脑机接口在物联网领域的应用

　　最近国外学者开发一套轻量级的EEG采集系统和信号处理系统，并在物联网领域进行了探索。该系统包括8个采集电极(可根据实际情况进行拓展)和1个参考电极，放大器核心采用的是INA333，ADC转换模块核心采用的是ADS1299，微型处理器采用的是ESP8266。实验验证该系统可有效地与主机服务器进行通讯，并实现远程控制的目标。
　　作为从大脑中获取高时间分辨率实时数据的方法，EEG信号成为神经科学领域中的研究热点。随着传感器技术的发展，EEG采集系统的体积越来越小，集成度越来越高，这使得它走出实验室成为了可能。EEG可应用于神经反馈、人员识别和其他娱乐活动等多种领域。将EEG与工业4.0的新发展标准相结合，以使用边缘计算技术控制基本物联网设备。然而目前大部分在实验室内的研究都是基于昂贵和大型的设备，因此是设计和开发低成本但功能强大的脑机接口（BCI）并将其应用到实际生产中是非常有必要的。
　　下图为研究人员提出的方案总览图
　　采集到的9通道EEG数据，经过放大器之后输入至ADC转换器，以更快的速度处理模拟数据到数字域的转换。ADS1299使用SPI连接到NodeMCU，然后将数据无线传输到主机，主机运行Python GUI进行数据处理、过滤和信号表示。
　　(1)A/D转换器
　　选择的A/D转换器是TI模拟前端芯片ADS1299，该芯片专门设计用于捕获EEG、ECG、EOG、EMG等生物电位信号。该芯片采用24位Sigma-Delta架构，最大数据速率为16 kSPS。它的共模抑制比为-110 dB，信噪比为121 dB。它是一种低功耗、低噪声、高精度的芯片。它可以进一步多路复用，以使用更多信道，并且有4、6和8个信道可供选择。
　　芯片使用SPI（串行编程接口）与微控制器通信，SPI可用于配置芯片以连续模式或单次启动模式读取数据，并从内置寄存器读取输出数据。
　　(2)微型处理器
　　ESP 8266 NodeMCU是系统的微控制器选择。NodeMCU有一个运行频率为80 MHz的L106 32位RISC微处理器。它支持32 KB指令RAM和80 KB用户数据RAM。它具有集成的IEEE 802.11 b/g/n WiFi连接和匹配的网络WEP或WPA/WPA2认证。它有16个GPIO引脚，还支持SPI通信–所有这些都非常适合我们的应用。与Arduino相比，NodeMCU不仅具有更多的GPIO引脚、更好的处理器时钟速度、更多的闪存和SRAM，而且工作电压低于3.3 V，这意味着EEG采集系统的电池供电无线使用功耗更低。
　　(3)PCB封装
　　使用名为PCB Artist的开源软件进行PCB设计。设计示意图如图2所示。该设计包括一个电源单元，将输入的220V AC降压至5V和3.3V DC。同时5V和3.3V线路移除并为微控制器NodeMCU供电。在内部，ADC有多个引脚，需要5V和3.3V分别为芯片中的模拟和数字电路供电。PCB制作完成后，使用SPI接口连接到微控制器。然后，ADS1299配置为以250 SPS的24位分辨率传输连续数据。
　　图2 PCB设计图
　　图3 PCB实物图
　　对受试者进行60秒的简单测试，以获取EEG数据。实时时域图和频率图如图4所示。GUI有一个连续滚动的时域图，有一个4秒的窗口（可定制）和频域图，在实验运行的过程中累积频率响应。我们的采集系统使用硬件高通滤波器（使用RC滤波器实现）和软件低通陷波滤波器（在烧录到微型处理器）。此外，在单片机上还实现了基于频率范围将采集到的脑电信号分解为其分量波，以及在不同频率范围内的特征分类和识别。根据频谱图中观察到的主要峰值在7至30 Hz的范围内，主要由构成清醒脑电图主要部分的α波（7-12 Hz）和β波（12-30 Hz）组成。
　　图4 实时采集EEG信号的GUI界面
　　该系统在IOT方面的应用
　　现在，我们已经成功地设计并构建了一个轻量级EEG采集设备和一个用于数据表示的GUI，其可用于物联网应用程序。在医院中，医护人员必须密切关注无法移动的患者，以确保他们感到舒适。他们睡觉时灯熄灭，必要时风扇打开。保持设备始终运行不仅会给患者带来不适，还会增加电费并浪费能源。
　　为了解决这个问题，我们使用EEG采集系统来监测患者的和β波。在清醒睁眼时，α波的峰峰值振幅较低，当闭上眼睛时则较低。当患者闭上眼睛睡觉时，这种变化可以用来关闭房间里的灯。在β波中观察到类似的相互作用，当一个人移动或甚至想移动他们的四肢来执行某个功能或动作时。可以监测频率和峰间振幅的这些变化，并使用正确的阈值打开或关闭风扇。
　　图5 该系统在IOT领域的应用示意图
　　与目前的EEG设备进行比较
　　表1 与其他设备的花销比较
　　与其他商用EEG采集系统相比，我们的EEG采集系统的成本要低得多，因为我们将设计简化到最低限度，只保留了使其高效、轻松工作的最基本组件。必须注意的是，我们系统中提到的成本适用于订购单个部件的情况，订购部件和批量制造PCB时，成本将进一步降低约15-20%。对于我们的特定应用，我们使用了ADS1299–4PAG芯片，该芯片具有4个输入EEG通道和一个参考通道。对于其他需要更多输入通道的应用，更多ADS1299芯片可以菊花链连接，以实现16、32甚至64通道EEG采集系统。
　　表2 与其他设备的性能比较
　　此外，表2显示了我们的EEG采集系统与市场上其他系统的性能比较。所考虑的性能指标包括采样率、带宽、EEG采集通道数、采集系统与主机之间的传输模式、参考电极的位置以及电极与头皮之间使用的传导介质。如表2所示，我们的EEG采集系统不仅是最具成本效益的，而且在与其他商用产品的硬件规格进行比较时也更优越。使用Wi-Fi进行无线传输为我们的系统提供了最大的通信范围。我们的系统还使用户能够选择通道数（ADS1299、ADS1299-4PAG和ADS1299-16PAG芯片）、带宽（通过控制高通和低通滤波器的截止频率）和采样率（通过将ADS1299.上的寄存器值更改为高达16kSPS）。
　　总结
　　虽然在设计整个系统时使用了市面上现成的电子元件，但该系统仍能捕获准确的EEG信号，使其成为一种低成本且耐用的EEG采集设备。为了提高EEG信号的稳健性，将带有仪表放大器的ADC与微控制器封装在同一块板上，从而使整个设备更为便携。另外可跟据实际情况增加EEG信号通道的数量，即将更多ADS1299芯片串联。可以进行进一步的研究，比较各种组件（如仪表放大器、ADC和微控制器）的功耗与性能，以设计一个真正节能的电池供电EEG采集系统，该系统能够长时间收集数据。从交流供电转向电池供电的原因是为了消除50Hz的噪音及其谐波。在软件方面，python代码可以改进为一次显示多个EEG通道。最后，软件还必须能够以流行的EEG格式（如EDF、CSV等）导出记录数据，以便进一步分析和存储。