臨床上基于個人電腦的腦電監護系統不適用于便攜和家庭的監測，并且癲癇患者長期住院檢測會增加醫療負擔。為此本文設計了一種基于Android智能手機的16導便攜式、網絡化監控系統。整個系統采用了主動電極技術、WiFi無線傳輸技術、多尺度排序熵算法、反向傳播(BP)神經網絡優化算法等，并基于Android手機應用軟件實現對腦電數據的處理、分析、顯示、報警等功能。系統在多臺Android 2.3以上系統的手機上測試后運行穩定、可靠，為醫護人員和患者提供了一種便攜、可靠、實用的癲癇發作監控解決方案。
引用本文： 梁振虎, 吳書峰, 楊春林, 蔣振洲, 遇濤, 路承彪, 李小俚. 基于Android系統的便攜式癲癇發作智能監控系統*. 生物醫學工程學雜志, 2016, 33(1): 31-37. doi: 10.7507/1001-5515.20160007 復制
0 引言
癲癇是由大腦神經元群高度同步化異常放電而導致的腦功能疾病，經常性的發作會嚴重影響患者的生活與工作。2012年我國流行病學資料顯示，我國癲癇患者約900萬，其中“活動性”癲癇患者約600萬，每年新增約40萬[1]。腦電(electroencephalogram,EEG)振蕩波形中蘊含了大量的腦生理和病理相關信息，EEG監測在癲癇臨床診斷分析上具有不可替代的作用，尤其是長程EEG的監控是癲癇發作監控和定位的最有效的方法之一[2]。
然而，以EEG為基礎的癲癇發作監測仍面臨著很多問題。首先，目前的EEG監控需要患者的長時間(有時長達數月)住院，而長期住院的陌生環境會帶給患者焦慮或壓力，影響醫生的診斷，降低診斷的準確性[3]。此外，一些患者在長期癲癇監控過程中可能沒有癲癇樣波出現。比如，Marsan等[4]統計了308位癲癇患者的EEG樣本，其中18%的患者在幾個月的記錄中沒有出現癲癇放電。因此針對這些患者，有必要做24小時的長期性監測。再者，我國醫療資源地區差異明顯，專業的癲癇病治療醫院主要集中在一、二線城市，偏遠地區患者無法獲得專業的醫療資源，因此便攜化、可穿戴、網絡化的醫療監控設備有著巨大的需求空間。
目前的EEG移動監控設備還存在一些問題。首先，傳統EEG采集采用的濕電極粘性強，透氣性差，長時間使用會使患者不舒適或者產生過敏，而且電極線的晃動容易產生運動噪聲[5]。其次，傳統EEG采集采用有線通訊方式，體積較大，人的行動受環境制約大。近年來，許多短距離無線通訊技術迅速發展起來，如IrDA、Bluetooth、ZigBee、WiFi等。其中，WiFi在短距離通信中的性價比最高，傳輸距離和通訊速率都能得到保證，因此系統中多采用WiFi進行無線通訊[6]。再者，現有的EEG監控系統主要是基于線性的頻譜理論分析，在刻畫EEG這種非線性、多尺度信號時明顯不足。熵方法是一種描述信號復雜度的分析方法，在EEG分析中受到了廣泛關注。其中，排序熵(permutation entropy,PE)具有簡潔、計算量小以及對噪聲魯棒性強等優點[7]。進一步地，Ouyang等[8]發現多尺度排序熵(multi-scale permutation entropy,MPE)算法比基于單一尺度的排序熵具有更高的癲癇發作狀態分類精度。因此，本文擬采用MPE算法檢測癲癇發作，并且采用反向傳播(back-propagation,BP)神經網絡對檢測指標進行優化，提供一種基于Android智能手機平臺和WiFi無線通訊技術的可穿戴、便攜式癲癇發作網絡化監控系統的設計方案。
1 監護系統的組成
1.1 系統總體方法
系統設計方案的總體工作過程如圖1所示：①通過WiFi將患者手機與16導聯的EEG采集模塊連接，EEG數據經WiFi傳輸到患者手機。②患者手機運行的應用軟件將EEG波形實時顯示和處理，并將EEG數據存儲于患者手機SD卡中。③在WiFi網絡的條件下，患者手機可登錄遠端服務器，將EEG數據、患者信息、報警提示等上傳至服務器。④服務器對數據進行分析后，將診斷信息發送至患者手機，達到報警閾值時，患者手機將報警短息發送至醫生手機。⑤醫生可以通過后臺服務器隨時下載患者相關信息，根據患者情況采取相應診療措施，還可將患者診治情況上傳至服務器，供患者及監護人下載查看。
圖1
系統總體工作過程
Figure1.
The whole working flow of system
1.2 硬件部分
癲癇發作監護系統的硬件部分整體結構示意圖如圖2，其中(a)(b)(c)(d)分別為一體化主動電極、EEG信號調理通道、WiFi數據傳輸模塊、電源模塊，由這四部分構成了癲癇發作檢測系統的硬件部分。系統采樣率為1 kHz，帶寬設置為0.5～70 Hz，A/D轉換精度為16位，低輸入噪聲。
圖2
系統硬件整體結構圖
(a)主動電極；(b)EEG信號調理通道；(c)WiFi數據傳輸模塊；(d)電源模塊
Figure2. The structure diagram of system hardware(a) the active electrode; (b) the EEG signal conditioning channel; (c) the WiFi data transmission module; (d) the power module
1.2.1 一體化主動電極
由于EEG信號微弱，輸入阻抗大，很容易因為電極線晃動引入運動噪聲和漂移，因此，本系統中采用了一體化的主動電極技術[9]。通過在電極中放置低漂移的前置跟隨電路來提高電路輸入阻抗，降低電路輸出阻抗，對前后級電路形成隔離，從而抑制工頻噪聲和提高信號的抗干擾能力。前置跟隨電路具體的原理如圖3(a)所示，在實際電路中，采用了TLC2272運算放大器，運放為性價比高的單電源滿擺幅運放，輸入阻抗可達1012 Ω數量級，較傳統電極EEG采集系統108～1011 Ω數量級的輸入阻抗，能夠更精確地感知EEG信號的微小變化[8]。在設計工藝上，主動電極采用有機硅密封膠將粉末Ag/AgCl電極與前置跟隨電路固定在一起，電源線與信號線通過具有屏蔽功能三芯2.5 mm耳機線與采集裝置相連，主動電極的整體外觀如圖3(b)所示；圖3(c)是主動電極固定于電極帽上的示意圖；圖3(d)是電極座的三維示意圖，電極座通過其底部凹槽固定在電極帽的布料上，這種固定方式使電極具有拆卸容易、方便清洗的特點；圖3(e)是一體化主動電極的實物圖。
圖3
前置跟隨電路和主動電極
(a)跟隨電路；(b)主動電極；(c)電極固定方式；(d)電極座；(e)一體化主動電極整體效果
Figure3. The front follower circuit and active electrode(a) the follower circuit; (b) the active electrode; (c) the mode of fixing electrode; (d) the electrode tip; (e) the overall effect of integrative active electrode
1.2.2 EEG信號調理通道
EEG信號調理通道包括模擬放大器、濾波電路、ADC等單元。從主動電極獲取的原始的EEG信號首先通過儀表放大器INA128做10倍放大。之后采用TLC2272做二級放大，增益設成100倍。低通濾波器由RC濾波電路組成，其截止頻率為100 Hz，衰減為40 dB，高通濾波器采用了由RC和TLC2272運算放大器組成的有源高通濾波器，其截止頻率為0.5 Hz，衰減為20 dB。A/D采樣芯片采用ADI公司的16位8通道同步數據采集芯片AD7606，該芯片采用雙極輸入，采樣速率達200 ksps；片內集成輸入緩沖、輸入箝位保護、抗混疊模擬濾波等功能，通過STM32微控制器芯片對AD7606芯片進行控制。
1.2.3 WiFi數據傳輸模塊
本系統采用EMW3161嵌入式WiFi模塊進行無線通訊。其集成STM32F2微控制器內核，內置陶瓷天線。采用Ad-Hoc模式建立對等網絡，使得Android智能終端能夠隨時主動與該模塊建立通訊，傳輸數據。模塊支持標準的802.11 b/g/n無線傳輸協議，可以和絕大多數的帶WiFi功能的Android智能設備通信。
1.3 軟件部分
癲癇發作監護系統的數據處理和監控軟件可以運行在患者Android智能手機上。目前Android智能手機具有高性能的CPU和大容量的RAM和ROM。在本文中，我們采用小米1S手機測試運行。
用戶端應用軟件包括三個子模塊：數據采集、實時的信號處理和實時的數據分析。軟件功能結構流程圖如圖4所示。應用軟件使用前要進行系統設置，包括WiFi配置連接和服務器設置。手機和EEG數據采集模塊通過Socket建立網絡連接，通過輸入輸出流來實現數據的交換。服務器設置主要包括設置服務器域名或IP地址，使患者或醫生可以通過網絡與服務器連接，查詢患者數據和相關信息，實現遠程醫療。
圖4
Android手機軟件功能結構流程圖
Figure4.
The procedure and function flow chart of Android mobile software
應用軟件可以實現用戶管理，用戶信息存儲在對應的SQLite數據庫文件中。打開一個用戶EEG數據記錄列表，可實現EEG回放、數據刪除和上傳服務器等功能。在癲癇發作監控過程運用了多線程的編程方式來確保監控過程的實時性。該過程采用三個線程：①SurfaceView組件繪制波形；②EEG數據存儲；③EEG數據處理、上傳以及獲取服務器分析結果。數據以二進制文件形式存儲在SD卡中，使所占空間達到最小，利于存儲和遠程傳輸。在本系統中，手機端應用軟件程序可以運行在Android 2.3及以上系統版本中。
1.4 算法
1.4.1 EEG預處理
從頭皮采集到的EEG為微伏級信號，易受包括心電、肌電等生理電信號偽跡、50 Hz工頻和基線漂移噪聲等的干擾。為了去除這些噪聲，患者Android手機對接收到的EEG信號進行了預處理。其中，低通濾波器采用標準的FIR濾波來實現，窗函數的設計基于REMEZ算法獲得有效的濾波窗[10]，帶通截止頻率設置為65 Hz，帶阻起始頻率設置為70 Hz，衰減為60 dB；針對50 Hz工頻，系統采用經典的自適應濾波器去除[11]；將自適應濾波器的濾波頻段設置在0 Hz可以實現高通濾波，去除基線漂移。
1.4.2 MPE算法
為了實現癲癇發作檢測的功能，系統采用了MPE熵算法[8]，主要包含兩個過程，描述如下。
首先，對時間序列進行粗粒化。對于一個給定的離散時間序列{x1,x2,…,xL}，通過在非重疊窗口內的一列數量連續增長的數據點的平均值來構造一個連貫的粗粒化時間序列。一個多重的粗粒化時間序列的每個元素yj(s)>可通過下面的公式(1)計算：
| $\[y_{j}^{(s)}=1/s\sum\limits_{i=(j-1)s+1}^{js}{{{x}_{i}}},\]$ |
式中的s表示尺度因子，滿足：1≤j≤L/s。每個粗粒化時間序列的長度是L/s的整數部分，當s=1的時候這個粗粒化的時間序列恰好就是原始的時間序列。每個s對應一個尺度下的EEG，本文對癲癇信號做了3個尺度下的分解。
然后，在每個尺度的粗粒化時間序列基礎上計算PE，并且作為尺度因子s的一個函數。為了計算粗粒化時間序列yi的排序，將yi嵌入到m維的空間：St=[yt,yt+τ,…,yt+(m-1)τ]，然后將St按遞增的順序排列：
| $\[{{y}_{t}}+({{j}_{1}}-1)\tau \tau \le {{y}_{t}}+({{j}_{2}}-1)\tau \le \cdots \le {{y}_{t}}+({{j}_{m}}-1)\tau \]$ |
在嵌入維數m下，將會有m!種可能的排序模式π。令f(π)表示它在排序模式中出現的次數，它的出現概率為p(π)=f(π)/(L/s-m+1)。基于香農熵定義，排序熵定義為：
| $\[PE=-\sum\limits_{i=1}^{m!}{p({{\pi }_{i}})\ln p({{\pi }_{i}})}\]$ |
相應的歸一化熵定義為PE/log(m!)。PE的最大值是1，最小值是0，PE的值越小，時間序列規律性越強；PE的值越大，時間序列的復雜度越高。其中嵌入維數m和時延τ根據之前研究結果分別選取m=6、τ=1，用以計算EEG信號[8]。
1.4.3 癲癇發作檢測指標
癲癇發作檢測會受到很多因素的影響，只根據分立的單個指標來評估癲癇監控狀態存在著不確定性，因此有必要采用多參數綜合來獲取發作檢測指標，從而提高檢測的穩定性和可靠性。在本系統中，除了在智能終端采用MPE算法檢測癲癇發作外，針對有疑似發作的患者，進一步通過后臺服務器端的BP神經網絡算法進行檢測和分析。在采用BP神經網絡優化時，在排序熵值取尺度1、2、3參數的基礎上，我們考慮將信號的頻譜特性作為一個附加參數輸入，采用了95%功率譜邊緣頻率[12](95% spectral edge frequency,SEF95)參數。為了獲得直觀的分類效果，定義正常狀態(發作間期)指標范圍為80～100，發作前期為60～80，發作期為40～60，訓練時以這三個時期的隨機數作為BP神經網絡的輸出。經過多次仿真和實驗論證，系統中選取了兩個隱含層，傳遞函數均采取雙曲正切函數，輸出層選取線性函數，兩個隱層節點數分別為3、5。系統采用德國波恩大學癲癇研究中心的大量癲癇EEG數據[13]組成訓練集進行神經網絡參數訓練，獲取最優的權值和閾值，將訓練好的網絡運用到實際癲癇發作檢測中，從而得到檢測指標。圖5中給出了采用隨機抽取的100段不同狀態下的臨床數據獲得的指標優化結果，可以看出利用BP神經網絡可以使各個時期的輸出得到一個很穩定的參數范圍。
圖5
BP神經網絡指標優化效果圖
(a)發作間期；(b)發作前期；(c)發作期
Figure5. The indicator optimum effect of BP neural network(a) seizure-free; (b) pre-seizure; (c) seizure
1.4.4 算法速率和容量
大量算法的應用，能夠提高系統的性能，但是對計算能力和容量有限的Android移動設備提出了挑戰。為了解決這個問題，系統將BP神經網絡的算法放到了服務器端來執行，Android移動設備端只做實時的EEG數據存儲和癲癇發作預檢測，有效解決了移動設備計算能力和容量有限的問題。Android移動設備上部分EEG數據預處理等程序采用Android NDK開發，用C語言進行編寫，極大提高了程序的執行效率。經過實際測試，Android移動設備程序實際使用物理內存為50 MB左右，測試用的小米1S手機內存為1 GB，完全可以達到程序運行需求。
2 系統實現結果
患者Android手機監控應用軟件如圖6所示，主要包括客戶端功能界面、患者記錄列表界面、患者信息輸入界面、EEG波形顯示界面等。該軟件界面簡潔醒目，操作靈活方便，具有很高的實用性。
圖6
Android客戶端主要界面
Figure6.
The interfaces of Android client software
本系統的實物圖如圖7所示：圖7(a)為EEG采集模塊，系統中的信號調理電路、WiFi數據傳輸模塊和電源模塊都集中在其鋁合金外殼中；在圖7(b)中，將EEG采集模塊、耳機接口電路、主動電極線和彈性腰帶連接成為一體；圖7(c)中展示了處于工作狀態的Android手機；圖7(d)是系統穿戴好的整體效果圖，EEG采集模塊通過彈性腰帶佩戴于患者腰間，連接可靠、佩戴舒適，患者活動不受限制。
圖7
The physical map of system
(a)可穿戴EEG采集系統；(b)EEG手機軟件界面；(c)EEG采集模塊；(d)整體效果圖
Figure7. 英文標題(a) the wearable acquisition system of EEG; (b) the mobile software interface of EEG; (c) the acquisition module of EEG; (d) the overall effect map
3 臨床測試結果及分析
為了驗證本系統的性能，在首都醫科大學宣武醫院功能神經外科進行了臨床測試。測試中選取了7個顳葉癲癇患者(編號p1-p7)，其中包括4名女性，3名男性，年齡28～51歲，所有患者均為單純的癲癇患者，無其他的腦部疾病。測試方案得到首都醫科大學宣武醫院醫學倫理委員會的同意，同時在測試前都已經征得了患者的知情同意。測試中采取了國際認可的10/20系統標準來放置主動電極，選取的電極包括：F7、F8、T3、T4、T5、T6、O1、O2、F3、F4、C3、C4、P3、P4、Fz、Cz，參考電極為A1、A2。采樣頻率為1 kHz，每個患者的EEG監護時間均超過24 h。
從所有患者的監護數據中，選取患者p1的Fz導聯數據為例進行說明。圖8是其EEG信號對應的MPE指標，持續時間為350 s。可以看出，患者在癲癇發作間期MPE值存在小幅值范圍的波動；癲癇發作前期，患者EEG幅值增大，MPE值減小；從135 s開始，MPE在尺度s=1,2,3下均呈現明顯的下降趨勢；之后，進入癲癇發作后期，MPE值回升到一個較高的數值，逐漸回到平穩狀態。可見，MPE可以從多個尺度表征癲癇EEG序列復雜度的變化。
圖8
癲癇發作EEG信號和對應的MPE
Figure8.
The EEG signals of epileptic seizure and corresponding MPE
為了說明系統的檢測效果，對系統的檢出率、誤報警次數、檢測時間提前量進行了統計，如表1所示。從表中可以看出，本系統的總檢出率為86.5%，其中有2名患者測試期間檢出率達到了100%，而其他患者出現發作未檢出的情況，是因為雖然其發作期MPE也下降，但是輸出指標并沒有達到預先設定的閾值要求。
表1
本系統對7例癲癇患者發作檢測結果
Table1.
The detection results of 7 patients using the proposed system
為了獲取系統的抗干擾性能，根據國家計量檢定規程JJG954-2000中的實驗方法，對系統各導聯的共模抑制比和噪聲電平進行了測試，測試結果表明各導聯數據都已經達到了國家標準，如表2所示。此外，為了對系統的檢測報警時間進行測試，實驗通過在開始上傳數據和收到服務器分析結果位置進行標記，實際測得時延約為2.0 s，可以滿足日常生活和醫院的報警需求。
表2
系統抗干擾性能測試結果
Table2.
The test results of system anti-jam capability
4 結論
本文所提出的癲癇發作監控系統具有便攜、抗干擾能力強、實時性高、算法檢出率高的特點，可以用于癲癇患者在醫院、社區及家庭的監控。采用常規的智能手機作為終端突破了監控環境的限制，為癲癇疾病的EEG監控提供了一種有效、經濟的網絡化監控工具和方法。同時，本文所提供的方案也可以用于睡眠障礙、抑郁癥、阿爾茨海默病等精神疾病的監測。
0 引言
癲癇是由大腦神經元群高度同步化異常放電而導致的腦功能疾病，經常性的發作會嚴重影響患者的生活與工作。2012年我國流行病學資料顯示，我國癲癇患者約900萬，其中“活動性”癲癇患者約600萬，每年新增約40萬[1]。腦電(electroencephalogram,EEG)振蕩波形中蘊含了大量的腦生理和病理相關信息，EEG監測在癲癇臨床診斷分析上具有不可替代的作用，尤其是長程EEG的監控是癲癇發作監控和定位的最有效的方法之一[2]。
然而，以EEG為基礎的癲癇發作監測仍面臨著很多問題。首先，目前的EEG監控需要患者的長時間(有時長達數月)住院，而長期住院的陌生環境會帶給患者焦慮或壓力，影響醫生的診斷，降低診斷的準確性[3]。此外，一些患者在長期癲癇監控過程中可能沒有癲癇樣波出現。比如，Marsan等[4]統計了308位癲癇患者的EEG樣本，其中18%的患者在幾個月的記錄中沒有出現癲癇放電。因此針對這些患者，有必要做24小時的長期性監測。再者，我國醫療資源地區差異明顯，專業的癲癇病治療醫院主要集中在一、二線城市，偏遠地區患者無法獲得專業的醫療資源，因此便攜化、可穿戴、網絡化的醫療監控設備有著巨大的需求空間。
目前的EEG移動監控設備還存在一些問題。首先，傳統EEG采集采用的濕電極粘性強，透氣性差，長時間使用會使患者不舒適或者產生過敏，而且電極線的晃動容易產生運動噪聲[5]。其次，傳統EEG采集采用有線通訊方式，體積較大，人的行動受環境制約大。近年來，許多短距離無線通訊技術迅速發展起來，如IrDA、Bluetooth、ZigBee、WiFi等。其中，WiFi在短距離通信中的性價比最高，傳輸距離和通訊速率都能得到保證，因此系統中多采用WiFi進行無線通訊[6]。再者，現有的EEG監控系統主要是基于線性的頻譜理論分析，在刻畫EEG這種非線性、多尺度信號時明顯不足。熵方法是一種描述信號復雜度的分析方法，在EEG分析中受到了廣泛關注。其中，排序熵(permutation entropy,PE)具有簡潔、計算量小以及對噪聲魯棒性強等優點[7]。進一步地，Ouyang等[8]發現多尺度排序熵(multi-scale permutation entropy,MPE)算法比基于單一尺度的排序熵具有更高的癲癇發作狀態分類精度。因此，本文擬采用MPE算法檢測癲癇發作，并且采用反向傳播(back-propagation,BP)神經網絡對檢測指標進行優化，提供一種基于Android智能手機平臺和WiFi無線通訊技術的可穿戴、便攜式癲癇發作網絡化監控系統的設計方案。
1 監護系統的組成
1.1 系統總體方法
系統設計方案的總體工作過程如圖1所示：①通過WiFi將患者手機與16導聯的EEG采集模塊連接，EEG數據經WiFi傳輸到患者手機。②患者手機運行的應用軟件將EEG波形實時顯示和處理，并將EEG數據存儲于患者手機SD卡中。③在WiFi網絡的條件下，患者手機可登錄遠端服務器，將EEG數據、患者信息、報警提示等上傳至服務器。④服務器對數據進行分析后，將診斷信息發送至患者手機，達到報警閾值時，患者手機將報警短息發送至醫生手機。⑤醫生可以通過后臺服務器隨時下載患者相關信息，根據患者情況采取相應診療措施，還可將患者診治情況上傳至服務器，供患者及監護人下載查看。
圖1
系統總體工作過程
Figure1.
The whole working flow of system
1.2 硬件部分
癲癇發作監護系統的硬件部分整體結構示意圖如圖2，其中(a)(b)(c)(d)分別為一體化主動電極、EEG信號調理通道、WiFi數據傳輸模塊、電源模塊，由這四部分構成了癲癇發作檢測系統的硬件部分。系統采樣率為1 kHz，帶寬設置為0.5～70 Hz，A/D轉換精度為16位，低輸入噪聲。
圖2
系統硬件整體結構圖
(a)主動電極；(b)EEG信號調理通道；(c)WiFi數據傳輸模塊；(d)電源模塊
Figure2. The structure diagram of system hardware(a) the active electrode; (b) the EEG signal conditioning channel; (c) the WiFi data transmission module; (d) the power module
1.2.1 一體化主動電極
由于EEG信號微弱，輸入阻抗大，很容易因為電極線晃動引入運動噪聲和漂移，因此，本系統中采用了一體化的主動電極技術[9]。通過在電極中放置低漂移的前置跟隨電路來提高電路輸入阻抗，降低電路輸出阻抗，對前后級電路形成隔離，從而抑制工頻噪聲和提高信號的抗干擾能力。前置跟隨電路具體的原理如圖3(a)所示，在實際電路中，采用了TLC2272運算放大器，運放為性價比高的單電源滿擺幅運放，輸入阻抗可達1012 Ω數量級，較傳統電極EEG采集系統108～1011 Ω數量級的輸入阻抗，能夠更精確地感知EEG信號的微小變化[8]。在設計工藝上，主動電極采用有機硅密封膠將粉末Ag/AgCl電極與前置跟隨電路固定在一起，電源線與信號線通過具有屏蔽功能三芯2.5 mm耳機線與采集裝置相連，主動電極的整體外觀如圖3(b)所示；圖3(c)是主動電極固定于電極帽上的示意圖；圖3(d)是電極座的三維示意圖，電極座通過其底部凹槽固定在電極帽的布料上，這種固定方式使電極具有拆卸容易、方便清洗的特點；圖3(e)是一體化主動電極的實物圖。
圖3
前置跟隨電路和主動電極
(a)跟隨電路；(b)主動電極；(c)電極固定方式；(d)電極座；(e)一體化主動電極整體效果
Figure3. The front follower circuit and active electrode(a) the follower circuit; (b) the active electrode; (c) the mode of fixing electrode; (d) the electrode tip; (e) the overall effect of integrative active electrode
1.2.2 EEG信號調理通道
EEG信號調理通道包括模擬放大器、濾波電路、ADC等單元。從主動電極獲取的原始的EEG信號首先通過儀表放大器INA128做10倍放大。之后采用TLC2272做二級放大，增益設成100倍。低通濾波器由RC濾波電路組成，其截止頻率為100 Hz，衰減為40 dB，高通濾波器采用了由RC和TLC2272運算放大器組成的有源高通濾波器，其截止頻率為0.5 Hz，衰減為20 dB。A/D采樣芯片采用ADI公司的16位8通道同步數據采集芯片AD7606，該芯片采用雙極輸入，采樣速率達200 ksps；片內集成輸入緩沖、輸入箝位保護、抗混疊模擬濾波等功能，通過STM32微控制器芯片對AD7606芯片進行控制。
1.2.3 WiFi數據傳輸模塊
本系統采用EMW3161嵌入式WiFi模塊進行無線通訊。其集成STM32F2微控制器內核，內置陶瓷天線。采用Ad-Hoc模式建立對等網絡，使得Android智能終端能夠隨時主動與該模塊建立通訊，傳輸數據。模塊支持標準的802.11 b/g/n無線傳輸協議，可以和絕大多數的帶WiFi功能的Android智能設備通信。
1.3 軟件部分
癲癇發作監護系統的數據處理和監控軟件可以運行在患者Android智能手機上。目前Android智能手機具有高性能的CPU和大容量的RAM和ROM。在本文中，我們采用小米1S手機測試運行。
用戶端應用軟件包括三個子模塊：數據采集、實時的信號處理和實時的數據分析。軟件功能結構流程圖如圖4所示。應用軟件使用前要進行系統設置，包括WiFi配置連接和服務器設置。手機和EEG數據采集模塊通過Socket建立網絡連接，通過輸入輸出流來實現數據的交換。服務器設置主要包括設置服務器域名或IP地址，使患者或醫生可以通過網絡與服務器連接，查詢患者數據和相關信息，實現遠程醫療。
圖4
Android手機軟件功能結構流程圖
Figure4.
The procedure and function flow chart of Android mobile software
應用軟件可以實現用戶管理，用戶信息存儲在對應的SQLite數據庫文件中。打開一個用戶EEG數據記錄列表，可實現EEG回放、數據刪除和上傳服務器等功能。在癲癇發作監控過程運用了多線程的編程方式來確保監控過程的實時性。該過程采用三個線程：①SurfaceView組件繪制波形；②EEG數據存儲；③EEG數據處理、上傳以及獲取服務器分析結果。數據以二進制文件形式存儲在SD卡中，使所占空間達到最小，利于存儲和遠程傳輸。在本系統中，手機端應用軟件程序可以運行在Android 2.3及以上系統版本中。
1.4 算法
1.4.1 EEG預處理
從頭皮采集到的EEG為微伏級信號，易受包括心電、肌電等生理電信號偽跡、50 Hz工頻和基線漂移噪聲等的干擾。為了去除這些噪聲，患者Android手機對接收到的EEG信號進行了預處理。其中，低通濾波器采用標準的FIR濾波來實現，窗函數的設計基于REMEZ算法獲得有效的濾波窗[10]，帶通截止頻率設置為65 Hz，帶阻起始頻率設置為70 Hz，衰減為60 dB；針對50 Hz工頻，系統采用經典的自適應濾波器去除[11]；將自適應濾波器的濾波頻段設置在0 Hz可以實現高通濾波，去除基線漂移。
1.4.2 MPE算法
為了實現癲癇發作檢測的功能，系統采用了MPE熵算法[8]，主要包含兩個過程，描述如下。
首先，對時間序列進行粗粒化。對于一個給定的離散時間序列{x1,x2,…,xL}，通過在非重疊窗口內的一列數量連續增長的數據點的平均值來構造一個連貫的粗粒化時間序列。一個多重的粗粒化時間序列的每個元素yj(s)>可通過下面的公式(1)計算：
| $\[y_{j}^{(s)}=1/s\sum\limits_{i=(j-1)s+1}^{js}{{{x}_{i}}},\]$ |
式中的s表示尺度因子，滿足：1≤j≤L/s。每個粗粒化時間序列的長度是L/s的整數部分，當s=1的時候這個粗粒化的時間序列恰好就是原始的時間序列。每個s對應一個尺度下的EEG，本文對癲癇信號做了3個尺度下的分解。
然后，在每個尺度的粗粒化時間序列基礎上計算PE，并且作為尺度因子s的一個函數。為了計算粗粒化時間序列yi的排序，將yi嵌入到m維的空間：St=[yt,yt+τ,…,yt+(m-1)τ]，然后將St按遞增的順序排列：
| $\[{{y}_{t}}+({{j}_{1}}-1)\tau \tau \le {{y}_{t}}+({{j}_{2}}-1)\tau \le \cdots \le {{y}_{t}}+({{j}_{m}}-1)\tau \]$ |
在嵌入維數m下，將會有m!種可能的排序模式π。令f(π)表示它在排序模式中出現的次數，它的出現概率為p(π)=f(π)/(L/s-m+1)。基于香農熵定義，排序熵定義為：
| $\[PE=-\sum\limits_{i=1}^{m!}{p({{\pi }_{i}})\ln p({{\pi }_{i}})}\]$ |
相應的歸一化熵定義為PE/log(m!)。PE的最大值是1，最小值是0，PE的值越小，時間序列規律性越強；PE的值越大，時間序列的復雜度越高。其中嵌入維數m和時延τ根據之前研究結果分別選取m=6、τ=1，用以計算EEG信號[8]。
1.4.3 癲癇發作檢測指標
癲癇發作檢測會受到很多因素的影響，只根據分立的單個指標來評估癲癇監控狀態存在著不確定性，因此有必要采用多參數綜合來獲取發作檢測指標，從而提高檢測的穩定性和可靠性。在本系統中，除了在智能終端采用MPE算法檢測癲癇發作外，針對有疑似發作的患者，進一步通過后臺服務器端的BP神經網絡算法進行檢測和分析。在采用BP神經網絡優化時，在排序熵值取尺度1、2、3參數的基礎上，我們考慮將信號的頻譜特性作為一個附加參數輸入，采用了95%功率譜邊緣頻率[12](95% spectral edge frequency,SEF95)參數。為了獲得直觀的分類效果，定義正常狀態(發作間期)指標范圍為80～100，發作前期為60～80，發作期為40～60，訓練時以這三個時期的隨機數作為BP神經網絡的輸出。經過多次仿真和實驗論證，系統中選取了兩個隱含層，傳遞函數均采取雙曲正切函數，輸出層選取線性函數，兩個隱層節點數分別為3、5。系統采用德國波恩大學癲癇研究中心的大量癲癇EEG數據[13]組成訓練集進行神經網絡參數訓練，獲取最優的權值和閾值，將訓練好的網絡運用到實際癲癇發作檢測中，從而得到檢測指標。圖5中給出了采用隨機抽取的100段不同狀態下的臨床數據獲得的指標優化結果，可以看出利用BP神經網絡可以使各個時期的輸出得到一個很穩定的參數范圍。
圖5
BP神經網絡指標優化效果圖
(a)發作間期；(b)發作前期；(c)發作期
Figure5. The indicator optimum effect of BP neural network(a) seizure-free; (b) pre-seizure; (c) seizure
1.4.4 算法速率和容量
大量算法的應用，能夠提高系統的性能，但是對計算能力和容量有限的Android移動設備提出了挑戰。為了解決這個問題，系統將BP神經網絡的算法放到了服務器端來執行，Android移動設備端只做實時的EEG數據存儲和癲癇發作預檢測，有效解決了移動設備計算能力和容量有限的問題。Android移動設備上部分EEG數據預處理等程序采用Android NDK開發，用C語言進行編寫，極大提高了程序的執行效率。經過實際測試，Android移動設備程序實際使用物理內存為50 MB左右，測試用的小米1S手機內存為1 GB，完全可以達到程序運行需求。
2 系統實現結果
患者Android手機監控應用軟件如圖6所示，主要包括客戶端功能界面、患者記錄列表界面、患者信息輸入界面、EEG波形顯示界面等。該軟件界面簡潔醒目，操作靈活方便，具有很高的實用性。
圖6
Android客戶端主要界面
Figure6.
The interfaces of Android client software
本系統的實物圖如圖7所示：圖7(a)為EEG采集模塊，系統中的信號調理電路、WiFi數據傳輸模塊和電源模塊都集中在其鋁合金外殼中；在圖7(b)中，將EEG采集模塊、耳機接口電路、主動電極線和彈性腰帶連接成為一體；圖7(c)中展示了處于工作狀態的Android手機；圖7(d)是系統穿戴好的整體效果圖，EEG采集模塊通過彈性腰帶佩戴于患者腰間，連接可靠、佩戴舒適，患者活動不受限制。
圖7
The physical map of system
(a)可穿戴EEG采集系統；(b)EEG手機軟件界面；(c)EEG采集模塊；(d)整體效果圖
Figure7. 英文標題(a) the wearable acquisition system of EEG; (b) the mobile software interface of EEG; (c) the acquisition module of EEG; (d) the overall effect map
3 臨床測試結果及分析
為了驗證本系統的性能，在首都醫科大學宣武醫院功能神經外科進行了臨床測試。測試中選取了7個顳葉癲癇患者(編號p1-p7)，其中包括4名女性，3名男性，年齡28～51歲，所有患者均為單純的癲癇患者，無其他的腦部疾病。測試方案得到首都醫科大學宣武醫院醫學倫理委員會的同意，同時在測試前都已經征得了患者的知情同意。測試中采取了國際認可的10/20系統標準來放置主動電極，選取的電極包括：F7、F8、T3、T4、T5、T6、O1、O2、F3、F4、C3、C4、P3、P4、Fz、Cz，參考電極為A1、A2。采樣頻率為1 kHz，每個患者的EEG監護時間均超過24 h。
從所有患者的監護數據中，選取患者p1的Fz導聯數據為例進行說明。圖8是其EEG信號對應的MPE指標，持續時間為350 s。可以看出，患者在癲癇發作間期MPE值存在小幅值范圍的波動；癲癇發作前期，患者EEG幅值增大，MPE值減小；從135 s開始，MPE在尺度s=1,2,3下均呈現明顯的下降趨勢；之后，進入癲癇發作后期，MPE值回升到一個較高的數值，逐漸回到平穩狀態。可見，MPE可以從多個尺度表征癲癇EEG序列復雜度的變化。
圖8
癲癇發作EEG信號和對應的MPE
Figure8.
The EEG signals of epileptic seizure and corresponding MPE
為了說明系統的檢測效果，對系統的檢出率、誤報警次數、檢測時間提前量進行了統計，如表1所示。從表中可以看出，本系統的總檢出率為86.5%，其中有2名患者測試期間檢出率達到了100%，而其他患者出現發作未檢出的情況，是因為雖然其發作期MPE也下降，但是輸出指標并沒有達到預先設定的閾值要求。
表1
本系統對7例癲癇患者發作檢測結果
Table1.
The detection results of 7 patients using the proposed system
為了獲取系統的抗干擾性能，根據國家計量檢定規程JJG954-2000中的實驗方法，對系統各導聯的共模抑制比和噪聲電平進行了測試，測試結果表明各導聯數據都已經達到了國家標準，如表2所示。此外，為了對系統的檢測報警時間進行測試，實驗通過在開始上傳數據和收到服務器分析結果位置進行標記，實際測得時延約為2.0 s，可以滿足日常生活和醫院的報警需求。
表2
系統抗干擾性能測試結果
Table2.
The test results of system anti-jam capability
4 結論
本文所提出的癲癇發作監控系統具有便攜、抗干擾能力強、實時性高、算法檢出率高的特點，可以用于癲癇患者在醫院、社區及家庭的監控。采用常規的智能手機作為終端突破了監控環境的限制，為癲癇疾病的EEG監控提供了一種有效、經濟的網絡化監控工具和方法。同時，本文所提供的方案也可以用于睡眠障礙、抑郁癥、阿爾茨海默病等精神疾病的監測。
