LHE7909与ADS1299在脑电图实验中的对比测试（南大工作）

领慧立芯

苏州领慧立芯科技有限公司是一家专注高性能模拟及混合信号芯片设计的解决方案提供商。公司致力于中高端高精度信号链和定制化MCU芯片的设计，可广泛应用于通讯、医疗、工业控制、消费类电子、汽车电子等领域。 详情请点击发消息！

34篇原创内容

云深之无迹

纵是相见，亦如不见，潇湘泪雨，执念何苦。

1685篇原创内容

公众号

作者：Rui Yu；Yuanxi Zhu; Yulong Pan; Aijun He   南京大学

发表于：The 2024 International Conference on Biomedicine and Intelligent Technology

英文版原文链接：https://dl.acm.org/doi/10.1145/3700486.3700494

摘要

脑机接口(BCI)课题逐年受到越来越多的关注，然而关于国产芯片在脑电图(EEG)信号采集可靠性的研究有限。为了展示国产芯片的先进性，本文比较了两种模数转换器(ADC)—ADS1299和LHE7909—在EEG应用中的性能，其中ADS1299已在多项研究中被证明是可靠的。两种芯片在捕获高质量EEG信号方面都表现出可靠性，测量的振幅误差低于2%。在五名来自不同性别和年龄组的参与者上进行的稳态视觉诱发电位(SSVEP)、奇异球(oddball)实验和认知负荷评估中，它们表现出非常相似的特征。LHE7909甚至在捕获细微的EEG特征方面表现更出色，例如响应13Hz刺激时在SSVEP中诱发的三次谐波分量，尤其是在认知负荷评估中。在P300检测方面，LHE7909在刺激后约340ms显示出正波，而ADS1299的潜伏期则为360ms。这些数据突显了国产芯片在EEG研究中的潜在优势。

关键词

脑电图(Electroencephalogram)、稳态视觉诱发电位(SSVEP)、P300、认知负荷(Cognitive workload)、ADS1299、LHE7909。

1

引言

脑电图(EEG)，也称为脑电，是由大脑皮层区域的神经元电活动产生的微弱生物电信号(考虑到其振幅)。采集非侵入性EEG的普遍方法涉及使用电极帽将电极放置在受试者的头皮上。EEG信号广泛应用于临床诊断，特别是在神经系统疾病的诊断中[1]。EEG信号可分为多种类型，其中稳态视觉诱发电位(SSVEP)和事件相关电位(ERP)是研究最多的类型之一[2]。SSVEP是大脑对特定频率刺激做出周期性响应时发生的[3]。另一方面，ERP在视觉和听觉刺激后的特定时间窗口内表现出特定特征，包括受外部刺激影响的外源性成分和不受外部刺激影响的内源性成分。常见的ERP成分包括P1、P2、P3，其中'P'表示正电位。P3或P300是刺激后约300ms出现的一个被广泛研究的正电位，在EEG研究中被广泛关注[4-5]。经典的奇异球范式（oddball paradigm）常被用作ERP的测量方法。该范式由一些非目标刺激中随机插入若干目标刺激组成。受试者将被要求在目标刺激出现后执行任务，而对非目标刺激则不做出反应[6]。通常，目标刺激不超过总数的20%。认知负荷评估可以让我们观察EEG的趋势。随着受试者认知水平的逐渐下降，刺激响应也会减弱[7]。因此，这可以被视为衡量芯片捕获细微信号特征能力的一种方法。

德州仪器(Texas Instruments)的ADS1299是一款低功耗、低输入参考噪声的模数转换器(ADC)，非常适合EEG信号采集。它已被视为EEG应用的理想选择[8-9]。该芯片在便携式信号采集系统中的应用已相当广泛和成熟[10-11]。LHE7909是苏州领慧立芯技术有限公司(Suzhou Legendsemi Technology)生产的一款产品，专为EEG和其他生理信号测量设计的低噪声ADC，其制造工艺和性能指标在中国处于行业领先地位。

图片

图1. 总体数据采集过程

目前，尚无关于LHE7909系列在EEG信号测量中应用的相关研究。本研究将通过进行几个经典的EEG实验来比较这两种芯片。利用已被证明有效的ADS1299的实验数据，我们旨在证明LHE7909凭借其性能，同样能够胜任所有测量任务，甚至在特定方面表现更优。

2

材料与方法

2.1. 数据采集

整体流程如图1所示。首先，软件应用程序从采集板中检索原始EEG数据。然后使用实验室流传输层(Lab Streaming Layer, LSL)协议将数据转发到实验模块。在实验中，基于事件生成标记流(marker streams)，以记录每个事件的开始和结束。最后，原始数据和标记被合并并保存为EDF/BDF文件。

本研究中使用的实验设备包括由我们的通讯作者何艾骏博士设计的两种类型的EEG信号采集板。两块板均使用ESP32-S3作为主控芯片，支持三种通信模式：串口、WiFi和蓝牙。两块采集板使用了两种不同的模拟前端芯片，即ADS1299和LHE7909，而其余配置保持不变。此外，我们为上位机开发了一个软件应用程序，用于从采集板获取EEG数据流，并进行后续的数据处理和分析。

在本文中，我们使用串口进行采集板与软件之间的通信。受试者小组包括一名中年男性、三名年龄在23至25岁之间的男性以及一名女性参与者。整个实验在一个晴朗的日子里在室内进行，环境温度约为 25℃，湿度低于30%。为确保数据传输的实时性和可靠性，采集板和软件应用程序都连接到同一台计算机。EEG系统电极放置严格遵循国际10-20系统的规定。我们使用的16个电极位点为：Fp1, F3, C3, P3, O1, F7, T3, T5, Fp2, F4, C4, P4, O2, F8, T4 和 T6，包括两个额极点(frontal pole sites)、四个额叶点(frontal sites)、两个中央点(central sites)、两个顶叶点(parietal sites)、两个枕叶点(occipital sites)和四个颞叶点(temporal sites)。左右耳垂分别用作参考电极(reference)和接地电极(ground)。根据芯片手册，ADS1299支持250SPS至16000SPS的数据率，而LHE7909声称最高可达32000SPS。考虑到实际实验对分辨率要求不高，我们不需要过高的采样率。每秒250个采样点已足够。

2.2. 实验设计

为了全面有效地比较两种ADC在EEG信号测量中的应用，我们选择了两个经典的EEG实验范式：稳态视觉诱发电位(SSVEP)和用于诱发P300成分的奇异球范式(oddball paradigm)。在同时进行的认知负荷测试中，我们将在长达4小时的测试中评估参与者疲劳水平对实验结果的影响。

对于SSVEP，由于其易于诱发且在低频范围具有较高的信噪比[3]，我们选择了13Hz的屏幕闪烁刺激。实验中，计算机屏幕将显示以13Hz频率切换的六边形图案。每次试验(trial)包含10个时期(epoch)，每个时期包括3000ms的闪烁刺激和1000ms的间隔。对于P300，由于其振幅相对较小且难以与噪声区分[8]，我们选择了一个标准的三角形图案作为非目标刺激，以及一个随机着色(红、黄、蓝)、大小、位置和旋转的三角形图案作为目标刺激。每次试验包含25个时期，每个时期包括1000ms的刺激和2000ms的间隔。在每次试验中，目标刺激出现5次，占总刺激的20%。

对于认知负荷评估，通过尽可能保持任务复杂度不变，我们想测试两种芯片捕获极其细微信号特征的能力。众所周知，长期任务和增加的工作负荷会降低P300[7]，但这对SSVEP任务的影响有多显著是值得关注的。认知负荷任务在开始约3小时后进行。

2.3. 数据处理方法

滤波。考虑到实验环境中存在 50Hz 的工频干扰，第一步是对原始数据进行陷波滤波(notch filtering)。这已使用IIR数字滤波器完成，具体的传递函数和参数根据公式(1-3)推导得出。

图片

此处，H(z) 是传递函数，

image.png

 是中心频率(要移除的频率分量)，r控制滤波器的带宽，

image.png

 是陷波滤波器的带宽，Q是滤波器的品质因数。因此，为处理 50Hz 干扰，我们可以将Q设置为25, 

image.png

设置为2Hz。此配置允许我们滤除49Hz至51Hz之间的所有分量。

去趋势(Detrending)。由于实验条件和环境干扰等因素，EEG信号可能会出现长期基线漂移。为了最小化基线漂移的影响，我们采用多项式拟合去除信号中的趋势，如下所示。如公式(4)所示，p(t)代表信号的趋势项。我们可以得到去趋势信号，即 xdetrend(t)，如公式(5)所示，其中 x(t) 代表原始信号。

image.png

提取时期(Epoch)。在实验过程中，我们根据刺激出现的时间点生成了相应的标记(marker)，称为标记流。利用这些标记，我们可以精确提取连续信号段作为多个单次试验(single trials)，然后我们可以叠加来自不同时间间隔的这些信号，以减少偶然的噪声波动。

独立成分分析(ICA)。EEG信号是混合信号，可被视为多个独立成分的线性组合。独立成分分析(ICA)是一种用于盲源分离的算法，可以将EEG信号分解为多个独立的神经活动。例如，它可以提取眼动伪影、肌肉伪影、心电伪影、出汗、电极移动等。然后可以去除这些成分以提高信号质量。每个独立成分尽可能相互不相关。

3

结果

所有规格均在AVDD=5V条件下测试，ADC分辨率为0.3μV。在进行正式实验之前，我们依次将两个数据采集板连接到同一个信号发生器。我们应用了一个标准的10Hz正弦波信号，持续30秒，振幅为50μV。测得ADS1299的平均峰峰值(peak-to-peak)为49.66μV，LHE7909为49.43μV，两者均小于2%。

3.1. P300检测

根据规范完成奇异球实验后，我们获得了经过50Hz陷波滤波处理的EEG数据。我们也像之前一样，对数据进行了三阶多项式拟合。

鉴于P300成分主要集中在 θ波(4-8Hz)，我们对信号应用了14Hz低通滤波器，该滤波器保留了所有δ波、θ波、α波。

对于ADS1299，如图2(a)所示，我们可以观察到非常明显的P100、P200、P300和N400成分。P300成分占主导地位，在 360ms左右出现一个约10μV的显著正波，明显高于其他成分。对于LHE7909的实验，如图2(b)所示，我们也观察到非常明显的P100、P200、P300和N400成分。相比之下，P300成分的正波幅度并不突出。在 340ms左右出现一个约5μV的正波，而P100和P200成分更大，振幅均超过10μV。

image.png

image.png

图2. ADS1299和LHE7909的P300检测图

我们也尝试使用ICA分析去除眼动、肌肉活动和心电信号等伪影。然而，在提取前9个成分后，我们没有观察到明显的伪影痕迹，如图3所示。因此，我们认为获得的头皮EEG信号相对纯净，表明上述实验结果具有很高的可靠性。

image.png

image.png

图3. ADS1299和LHE7909的独立成分分析

3.2. SSVEP

我们获得了通过LSL协议传输的、经过50Hz陷波滤波的原始EEG数据。然后使用三阶多项式拟合对数据进行去趋势处理。我们也获得了放松状态的数据作为比较。ADS1299的FFT结果如图4(a)所示。很明显，在13Hz处出现了一个与刺激同步的显著峰值。为了观察更多细节，我们选择了一对对称排列的16个电极，即O1-O2。可以看出，在13Hz处的信噪比最高，其振幅在图4(b)中超过1.4μV。甚至在26Hz处也出现了轻微的谐波分量。但3小时后，如图4(c-d)所示，13Hz处的波幅急剧下降，我们几乎无法分辨26Hz处的谐波分量。

image.png

image.png

image.png

image.png

图4. SSVEP数据（ADS1299）

对于LHE7909，在图5(a-b)中，我们也可以观察到13Hz和26Hz处显著的谐波分量。与ADS1299非常相似，O1-O2在13Hz处的信噪比也是最高的。总的来说，LHE7909表现出稍多的低频噪声。然而，不可否认的是，在认知负荷评估中，LHE7909表现得无可挑剔，因为图5(c)中26Hz和图5(d)中39Hz的分量非常显著。

image.png

image.png

image.png

image.png

图5. SSVEP（LHE7909）的数据

我们还使用MNE进行了功率谱密度(PSD)分析，结果如图6(a-b)所示。可以观察到，LHE7909在预期出现谐波分量的电极点上表现出更集中的能量，其中最显著的表现在位于枕叶的电极O1-O2。

image.png

图6. ADS1299（a）和LHE7909（b）的功率谱密度分析

4

结论

本研究对国产ADC芯片LHE7909与成熟的ADS1299在EEG信号采集方面进行了令人信服的比较。两种芯片都表现出可靠性，振幅误差低于2%，证实了它们捕获高质量EEG信号的能力。特别是LHE7909，显示出承诺的结果，在检测细微EEG特征方面表现出色，例如响应13Hz刺激时在SSVEP中诱发的三次谐波分量。此外，在认知负荷测试中，该芯片仍能检测到ADS1299完全无法检测到的细微响应。再者，LHE7909在P300检测中的表现值得关注，其正波出现在约340ms。这些发现突显了国产芯片的先进性，强调了它们在EEG研究中的潜在优势和贡献。结果表明，国产芯片可以与国际上成熟的替代品竞争，并在某些情况下超越它们，为该领域的未来创新铺平了道路。

5

致谢

感谢南京大学的各位学者对LHE7909的全面评测及客观的评价，为推动国产化高端芯片应用落地做出的积极贡献，领慧立芯继续加油。