基于ADS1299的脑电开发平台的设计

基于 ADS1299的脑电开发平台的设计

吴晋，齐鲁豫，陈佳智，董璐，庞悦鑫，陈思明，高萌，徐伟

天津工业大学 电气与电子工程学院，天津 300380

摘要：为了方便脑电信息的研究与开发，文中以TI公司的ADS1299芯片为基础设计了集脑电采集、信号传输、信号处理等功能为一体的脑电开发平台，能够实时采集人体脑电信号并通过Wifi模块传输到上位机显示，并基于共空间模式算法（CSP）和支持向量机（SVM）对脑电信号进行特征提取和分类，同时预留接口供二次开发使用。在此设计中，完成了对系统整体的调试并开发了Matlab平台下的上位机软件。分析结果表明，该系统较为稳定，分类结果较为准确，符合预期的设计要求。

关键词：脑电采集；ADS1299；CSP；支持向量机

中图分类号：TN606；TP317 文献标识码：A 文章编号：

Design of EEG development platform based on ADS1299 chip

Wu Jin, Qi Luyu, Chen Jiazhi, Pang Yuexin, Gao Meng, Chen Siming

（TianGong University Control science and Engineering，TianJin 300387）

Abstract: In order to simplify the research and development of EEG information, this paper designs a EEG development platform based on ADS1299 chip, which integrates EEG acquisition, signal transmission, signal processing and other functions. It can collect human EEG signals in real time and transmit them to the host computer for display through Wifi, The feature extraction and classification of EEG signals are carried out based on CSP and SVM, and the interface is reserved for secondary development. In this design, the debugging of the whole system is completed, and the upper computer software based on MATLAB platform is developed. The analysis results show that the system is more stable, the classification results are more accurate, and meet the expected design requirements.

Key words: EEG Acquisition; ADS1299; Support Vector Machine;

0引 言

脑电波(Electroencephalogram, EEG)是人或动物大脑活动时神经元细胞在大脑皮层或者头皮表面的综合反映，准确和高效地对脑电信号进行分析，对于大脑功能的探索、脑科疾病的治疗具有重大的意义和价值^[1]。

脑机接口（Brain Computer Interface，BCI），是指通过外围辅助设备对人活着动物的脑电信号进行采集并进行分类识别，将人的不同意图活

着想象与不同的脑电信号连接起来，最后把人的思维活动转换为命令信号，从而达到与外界交互的目的^[1-3]。脑-机接口作为当前神经工程领域中最活跃的研究方向之一，在生物医学、神经康复和智能机器人等领域具有重要的研

究意义和巨大的应用潜力。其可以为

有运动障碍但是思维正常的人提供一种和外界的沟通方式，可以作为高危工作者在特殊环境下工作的一种辅助手段，可以作为新的安保手段^[4]，甚至可以作为一种全新的娱乐方式。

BCI技术涉及到了脑电信号的采集、滤波、特征提取、分类等操作。由于EEG具有高随机性，非平稳的三大特点，且脑电信号大小一般处于微伏级别^[5]，这使得脑电信号的采集成为BCI技术亟待解决的一个问题。

共空间模式算法(Common Spatial Pattern，CSP)在脑电信号的特征提取上得到了广泛的应用^[6-7]。CSP是一种对两分类任务下的空域滤波特征提取算法，能够从多通道的脑机接口数据里面提取出每一类的空间分布成分。其基本原理是利用矩阵的对角化，找到一组最优空间滤波器进行投影，使得两类信号的方差值差异最大化，从而得到具有较高区分度的特征向量。

对于脑电信号的分类，本系统采用了支持向量机（Support Vector Machine, SVM）的方法^[8]。SVM是一种二类分类器，其目的是要将输入的实例分为两类，当分类的实例距离这个超平面越远，越不可能被误分类，支持向量机的目的是得到能让实例距离很远的分离超平面对未知的新实例有很好的分类作用。同时我们将构建六个分类器，将二分类转换为四分类，用于运动想象的脑电分类。

目前，市面上关于脑电的产品和设计层出不穷，但这些产品大多存在数据封装，可开发性差的特点，这使得脑电信号的研究与开发存在较大的困难。基于此，本设计利用TI公司的AD1299芯片，设计了集脑电采集、预处理、特征提取、分类为一体的脑电开发平台，具有较大的市场前景和应用价值。

1 系统整体设计

本平台主要由硬件部分和软件部分组成。在硬件部分，以STM32F103ZE系列单片机为主控，通过ADS1299脑电采集芯片进行脑电信号的采集，放大以及模数转换。STM32读取脑电数据并通过HC-22Wifi芯片进行数据传输。在软件设计部分，通过Matlab的guide搭建上位机界面，同时内部调用Matlab程序进行带通滤波、CSP特征提取和 分类，同时设置多个交互控件进行参数设置,对处理结果和脑电信号进行可视化处理。系统的主要设计框图如图1所示。

图1 整体系统设计框架

Fig. 1 Overall design block diagram

2 硬件系统设计

2.1 ADS1299芯片外围电路设计

EEG信号比较微弱，如果要实现比较可靠的测量，最起码要实现一万倍以上的放大，因此对信号采集系统的放大、共模抑制、电源抑制、动态范围等指标都有很高的需求。EEG信号的采集主要通过TI的ADS1299芯片完成。

ADS1299是8通道、24-位同步采样模数转换器，具备颅外脑电图 (EEG) 和心电图 (ECG) 应用常用功能。每条通道中都有灵活的输入多路复用器（MUX）。通过选择SRB引脚，可控制任意输入通道配置成患者偏置输出信号。ADS1299的数据传输速率为250SPS至16kSPS，可通过激励电流阱/电流源在器件内部实现导联断开检测。ADS1299外部电路设计如图2所示。

图2 ADS1299外部电路设计

Fig.2 External circuit design of ADS1299

下位机实物如图3所示：

图3 下位机实物图

Fig.3 Physical picture of lower computer

2.2 STM32主控单片机

下位机采用意法半导体公司的STM32F103系列单片机作为主控芯片， 其闪存容量为64K,主频最大为72MHz,该芯片具有低功耗性能、响应速度快以及成本较低的特点，适合进行数据读取和发送。

2.3 HC-22WIFI模块

HC-22是汇承科技推出的第四代嵌入式Simple-Wifi模块产品，内置无线网路协议栈以及TCP/IP协议栈，能够将传统的串口设备接入无线网络。其支持最大的波特率范围为256000bps,通信距离较长且信号较为稳定，可实现下位机与上位机之间的无线通信。

2.4 下位机供电系统

下位机采用3.7可充电的锂电池供电方式，通过升压电路、稳压模块，提供稳定的3.3V和5V电压为下位机供电,同时设计电压电量计量电路，实时读取电源剩余电压，并在屏幕上实时显示，在电量低的时候进行警告提醒。如图4为下位机的供电系统电路：

图4 下位机供电电路

Fig.4 Lower computer power supply circuit

2.5 电极帽的选择

本设计采用柏恩鸿泰电子科技公司的头戴式干电极帽，其电极定位基于国际10-20系统，方便电极定位操作，大大节省了时间。

图5 (a)电极帽 (b)电极分布图

Fig.5 (a) Electrode cap (b) electrode distribution

3 软件算法设计

3.1 软件滤波

在脑电信号的采集过程中，会受到周围环境的干扰和工频噪声的影响，因此需要对采集到的脑电信号进行滤波。脑电波的频率主要分布在0-50Hz,因此可以利用带通滤波器，将0.5Hz-50Hz频率之间的信号取出来。本设计使用巴特沃斯滤波器进行滤波。通过双线性变换法设计IIR数字滤波器。

首先通过公式(1.1)将数字滤波器的频率指标 转换为模拟滤波器的频率指标 ：

(3.1)

通过模拟滤波器的的指标设计模拟滤波器S域的系统函数H(s),通过双线性变换法将其转换成Z域的系统函数，即令：

(3.2)

确定好滤波器的形式和参数后，将采集到的离散的时域脑电信号 进行Z变换，得到 ,即：

(3.3)

在Matlab中设置好不同的上限与下限的频率，即可以得到不同类型的脑电波，滤波前后的脑电信号对比如下，即：

图6 滤波前脑电信号

Fig.6 EEG signal before filtering

图7 滤波后的脑电信号

Fig.7 EEG signal after filtering

3.2 共空间模式算法的设计

EEG的波形可以从频域和时域两个角度进行分析，而大多数对CSP算法的改进都是通过EEG的频域来进行分析从而得到最佳频带，形成新的输入矩阵后用CSP算法进行特征提取。但由于EEG本质上是一种高度非平稳的时间序列信号，仅利用频域提供的信息构造的共空间模型并不能充分利用时间信息，本项目通过构造同时考虑时域和频域信息的选择因子,来改善后续的共空间模式特征在测试数据中的准确性和可靠性。

我们假设实验采集的EEG信号具有M个通道, 把每个通道EEG进行频段划分得到的数据段称为块。然后将每个通道都分成N个等带宽频带, 则生成M × N个块. 记第N个通道的第M个频带所对应块的数据为 (k),m=1,2,…,M,n=1,2,…,N,k=1,2,…,K, 其中K为每个块的采样点个数。假设被测者共进行了I次实验，则第i次实验的第mn个块为 …

其中i=1,2,…,I.

我们首先对EEG按通道和频带进行块的划分; 然后在块的相关性计算中计算每个块的功率(power)和功率谱密度(power spectral density, PSD), 进而得出每个块的Fisher比来表征区分运动想象任务的能力; 接着在块的选择中设置合理的阈值选出S个块, 从而构造新的S×K矩阵作为CSP模型的输入; 再接着对每个块分别进行空间滤波, 并提取CSP特征。

通过CPS寻求空间滤波器W以最大化各个类别之间的差异后，求得每次实验信号X对应的空间滤波信号Z，公式如下所示：

(3.5)

然后同log-vanriances方法提取每次实验的CSP特征向量：

(3.6)

其中， 为空间滤波信号 的第j行信号，s为CSP空间滤波器对数。

3.3 支持向量机SVM算法

在提取脑电信号的特征之后，需要对其分类，本设计主要研究运动想象的脑电分类。

本设计主要使用支持向量机(Support Vector Machine, SVM)的方式进行脑电信号的分类。SVM是一种具有统计学理论基础的分类算法，并且通过引入核技巧，使其成为实质上的非线性分类器。

该项目需要利用SVM算法在处理多类脑电信号分类，依照SVM算法需要依次利用任意两类样本来构建不同的SVM分类器，当总类别数为m时，需要构建m(m-1)/2个SVM分类器。

假定脑电信号的训练数据集E为

其中， （p=1,2,…,P）为第p个特征向量， 为 的类标签。分离超平面定义为 ,由法向量 和截距 决定。

对于解决所获取的脑电信号先行不可分问题，SVM寻找最优超平面的的过程就是求解如下的凸二次规划问题：

其中，C为惩罚参数且C>0； 为松弛变量。通过Lagrange乘子法可得到以下方程组：

其中， （p=1,2,…,P）和 （q=1,2,…,Q）为拉个郎日向量， 为 的分类标签。通过对方程组的求解可以得出 。

此时，我们将通过引入核函数到SVM模型中的方法来解决脑电信号中的线性不可分问题。利用M ( )代替上式中的内积 ，将原空间的特征向量映射到高维空间，以实现线性可分。其表达式为：

(3.7)

式中， 为高斯核的带宽 ，在此前提下可以得出，分类决策函数表达式为：

惩罚参数 C 和核函数参数 g 是影响 SVM 分类效果的主要因素，综合考虑模型性能和运算速度, 将 g设置为默认值, 我们选择特征维数的倒数欧威默认值, 而惩罚参数C通过交叉验证确定。

在建立完SVM模型后，利用训练集中任意两非样本构建SVM分类器，并最终可获得所需的n(n-1)/2个SVM分类器。

3.4 上位机显示界面

上位机显示界面由MATLAB的guide工具箱搭建。软件部分算法均由Matlab环境编写，用matlab开发GUI可以很好地调用滤波，特征提取，分类判别的算法。上位机界面留有原始脑电信号显示窗口，滤波后的脑电信号显示窗口；配有开始采集和停止采集的按键，可以控制脑电信号的采集和停止；同时可以输入下位机Wifi的ip和端口号，显示连接状态等。上位机界面如图 所示：

图8 上位机界面

Fig.8 Upper computer interface

4 实验与结果

本设计的验证在一安静干燥的室内环境中进行。关闭手机等能产生干扰的电子设备。试验者头戴电极帽，并在每个电极下涂有导电膏，使电极与头皮充分接触。试验者放松身心，使其能够产生更好的脑电波形。现场如图所示：

图9 测试现场

Fig.9 Test site

经测试，本系统可以采集8通道的脑电信号并传输至上位机进行显示，也可以根据训练模型进行分类。其实际运动想象与分类结果如图所示:

图10 识别结果

Fig.10 Recognition results

经试验表明，本平台较为稳定，达到了预期的目标。

5结束语

本设计实现了多通道的脑电信号的采集，通过Wifi模块上传至上位机，对信号进行预处理，特征提取和分类。相比于传统的脑电采集装置，本设计成本更低，功能更多，开发性强，对于脑电信号的研究以及研究者具有一定的价值和借鉴意义。

注：本文通讯作者为徐伟。

[参考文献]

[1]陈锐. 运动想象脑电波数据分析[D].贵州师范大学,2020.

[2]邹鹤良. 脑—机接口家电集成控制系统的研究与设计[D].华南理工大学,2012.

[3]贺庆,郝思聪,司娟宁,吴迎年,程杰.面向脑机接口的脑电采集设备硬件系统综述[J].中国生物医学工程学报,2020,39(06):747-758.

[4]慕涵. 基于脑电的智能轮椅控制研究[D].曲阜师范大学,2020.

[5]黄小爽.基于分数阶傅里叶变换的运动脑电信号分类方法[J].计算机与现代化,2020(09):54-59.

[6]李颖洁,李玉玲,杨帮华.基于脑电信号深度学习的情绪识别研究现状[J].北京生物医学工程,2020,39(06):634-642.

[7]孟明，尹旭，高云园等人.运动想象脑电的块选择共空间模式特征提取[J].控制理论与应用，2021，38（03）.

[8] 曲洪权,单一平,刘欲哲,庞丽萍,范占利,王浚.脑电信号中独立分量特征提取与脑力负荷分类[J].科学技术与工程,2020,20(28):11499-11504.

基金项目：天津市级大学生创新创业训练计划(202010058036)