基于STM32的便攜式腦電信號采集處理系統設計

趙 麗，劉澤華，邢 瀟

（天津職業技術師范大學天津市信息傳感與智能控制重點實驗室，天津 300222）

腦電信號EEG是大腦神經產生的一種電位活動，含有大量豐富的腦活動信息[1]，是診斷腦部疾病的主要依據，也是目前腦機接口研究的主要信號來源。人體腦電信號由于幅值微弱，常淹沒在各種背景噪聲中[2]，因此需要專門的生物電傳感放大采集裝置來獲取。傳統腦電信號采集設備體積較龐大，功耗高，成本高，而且數據傳輸大多采用有線方式[3-4]，不便于腦電信號的實時獲取。因此，研究便攜式的腦電信號采集設備無論對理論研究還是病人的實時監護都有重要意義。目前已經有很多研究機構推出了無線便攜式腦電采集系統，他們所采用的方法是腦電前置放大器，經過無線模塊將采集的腦電數據傳輸到PC機上進行處理，信號處理在PC機上進行，沒有完全脫離上位機。針對目前腦電信號采集系統的現狀，結合腦電信號采集的特點，本文設計了一種可實時采集和顯示的便攜式腦電信號采集系統。本設計將μC/OS-II操作系統移植到STM32微處理器上，通過觸屏界面切換實現在微處理器上對信號進行FIR濾波和快速傅里葉變換等算法處理，將采集到的腦電信號存儲到STM32處理器所配的SD卡里。整個系統體積小、功耗低，無線傳送穩定，抗干擾能力強。

1 系統總體方案

整個系統主要包括腦電信號的采集、數據的無線傳輸和數據處理3部分，如圖1所示。微電極采集到的腦電信號傳輸給模擬放大濾波電路。電極端易產生直流極化電壓，過高的極化電壓會影響電路的直流穩定性，為濾除電極端產生的直流極化電壓，在放大電路中引入高通濾波器[5]。腦電信號經放大之后進行AD轉換，由模擬信號轉換成數字信號才能被進一步處理。由MSP430單片機控制無線模塊(NRF24L01)將數字化的腦電信號發送出去，微處理器STM32f103接收到腦電數據后對其進行FIR濾波、快速傅里葉變換等處理，將處理后的數據存儲到SD卡里，通過TFT彩屏可以實時動態的顯示出原始腦電信號和處理后的腦電信號。整個系統由觸屏控制開始和數據顯示。

圖1 系統框圖

2 系統硬件設計

2.1 前端模擬放大電路

腦電放大電路如圖2所示。該電路設計由三級放大組成[10]：第一級為前置放大級，腦電信號進行初步放大，放大倍數為100倍左右，通過RC高通濾波電路耦合與第二級耦合，引入高通濾波器是為了去除腦電信號頻率范圍以外的無用信號，提高系統抗干擾性，防止混疊濾波；第二級放大電路采用AD210隔離放大級電路，放大倍數為20倍左右，通過二階壓控電壓源（VCVS）低通濾波器進入三級放大電路；第三級為放大倍數可調的放大電路，放大倍數可調整在20倍左右，以適合AD轉換的需要，最后通過50 Hz陷波電路接入AD轉換的數字系統。

前置級需要有高輸入阻抗和高共模抑制比。前置級增益越大，對后面的各級電路所造成的噪聲的影響越小[7]，因此，前置級增益應盡可能高。但是前置級電壓增益受到放大器動態工作范圍的限制，而且受極化電壓的限制，所以，前置級增益不能無限高。采用Analog Devices公司的新型儀用差分放大電路AD620做前置放大級，第二級放大電路采用了亞德諾（ADI）公司的隔離放大器AD210。

2.2 腦電數據采集與傳輸

圖2 腦電放大電路

腦電信號是一種很微弱的生物電信號，其頻率主要在0～50 Hz之間。系統所采用的AD轉換速率高達1 MHz。由香農定理和實踐經驗可知，將MSP430的采樣頻率定為1kHz，已經能夠很好地滿足實際需要。每次AD轉換結束后，使用DMA方式將轉換后的腦電數據依次移至數據緩沖區，數據緩沖區填滿后，將4 kbits數據無線發送給接收模塊。由微處理器STM32f103控制的接收模塊上電后，完成系統時鐘配置與初始化片外設備。從NRF24L01中讀取數據，進行CRC校驗。若數據出錯，則命令發送模塊重發；若數據正確，則放入DMA中，等待數據緩沖滿時，將數據打包傳給STM32f103進行實時顯示、處理和存儲。

2.3 觸摸屏工作原理

系統需要通過觸屏控制波形的顯示和各種處理。觸措屏接口電路如圖3所示。STM32F103與四線電阻觸摸屏的電路連接，通過四線電阻實現觸摸屏控制功能。通過PA8～PA114個I/O口分別控制4個三極管的通斷，來控制四線觸摸屏觸點的坐標Y+、Y-、X+、X-。PA3連接內部中斷，用于檢測觸摸屏是否有觸摸動作。PA1、PA2是2個A/D轉換通道，分別連接Y+和X+，用于計算觸摸點的X和Y坐標。觸摸屏正常運行時，令PA8、PA9、PA11輸出低電平0，PA10輸出高電平1，即只讓VT2導通。當有觸摸動作時，D1導通給PA3一個中斷信號，STM32F103接收到中斷請求后立即置PA8=1，導通VT1，這樣在Y+、Y-方向上就加上電壓，同時啟動A/D轉換通道PA2，通過輸入X+上電壓計算出觸摸點的Y坐標。同理，令PA8、PA10為0，PA9、PA11為1，啟動A/D轉換通道PA1，通過輸入Y+上電壓計算出觸摸點X的坐標。

圖3 觸摸屏的接口電路

最后，將采集到的腦電數據存儲到SD卡里。要使寫入SD卡中的數據可被有效地讀取，必須在對SD卡寫入的過程中加入文件系統，而文件系統無法由純硬件實現。因此系統充分利用NiosⅡ軟核支持文件系統的優勢，通過自定義組件與Avalon總線上的數據通信，實現SD卡的存儲。

3 系統軟件設計

程序設計主要包括微處理器應用控制程序、NRF24L01驅動程序和TFT屏顯示及觸摸屏控制程序。采用IEEE802.15.4標準通信協議，編寫了適合本設計需要的通信協議。考慮程序的易讀性和可移植性，采用C語言作為編程語言，編寫相應的程序初始化硬件。軟件的開發環境是MDK（Microcontroller Development kit），MDK將ARM開發工具Real View Development Suite（簡稱 RVDS）的編譯器RVCT與 Keil的工程管理、調試仿真工具集成在一起，包括μVision3集成開發環境與Real View編譯器，支持ARM7、ARM9和最新的Cortex-M3核處理器，自動配置啟動代碼，集成Flash燒寫模塊，強大的Simulation設備模擬。在Keil uVision4集成開發環境里用C語言編寫所需的程序，經組建調試完成之后，將程序燒寫到主控板里，具體流程如圖4所示。

圖4 程序流程圖

4 系統實驗結果

腦電信號分為多種，根據腦電信號產生的原理可以分為2種不同類型的腦電信號：一種是自發腦電信號；另一種是誘發腦電信號。相對于自發腦電信號來說，誘發腦電信號對外界刺激在時間上會具有更強的依賴性，即受到外界特定刺激之后，誘發電位在極短的時間之內就會出現。誘發腦電信號比自發腦電信號容易控制，因此，結合實驗室現有條件，采用穩態視覺誘發電位測試整個系統。

電極貼在受試者枕區的O1區，腦電信號經電極、模擬放大電路和A/D轉換，由無線模塊發送出去，微處理器STM32f103控制無線接收模塊接收數據。整個系統上電之后進入初始畫面，畫面上有3個按鈕，分別為開始、FIR和停止。點擊開始按鈕，在TFT屏上可以看到實時動態的原始腦電波形，點擊停止按鈕，就可以觀測研究當前時刻的腦電波行，如圖5所示。腦電采集過程中存在很多干擾，使得采集到的數據很雜，需做數字濾波處理。數字濾波器有IIR和FIR等，FIR比IIR穩定性好、線性度高，系統利用等波紋逼近設計法設計了FIR濾波器。點擊FIR按鈕切換到濾波畫面，該畫面同樣有3個按鈕，分別是開始、FFT和停止。點擊開始按鈕TFT屏上動態顯示濾波后的腦電波形，如圖5中FIR濾波后的波形圖片。

圖5 時域腦電波形

濾波處理只是去除干擾信號，在時域上得到真實的腦電數據。但在單一域上不能充分研究分析數據，因此對數據做了由時域到頻域的快速傅里葉變換。快速傅里葉變換（FFT）是基于離散傅里葉變換（DFT），通過蝶形運算極大地減少了DFT的運算量。快速傅里葉的基本算法分為按時間抽選法和按頻率抽選法。系統主要采用按時間抽選的基-2快速傅里葉算法。運用C語言在STM32f103上實現FFT算法，主要程序函數有：

點擊濾波畫面的FFT按鈕，進入快速傅里葉變換界面。該畫面有2個按鈕，分別是開始和退出。圖6為點擊開始按鈕后用FFT對上面所處理后的腦電信號進行128點傅里葉變換后的結果，點擊退出按鈕就會回到初始畫面。

圖6 頻域顯示

5 結束語

系統以微處理器STM32f103為核心，設計并實現了一種體積小、功耗低、可時時觀測的無線腦電信號采集系統，達到了較為理想的效果。通過觸屏畫面控制和切換，方便了操作。本系統具有便攜、低功耗、高集成度的特點，適用于采集環境和條件經常變化的場合，具有較高的應用價值，為生物腦機接口的研究打下了堅實的基礎。

[1]謝宏，董洋洋.基于ADS1298與WiFi的腦電信號采集與傳輸系統設計[J].現代電子技術，2013，36（6）：150-153.

[2]李振江，楊濟民.一種基于STM32W108的無線腦電采集系統的實現[J].科技信息，2013（11）：38-39.

[3]吳紹斌，高利，王劉安.基于腦電信號的駕駛疲勞檢測研究[J].北京理工大學學報，2009，29（12）：1072-1075.

[4]殷罡，吳平東，彭軍強，等.可佩戴式無線腦電監護儀[J].微計算機信息，2009，25（4）：276-278.

[5]OBEID Iyad，NICOLELIS Miguel A L，WOLF Patrick D.A low power multichannel analog front end for portable neural signal recordings [J].Journal of Neuroscience Methods，2004，133（1/2）：27-32.

[6]SUN S L，ZHANG C S.Adaptive feature extraction for EEG signal classification[J].Medical&Biological Engineering&Computing，2006，44（10）：931-935.

[7]黃勤，周婷，劉益良.高共模抑制比腦電放大電路設計[J].自動化技術與應用，2009，28（4）：77-79.

[8]KNSTOV A，POLAK M.Parallel man-machine training in development of EEG-based cursor contro[J].IEEE Trans Rehab Eng，2000（8）：203-205.

[9]徐進飛.基于STM32的腦電信號采集與處理系統[D].濟南：山東師范大學，2012.

[10]顏世玉，劉沖，趙海濱，等.基于小波包分解的意識腦電特征提取[J].儀器儀表學報，2012，33（8）：1748-1752.

[11]郝雯，沈金鑫，梅成.基于STM32單片機的存儲式數據采集系統設計[J].電子設計工程，2013，21（17）：80-82.