[导读] 心电图(ECG)学是一门将心脏离子去极(ionic depolarization) 后转换为分析用可测量电信号的科学。模拟电子接口到电极/患者设计中最为常见的难题之一便是优化右腿驱动 (RLD) ,其目的是实现较高的共模性能和稳定性。
  心电图 (ECG) 学是一门将心脏离子去极(ionic depolarization) 后转换为分析用可测量电信号的科学。模拟电子接口到电极/患者设计中最为常见的难题之一便是优化右腿驱动 (RLD) ,其目的是实现较高的共模性能和稳定性。利用 SPICE 分析,可大大简化这一设计过程。
  在 ECG 前端中,RLD 放大器具有 Vref 的共模电极偏置,并反馈经过反相处理的共模噪声信号 (enoise_cm),以降低测量放大器增益级输入端总噪声。图 1 中,源 ECGp 和 ECGn 被分离开,目的是表明 RLD 放大器如何为一部分 ECG信 号提供共模参考点,而这一部分 ECG 信号可在测量放大器 (INA) 的正负输入端看到。左臂、右臂和右腿的并联 RC 组合,代表了集总无源电极连接阻抗(本文后面部分以 52k? 和 47nf 表示)。假设 enoise 以寄生方式耦合至输入,则 enoise_cm 的反馈会降低每个输入端的总噪声信号,并使用外部方法过滤剩余噪声,或者利用测量放大器的共模抑制比 (CMRR) 来对其进行抑制。
  

  图 1 LEAD I 和 RLD 简易连接
  在图 2、3 和 4 中,我们可以看到共模抑制变化情况,表明共模测试电路具有不同的RLD 放大器增益。这些图表明,无反馈电阻器(即增益无限)时达到最佳低频 CMRR;但是,在现实世界中,对于那些要求在某条输入放大器引线被拔掉后 RLD 放大器仍能线性运行的应用来说,去除 DC 通路和/或将 RF 设置为某个高值或许并不实际。
  

 
  图 2 CMRR 与 RLD 增益的关系
  

  图 3 CMRR 图与频率和 RLD 增益 (RF) 的关系
  
  图 4 MCRR RLD 与无 RLD 的关系
  

  图 5 小信号脉冲测试电路
  

  图 6 图5输出的曲线图
  一旦确定 RLD 放大器的增益,便可使用图 5 所示测试电路,并在环路中注入一个小信号阶跃,然后监视输出响应情况。这时,响应(图 6 所示)显示出强输出振荡,表明环路中出现不稳定性。引起这种不稳定的主要反馈通路是 RLD 放大器周围的身体/电极/测量放大器反馈通路。图 7 所示测试电路,允许在一个波特图上单独分析 RLD 放大器的反馈和开环增益 (AOL) 曲线图。
  
 
  图 7 电极/测量放大器反馈测试电路
  图9所示 1/β(反馈)曲线图代表了图 7 模拟结果。请注意,在没有外部补偿网络时,1/β 曲线接近 AOL 曲线,且接近速率 (ROC) 》20dB/dec,其表明存在不稳定性(证明过程,在此不作讨论)。要解决这个问题,需在 RLD 放大器的局部反馈中添加一个串联 Rc 和 Cc(图 9 所示 Zc),这样总 1/β 便与 AOL 曲线交叉,其接近速率 (ROC) ≤ 20dB/dec,且环路增益相补角》 45°(图 12)。之后,Zc 成为 20k-30kHz 之间的主要反馈通路。图 11 显示了这种新的、经过补偿之后的 1/β 图(基于 Rc 和 Cc 差异)。
  

  图 8 补偿网络测试电路
  

 
  图 9 AOL、1/β 和 Zc
  

  图 10 补偿后的右腿驱动
  

  图 11 不同 Cc 值的 AOL 和 1/β
  

  图 12 图 10 的环路增益和相位
  总之,SPICE 是一种有效的工具,可帮助快速分析和优化 RLD 前端电路的性能和稳定性。请记住,模型的好坏决定了模拟的质量,因此对一些重要规格建模就十分重要,例如:噪声、AOL、开环 Zout 以及 CMRR 与频率关系等。另外,这项工作应在开始分析和设计以前就完成。
  作者:Matthew Hann,德州仪器
  
 

利用 SPICE 分析理解心电图前端中的右腿驱动的更多相关文章

  1. Web前端开发如何利用css样式来控制Html中的h1/h2/h3标签不换行

      H1/H2/H3/H4标题标签常常使用在一个网页中唯一标题.重要栏目.重要标题等情形下. H1在一个网页中最好只使用一次,如对一个网页唯一标题使用.H2.H3.H4标签则可以在一个网页中多次出现, ...

  2. 从前端中的IOC理念理解koa中的app.use()

    忙里偷闲,打开平时关注的前端相关的网站,浏览最近最新的前端动态.佼佼者,平凡的我做不到,但还是要争取不做落后者. 前端中的IoC理念,看到这个标题就被吸引了.IoC 理念,不认识呢,点击去一看,果然没 ...

  3. 利用 V8 深入理解 JavaScript 设计

    JavaScript 代码运行 以大家开发常用的 chrome 浏览器或 Node 举例,我们的 JavaScript 代码是通过 V8 运行的.但 V8 是怎么执行代码的呢?当我们输入 const ...

  4. 转载 CSDN 谈谈我对证券公司一些部门的理解(前、中、后台)

    谈谈我对证券公司一些部门的理解(前.中.后台) 2018年02月08日 15:11:07 unirong 阅读数:2165   文中对各大部门的分析都是从作者多年经历总结出来的有感之谈,尤其是前台的6 ...

  5. Linux内核分析--理解进程调度时机、跟踪分析进程调度和进程切换的过程

    ID:fuchen1994 姓名:江军 作业要求: 理解Linux系统中进程调度的时机,可以在内核代码中搜索schedule()函数,看都是哪里调用了schedule(),判断我们课程内容中的总结是否 ...

  6. 如何利用Social Listening从社会化媒体中“提炼”有价值的信息?

    本文转自知乎 作者:苏格兰折耳喵 ----------------------------------------------------- 在本文中,笔者将会介绍大数据分析主要的处对象---社会化媒 ...

  7. 深入理解Node.js中的垃圾回收和内存泄漏的捕获

    深入理解Node.js中的垃圾回收和内存泄漏的捕获 文章来自:http://wwsun.github.io/posts/understanding-nodejs-gc.html Jan 5, 2016 ...

  8. 从极大似然估计的角度理解深度学习中loss函数

    从极大似然估计的角度理解深度学习中loss函数 为了理解这一概念,首先回顾下最大似然估计的概念: 最大似然估计常用于利用已知的样本结果,反推最有可能导致这一结果产生的参数值,往往模型结果已经确定,用于 ...

  9. 利用预测分析改进欠款催收策略,控制欺诈风险和信贷风险—— Altair Knowledge Studio 预测分析和机器学习

    前提摘要 在数字经济新时代,金融服务主管正在寻求方法去细分他们的产品和市场,保持与客户的联系,寻找能够推动增长和收入的新市场,并利用可以增加优势和降低风险的新技术. 在拥有了众多可用数据之后,金融机构 ...

随机推荐

  1. 有价值的IPFS博客

    前一阵子研究IPFS,回头找资料有些找不到,再次汇总一下有价值的IPFS资料   戴嘉乐-IPFS的本质架构及应用:https://blog.csdn.net/u012357002/article/d ...

  2. Win10安装.NetFamework3.5

    步骤1:装载Win10安装镜像 本人用的是"cn_windows_10_multiple_editions_x64_dvd_6848463.iso" 如图,我把镜像装载到H盘; 步 ...

  3. CPU、GPU、CUDA、cuDNN

    CPU擅长逻辑处理控制,GPU适合高强度的并行计算任务,为什么会存在这种差别?今天搜集了些相关资料,摘抄总结如下. 一.什么是GPU GPU这个概念是由Nvidia公司于1999年提出的.GPU是显卡 ...

  4. Tensorflow计算加速

    在tensorflow里可以通过tf.device函数来指定每个运行的设备,可以是GPU也可以是CPU,比如CPU在tensorflow里的名称为/cpu:0,即便电脑里有多个CPU,tensorfl ...

  5. java根据输入的字符串和字节数来截取,输出对应字节数的字符串

    public class Test { //要进行截取操作的字符串 static String ss; //截取的字符串的字节数 static int n; public static void ma ...

  6. nodejs操作 mongoose(mongodb)和Sequelize(mysql)查询数据后添加新属性未生效

    最近在着手koa时候,发现mongoose(mongodb)查询数据库后添加新属性,前端拿不到新属性问题, 然后测试了一下Sequelize(mysql),发现也有同样的问题存在.此时着手干! 1.1 ...

  7. Jmeter之正则表达式提取器应用

    说到Jmeter正则表达式提取器的应用,就不得不说到关联.所谓关联,就是把应用中动态变化返回的数据获取到,把它保存为一个参数,提供给后面需要用到的地方进行使用. Jmeter中关联是通过“添加—后置处 ...

  8. FORTH 虚拟机内部结构

    body, table{font-family: 微软雅黑; font-size: 13.5pt} table{border-collapse: collapse; border: solid gra ...

  9. 关于Opengl投影矩阵

    读 http://www.songho.ca/opengl/gl_projectionmatrix.html 0.投影矩阵的功能: 将眼睛空间中的坐标点 [图A的视椎体]     映射到     一个 ...

  10. DevExpress v18.2新版亮点——DevExtreme篇(三)

    行业领先的.NET界面控件2018年第二次重大更新——DevExpress v18.2日前正式发布,本站将以连载的形式为大家介绍新版本新功能.本文将介绍了DevExtreme Complete Sub ...