耳挂式ExG设备设计：多模态生物电信号采集技术
1. 耳挂式ExG采集设备的设计与实现
作为一名长期从事生物电信号采集系统开发的工程师，我见证了ExG（Electroencephalogram/Electrooculogram/Electromyogram）设备从实验室笨重仪器到可穿戴设备的演进过程。今天要分享的NeuroBuds项目，是我们团队在穿戴式生理信号监测领域的一次突破性尝试——通过耳挂式设计实现多模态ExG信号的高质量采集。
1.1 硬件架构设计
NeuroBuds的核心创新在于其独特的"耳挂式电极阵列+轻量化处理板"双模块设计。这种架构既保证了信号质量，又实现了穿戴舒适性：
电极阵列设计：
- 采用市售Powerbeats PB123耳机作为结构基础，在其框架上缠绕导电胶带形成电极
- 单侧配置5个电极点（左右共10个），其中顶部2个分别作为偏置电压参考和信号参考电极
- 其余8个电极作为信号采集通道，按照10-10脑电系统的T7-T10、FT7-FT10、TP7-TP10位置布局
这种布局的生理学依据在于：耳周区域可以同时捕获到脑电（EEG）、眼电（EOG）和面部肌电（EMG）信号。我们的实测数据显示，当用户眨眼时，电极能清晰捕捉到0.1-5Hz的EOG特征；而当咬合面部肌肉时，则能记录到15-95Hz的EMG信号。
处理板设计：
- 核心芯片选用TI的ADS1299生物电放大器，支持8通道同步采集，输入参考噪声仅1.0μVpp
- 主控采用ESP32-WROOM-32D模组，兼具WiFi/BLE双模无线传输和microSD卡本地存储
- 电路板采用6层堆叠设计（信号层-地平面-电源层交替布局），尺寸压缩至4.2×2.2cm
关键提示：在PCB布局时，模拟前端要尽量靠近电极接口，数字部分则靠近天线位置。我们通过0.1mm间距的BGA封装和0402尺寸的阻容元件，在有限空间实现了信号完整性与射频性能的平衡。
1.2 信号链关键参数
信号调理路径的每个环节都经过精心设计：
电极接触 → 右腿驱动电路 → 仪表放大器 → 可编程增益放大器(PGA) → 24位Σ-Δ ADC主要性能指标：
- 输入阻抗：>1GΩ（确保微弱信号不衰减）
- CMRR：110dB（有效抑制50Hz工频干扰）
- 采样率：200Hz-16kHz可调（默认EEG用250Hz，EMG用1kHz）
- 高通滤波：0.5Hz（消除运动伪影）
- 低通滤波：设置于Nyquist频率的0.4倍
我们在ADS1299前端增加了保护电路：TVS二极管防止静电放电，1kΩ电阻限制输入电流，形成完整的ESD防护链。实测中，这套设计可承受±8kV接触放电，符合IEC 60601医疗设备安全标准。
2. 多模态信号采集与分析
2.1 信号特征提取
NeuroBuds的独特价值在于能同步采集三类生理信号：
EEG信号：主要反映大脑皮层电活动，频带划分为：
- δ波（0.5-4Hz）：深度睡眠状态
- θ波（4-8Hz）：冥想或倦怠状态
- α波（8-12Hz）：闭眼放松时枕叶区显著
- β波（12-30Hz）：专注思考时增强
- γ波（>30Hz）：认知加工相关
EOG信号：
- 水平眼动：双眼共轭运动时耳侧电极差分信号明显
- 垂直眼动：通过额部-耳部的电位差检测
EMG信号：
- 低频（15-45Hz）：微弱面部表情
- 中频（45-95Hz）：常规咀嚼动作
- 高频（>95Hz）：剧烈面部运动
我们开发了基于FIR滤波器的实时分频算法，将原始信号分解为12个子带（如图1所示），每个子带用汉宁窗截断后做短时傅里叶变换，最终生成时-频联合特征。
2.2 实验验证方案
为验证系统有效性，我们设计了六类实验任务：
| 任务类型 | 刺激材料 | 实验时长 | 数据特点 |
|---|---|---|---|
| 视线追踪 | 屏幕光标移动 | 6分钟 | 强EOG成分（0.1-5Hz） |
| 视频兴趣度识别 | 喜剧/纪录片片段 | 30分钟 | EEG γ波活跃度差异 |
| 音频情绪识别 | 播客/讲座录音 | 30分钟 | 右脑α波不对称性 |
| 触觉纹理识别 | 砂纸/丝绸 | 10分钟 | 体感区θ波增强 |
| 味觉识别 | 巧克力牛奶/醋 | 5分钟 | 岛叶皮层δ波变化 |
| 嗅觉识别 | 薰衣草/醋味嗅条 | 5分钟 | 杏仁核相关β波震荡 |
实验采用交叉验证策略：80%数据训练Bi-Mamba模型，20%测试。在视线追踪任务中，系统达到6.15°的角度误差；在情绪分类任务中，F1分数可达0.876。
3. 嵌入式系统优化技巧
3.1 低功耗设计
穿戴设备的核心挑战是功耗控制。我们采取以下措施：
- 动态电压调节：根据采样率调整ADS1299供电电压（250Hz时用2.7V，1kHz时用3.3V）
- 无线传输优化：
- BLE连接间隔设为100ms
- 采用自定义协议栈，将数据包开销从20字节压缩到8字节
- 选择性存储：仅当检测到有效事件（如α波突发）时启动microSD记录
实测结果显示，在连续采集EEG信号时，300mAh电池可维持8小时工作。若启用运动检测触发存储，续航可延长至24小时。
3.2 实时处理流水线
在ESP32上实现的信号处理流程：
void processing_task() { while(1) { xQueueReceive(data_queue, &raw_data, portMAX_DELAY); apply_notch_filter(&raw_data, 50); // 陷波滤除工频干扰 bandpass_filter(&raw_data); // 12通道并行滤波 extract_features(&raw_data); // 时频特征提取 if(ble_connected) { xQueueSend(ble_queue, &features, 0); } if(sd_active) { write_to_sd(&raw_data); } } }这个流水线充分利用ESP32的双核特性：Core 0处理无线通信，Core 1执行数字滤波。通过FreeRTOS任务调度，即使在最高采样率下也能保证实时性。
4. 常见问题与解决方案
4.1 信号质量优化
问题1：基线漂移
- 现象：信号缓慢偏离零位
- 解决方案：
- 检查电极-皮肤阻抗（应<10kΩ）
- 涂抹导电膏改善接触
- 启用硬件高通滤波（0.5Hz）
问题2：50Hz干扰
- 现象：规则正弦波叠加
- 解决方法：
- 确保右腿驱动电极正确连接
- 开启ADS1299内置的陷波滤波器
- 远离交流电源线
我们开发了基于移动标准差的质量检测算法，当信号质量指数（SQI）低于阈值时自动提醒用户调整佩戴。
4.2 运动伪影处理
剧烈运动时信号可能被肌电污染。我们的应对策略：
- 三轴加速度计检测运动强度
- 运动期间自动切换至高EMG采样率（1kHz）
- 采用ICA算法分离EEG与EMG成分
实验数据显示，这套方案可使步行状态下的EEG信噪比提升12dB。
5. 应用场景扩展
5.1 认知状态监测
通过α/β波功率比可评估专注度：
def calc_attention(eeg): alpha = band_power(eeg, 8, 12) beta = band_power(eeg, 12, 30) return beta / (alpha + 1e-6) # 避免除零在编程测试中，该指标与代码错误率呈显著负相关（r=-0.72, p<0.01）。
5.2 眼动交互系统
利用水平EOG信号实现无需摄像头的眼控交互：
- 左视：左耳电极正峰，右耳负峰
- 右视：极性反转
- 眨眼：双侧同步尖峰
我们开发了基于动态时间规整（DTW）的识别算法，在10名受试者中达到92%的指令识别准确率。
这套系统已成功应用于：
- 渐冻症患者的辅助通信
- VR场景中的免提交互
- 驾驶员疲劳监测
从工程角度看，NeuroBuds的价值在于突破了传统ExG设备的体积限制，同时保持科研级信号质量。其设计理念对可穿戴医疗设备开发具有普适参考意义——通过巧妙的电极布局、高度集成的电路设计、智能的信号处理算法，实现实验室技术向日常生活的转化。