑制比分别是195，203，209 dB。

因为EEG频率最高在100 Hz左右，为了让频率较高的EEG无损通过滤波器，故令无限增益多路反馈二阶低通滤波器的截止频率fp=130 Hz，并且根据所需要的滤波特性选取合适的品质因素Q，即可以确定各个参数的值。R1，R2，R3，Rf，C1，C2取值分别为3.83，6.04 ，10，3.83 kΩ，100 nF，1 μF时滤波器的Bode图如图10。

图10 低通滤波器的Bode图

因为脑电信号从1 Hz开始，所以,无限增益多路反馈二阶高通滤波器的截止频率设置的小于1 Hz，令fp=750 mHz，并且根据所需要的滤波特性选取合适的品质因素Q，即可以确定各个参数的值。R1,Rf和C1,C2,C3取值分别为5.76,47.5 kΩ和10,10,10 μF时滤波器的Bode图如图11。

图11 高通滤波器的Bode图

实验表明:该滤波器可以取得较好的滤波性能。

7 结束语

本文就EEG生物传感器的研究提出了使用深度电压串联负反馈来实现超高输入阻抗的放大电路设计方案。实验结果表明： 该系统在输入阻抗、共模抑制比、滤波方面均有比较理想的表现，特别是输入阻抗方面的表现，能提供到达2.6×1011Ω输入阻抗，比利用电流正反馈电路或自举电路的前置放大器的高10倍以上。

参考文献:

[1] Peterson C K,Harmon Jones E.Approach emotionality predicts EEG coherence between left motor cortex and left prefrontal cortex[J].Psychophysiology,2007,44:27-27.

[2] Koutroumanidis M,Koepp M J.The variants of reading epilepsy:A clinical and video-EEG study of 17 patients with reading-induced seizures[J].Brain，1998,121:1409-1427.

[3] 高上凯.浅谈脑—机接口的发展现状与挑战[J].中国生物医学工程学报,2007,26(6):801-803.

[4] Weiskopf N,Mathiak K, Bock S W,et al.Principles of a brain-computer interface(BCI)based on real-time functional magnetic resonance imaging(FMRI)[J].IEEE Transactions on Biomedi-cal Engineering,2004,51(6):966-970.

[5] Harland C J,Clark T D,Prance R J.Electric potential probes:New directions in the remote sensing of the human body[J]．Measurement Science and Technology， 2002,13(2):163.

[6] Sullivan T J,Deiss S R,Cauwenberghs G A.Low-noise,non-contact EEG/ECG sensor[C]∥IEEE Biomedical Circuits and Systems Conference,2007:27-30,154-157.

[7] Gargiulo G,Bifulco P,Calvo R A,et al.A mobile EEG system with dry electrodes[C]∥2008 IEEE Biomedical Circuits and Systems Conference on Intelligent Biomedical Systems,Maryland:IEEE,2008:273-276.

[8] Alexander P.Basic human anatomy[M].San Francisco:The Benjamin Cumming Publishers,1990．

[9] Matthews R,Tumer P J,McDonald N J,et al.Real time workload classification from an ambulatory wireless EEG system using hybrid EEG electrodes[C]∥2008 30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society,Vancouver:IEEE,2008:5871-5875.

[10] Fernandes M,Dias S N.Wearable brain cap with contactless electroencephalogram measurement for brain-computer interface applications[C]∥2009 4th Annual International Conference of the IEEE Engineering on Neural Engineering,Antalya:IEEE,2009:387-390.

[11] Kingsley S A,Sriram S,Pollick A,et al.Photrodes(TM)for phy-siological sensing[J].Optical Fibers and Sensors for Medical Applications,2004,5317:158-166.

[12] Fernandes M,Dias S N.Wearable brain cap with contactless electroencephalogram measurement for brain-computer interface applications[C]∥2009 4th Annual International Conference of the IEEE Engineering on Neural Engineering,2009:387-390．

[13] 童诗自,华成英.模拟电子技术基础[M].3版.北京:高等教育出版社,2001.