随着脑部研究和EEG诊断的持续突破,人们期望EEG监测装置也能够在传统临床环境以外的新环境中运作,而这些新的环境同时也引发新的设计挑战。
在过去20年间,CareFusion Nicolet在EEG诊断系统领域的开发上一直扮演着先驱者的角色。通过运用ADI公司广泛的放大器产品线,CareFusion得以优化其模拟前端,应对当今的EEG设计挑战。
虽然本文只涵盖了一种EEG应用,但是大部分理论对心电图(ECG)设计工程师也会有所帮助。如同许多EEG和ECG设备设计者所知,电极中的半电池电位差异可能会引起较大的直流失调,测量系统必须能够容忍此失调。CareFusion的现有系统设计可以处理高达±900mV的失调。为了应付现场的不同电极类型以及环境条件,CareFusion希望将容差提高到±1300mV。与此同时,他们正在考虑电池供电设计的可能性,因此需大幅降低功耗,其中也包括仪表放大器。现有的功耗是每通道28mW,设计师希望将其降低到10mW以内。对于ECG和EEG前端设计,设计师面临着噪声、失调处理能力与功耗之间的取舍。
大部分仪表放大器具有因减法器级而导致的大量噪声成分。在高增益应用中,其影响不大,因为此噪声会在输出端保持恒定,而与增益无关。然而在EEG和ECG应用中,增益会被来自于电极的较大失调所限制。因此,如果希望使用大增益以获得良好噪声性能,那么失调要求将迫使设计采用大电源。
这就是CareFusion在采用AD8221仪表放大器的先前设计中采取的措施。AD8221的输出噪声为75nV/√Hz,输入噪声为8nV/√Hz。为降低大量输出噪声在折合到输入端时所造成的影响,他们将AD8221设定至14.8的增益。该增益也会将共模抑制提高23dB,因为共模增益为1。但是,为了以14.8的增益来处理900mV电极失调,必须使用115.5V直流电源轨。EEG放大器由64个这种通道组成,对于电池供电应用来说,功耗太大。
针对此应用,真正理想的是具有低输出噪声的低功耗仪表放大器,然而这并不容易。仪表放大器的输出噪声主要由6个电阻决定(图1中的R1至R6),一个可能的解决方案是降低这些电阻的值,但会有几个缺点:
图1,标准仪表放大器配置。
1. 内部仪表放大器必须驱动更多电流到这些电阻。为了在这种较高驱动条件下保持良好的线性度,必须构建输出驱动能力更强的放大器,这就需要设计功率更高的放大器。而另一方面,将出现更大的电流流经小值电阻的局面。
2. Rg增益设置电阻会变得更小,这在噪声方面是件好事,但在较大差分过压条件下,还不够好。它会使放大器输入端处理高增益配置下的大差分电压的性能变差。仪表放大器设计师可以通过增加电路来应对,但这种电路会增加输入噪声。
3. 随着EEG设备减法器电路中的电阻变小,仪表放大器的输入阻抗也会变小。这意味着,如果系统设计师希望用一个缓冲器驱动此引脚(EEG应用中常见情况),那么在目标频率范围内,驱动放大器必须具有非常低的输出阻抗。
CareFusion决定用更高的噪声来换取更低的功耗。于是,他们开始寻找AD8221的替代器件——功耗更低但仍然能满足其它性能要求。他们考虑的一款仪表放大器是AD8235/36,它的功耗非常低,尺寸很小,但噪声太高,最大供电轨为5V,无法满足直流失调要求。
CareFusion考虑的另一款器件是AD627,它的功耗也非常小,并且支持宽电源轨。相对于功耗而言,它具有良好的性能。然而,它采用的是SOIC封装,尺寸较大,不利于缩小电路板的尺寸。ADI公司还有许多300μA~500μA电源电流及宽电源范围的器件,但所有这些器件都具有至少20nA的输入偏置电流,超过了CareFusion设计的低于5nA的额定要求。发现ADI公司以及其它厂商没有任何一款仪表放大器满足要求之后,CareFusion决定自行构建。他们知道为获得100dB以上的CMRR,减法器级中的电阻必须匹配。他们过去曾经试验过匹配电阻网络,但这种网络非常昂贵,而且似乎从来没有获得期望的CMRR性能。他们很快发现差动放大器AD8278具有他们需要的性能和功耗。传统的四电阻差动放大器比看起来更复杂。对于理想的运算放大器,CMRR受电阻匹配度限制(图1中的R3-R6)。差动放大器CMRR的近似计算公式如下:
Ad为差动放大器的增益,t为电阻的容差。因此,对于1倍增益和1%电阻,CMRR=50V/V或大约34dB;对于0.1%电阻,CMRR=500V/V或大约54dB。上述公式适用于低频情况。当频率较高时,CMRR可能会进一步下降。例如,如果因为PCB布局或内部芯片布局的影响,两个运算放大器的输入电容差为400fF~500fF,电阻为10kΩ,那么10kHz时的交流CMRR会下降6dB~7dB。如果系统中有一个20kHz(或更高)开关调节器,这可能很重要。即使具有理想的电阻和平衡电容,CMRR最终也会受运算放大器的限制。
差动放大器的性能主要分为两类。欢迎分享,转载请注明来源:内存溢出
评论列表(0条)