一種用于癲癇發作預測的可穿戴無線傳感器

張根選，張 莉，石 波，曹 陽，劉開放

1 蚌埠醫學院醫學影像學系，蚌埠市，233030

2 深圳迪美泰數字醫學技術有限公司，深圳市，518067

一種用于癲癇發作預測的可穿戴無線傳感器

【作者】張根選1，張 莉1，石 波1，曹 陽2，劉開放1

1 蚌埠醫學院醫學影像學系，蚌埠市，233030

2 深圳迪美泰數字醫學技術有限公司，深圳市，518067

該文設計了一種貼片可穿戴式心電傳感器（Wearable Patch-type ECG Sensor，WPES），主要由電極、心電采集模塊、藍牙模塊和電源模塊等部分組成。WPES以BMD101芯片為核心進行心電采集，通過低功耗藍牙實現與手機之間的通信。WPES具有電路簡單、體積小、重量輕、功耗低、穿戴方便、舒適度高等特點，可以作為傳感器節點用于網絡化癲癇發作預測。

癲癇發作預測；心率變異性；可穿戴傳感器；低功耗藍牙

0 引言

癲癇是一種常見的神經系統疾病，以反復性、突然性、短暫性腦功能紊亂為主要特征。據世界衛生組織估計，全球癲癇患者數量已經超過5 000萬人，其中近80%分布在發展中國家[1]。中國衛生部最新統計數據顯示，目前我國約有1 000萬癲癇患者。

癲癇發作的反復性嚴重威脅著患者的身心健康，發作的突然性是患者致殘或死亡的主要原因。如果癲癇發作能得到有效的預測，使患者或醫護人員提前采取有效的干預措施，則可大大降低癲癇發作給患者造成的傷害，提高其生活質量。因此，癲癇發作預測的研究具有重要的社會價值。

目前，關于癲癇發作預測的研究主要是基于腦電信號。例如，韓凌等[2]采用空頻域特征方法對腦電δ波和θ波分析進行癲癇發作預測，預測范圍在30 ～ 45 min；Eric等[3]采用多元網絡參數分析構建決策樹的方法對35例癲癇兒童患者的腦電信號進行預測研究，取得了＞95%的準確率。經過幾十年的研究，基于腦電信號的癲癇發作預測取得了一定的進展，但是能否采集到高品質的腦電信號對預測結果起著關鍵性作用。目前研究中的腦電信號大多是基于實驗室環境下采集的，所以基于腦電信號的癲癇發作預測離實際應用還有一段距離。

Novak等[4]采用時頻分布圖對心電信號RRI間期(RR Interval, RRI)進行了研究，發現癲癇患者自主神經系統活動在癲癇發作前幾分鐘已有改變，開辟了癲癇發作預測的新途徑。Behbahani等[5]研究發現癲癇患者發作前5 min心率變異性（Heart Rate Variability，HRV）部分參數有明顯變化。Fujiwara等[6]利用多元統計過程控制（Multivariate Statistical Process Control，MSPC）對HRV的8個參數進行分析用于癲癇發作預測，取得了91%的準確率。由此可見，利用HRV進行癲癇預測發作具有一定的可行性。HRV是基于心電信號獲得的，心電信號的采集要比腦電信號來得更加容易，因此，基于HRV的癲癇預測發作更加具有實際應用價值。本文設計了一種貼片可穿戴式心電傳感器（Wearable Patch-type ECG Sensor，WPES），利用兩個電極的信號輸入方式采集心電信號，計算出RRI間期后通過低功耗藍牙將數據傳輸至手機端，可以作為傳感器節點用于網絡化癲癇發作預測。

1 方法

1.1 總體結構

WPES僅完成心電信號的采集、預處理和傳輸，癲癇發作預測可以在智能設備或云平臺上進行?？紤]到現在的手機和平板電腦等智能設備大多都帶藍牙功能，本設計選用藍牙作為數據無線傳輸手段。整個系統結構如圖1所示。

圖1 系統結構Fig.1 System structure

1.2 WPES設計

WPES硬件模塊主要由電極、心電采集模塊、藍牙模塊和電源模塊等部分組成，原理框圖如圖2所示。

圖2 WPES原理框圖Fig.2 Block diagram of the WPES

1.2.1 電極

目前，心電采集常用的電極有金屬電極、凝膠型電極和織物電極。WPES需要長期穿戴，必須具備較強的抗干擾能力、吸附能力以及防水能力，因此，本設計選用Ag/AgCl凝膠型電極。

1.2.2 心電采集模塊

WPES的核心部分是心電采集模塊。傳統的設計思路是采用由集成運算放大器組成的多級模擬電路來實現[7]。多級模擬電路使得電路的體積、功耗、噪聲都大大增加。隨著超大規模集成電路技術的發展，心電采集模塊采用專用集成電路芯片成為一種發展趨勢。目前已經商業化的產品如TI公司的ADS1298、ADI公司的AD8232、Neurosky公司的BMD101等等。BMD101是集心電信號檢測和處理于一體的片上系統，具有先進的模擬前端（Analog Front End，AFE）電路和強大的數字信號處理器（Digital Signal Processor，DSP）。AFE包括高通濾波器、低噪聲放大器和16位模數轉換器（Analog to Digital Converter，ADC），可以有效地檢測μV到mV級的心電信號并轉換成數字信號。DSP主要是完成各種數字濾波運算、R波提取和RRI的計算。BMD101芯片使用3.3 V單電源供電，工作電流不超過0.8 mA，而且表面積只有3 mm×3 mm，在使用時，只需要外接少量元件即可正常工作，大大簡化了設計，縮小了電路板體積。

1.2.3 藍牙模塊

如今，許多無線通信技術已經廣泛應用于移動醫療領域，如藍牙、WiFi、ZigBee、ANT、近場通信(Near Field Communication，NFC)等等。其中，藍牙是一個標準的無線通信協議，可分為經典藍牙和低功耗藍牙(Bluetooth Low-energy，BLE)。目前，BLE由于其超低功耗在穿戴式智能設備中得到了廣泛應用。低功耗有助于減小電池尺寸，從而縮減產品體積和重量，延長工作時間。本文藍牙模塊主控芯片選用TI（Texas Instruments）公司的CC2540。CC2540是TI公司推出的一款符合藍牙4.0標準的單模芯片，集成了射頻收發器、增強工業標準的8051微處理器、系統可編程存儲器、8 kB RAM以及許多其他的支持功能和外圍設備。CC2540芯片工作電壓范圍為2 V到3.6 V，具有3種低功耗電源模式，模式三的功耗僅0.4 μA。

1.2.4 電源模塊

為了減輕WPES的重量使之更適合于穿戴，本文使用一塊3 V的CR2032 紐扣電池為其供電。WPES中，BMD101的工作電壓是3.3 V，CC2540的工作電壓是2 V到3.6 V，再考慮到電池電壓會隨著使用時間的增長有所下降從而造成WPES工作不穩定，這里選用TI公司的升壓芯片TPS63001進行電源轉換。TPS63001芯片具有體積小、成本低、功耗低、轉換效率高、輸入電壓范圍寬等特點，且只需很少的外圍器件即可正常工作。

1.3 手機應用（Application，APP）開發

BMD101內置各種心電數據處理算法和控制程序，可以直接輸出心電數據和RRI數據。手機APP的開發目前只對心電數據包進行解析，完成RRI數據的顯示和存儲。由于無線數據傳輸基于藍牙4.0協議，所以可以使用Google在Android 4.3（API Level 18）之后推出的BLE API接口。根據Neurosky提供的SDK，采用Andriod 4.3版本和Eclipse工具進行APP開發。WPES啟動后，打開APP，APP掃描BLE設備，隨后WPES與APP建立連接，主界面可實時顯示或保存RRI數據。Android客戶端APP數據處理流程如圖3所示。

圖3 APP數據處理流程Fig.3 Flow chart of APP data processing

1.4 HRV分析指標

Fujiwara等[6]提出基于MSPC的方法進行癲癇發作預測共需要分析8個HRV參數，即全部正常竇性RRI均值（Mean RRI）、全部正常竇性RRI標準差（SDNN）、全部相鄰RRI之差的均方根（RMSSD）、全部相鄰RRI之差大于50 ms的個數（NN50）、總功率（TP）、標準化的LF功率（LF norm）、標準化的HF功率（HF norm）、低頻功率與高頻功率的比值（LF/HF）。這些指標可以通過分析WPES輸出的RRI得到。

2 結果

基于以上原理，設計了WPES，并開發了相應的Android手機APP。WPES實物如圖4所示。

圖4 WPES實物圖Fig.4 A picture of the WPES

為了驗證WPES的性能，采集10名大學生志愿者3 min的RRI數據，用Matlab軟件進行了HRV參數分析（表1）。

表1 10名受試者3 min HRV參數Tab. 1 3 min HRV parameters for 10 subjects

表1中共分析得到8個HRV指標，如果只考慮單一變量的變化，不考慮多個指標間的相互關聯，則很難進行癲癇發作的預測。MSPC的基本思路是采用主元分析模型等多元投影將數據從高維空間投影至低維特征空間從而得到特征變量。根據文獻[6]提出基于MSPC的方法，利用T2圖、Q統計量等可進行癲癇發作預測。

3 結論

本文設計了一種WPES，主要由電極、心電采集模塊、藍牙模塊和電源模塊等部分組成。WPES采用單片集成電路芯片進行心電采集，通過低功耗藍牙實現與手機之間的通信，由手機APP實現RRI數據的顯示和存儲。WPES具有電路簡單、體積小、重量輕、功耗低、穿戴方便、舒適度高等特點，可以作為傳感器節點用于網絡化癲癇發作預測。在智能設備或云平臺上實現基于HRV的癲癇發作預測是我們下一步要研究的內容。

[1] Thurman DJ, Beghi E, Begley CE, et al. Standards for epidemiologic studies and surveillance of epilepsy[J]. Epliepsia, 2011, 52(7): 2-26.

[2] 韓凌, 王宏. 基于空頻域特征分析方法的癲癇發作預測[J]. 儀器儀表學報, 2014, 35(11): 2501-2507.

[3] Eric VD, Willem MO, Kees PJ. Improved diagnosis in children with partial epilepsy using a multivariable prediction model based on EEG network characteristics[J]. Plos One, 2013, 8(4): 1-8.

[4] Novak V, Reeves AL, Novak P, et al. Time-frequency mapping of R-R interval during complex partial seizures of temporal lobe origin[J]. J Autonom Nerv Syst, 1999,77(2-3): 195-202.

[5] Behbahani S, Dabanloo NJ, Nasrabadi AM, et al. Pre-ictal heart rate variability assessment of epileptic seizures by means of linear and non-linear analyses[J]. Anadolu Kardiyol Derg, 2013,13(8): 797-803.

[6] Fujiwara K, Miyajima M, Yamakawa T, et al. Epileptic seizure prediction based on multivariate statistical process control of heart rate variability features[J]. IEEE Trans Biomed Eng, 2015, 63(6): 1321-1332.

[7] Nemati E, Deen MJ, Mondal T. A wireless wearable ECG sensor for long-term applications[J]. IEEE Commun Mag, 2012, 50(1): 36-43.

A Wearable Wireless Body Sensor for Epileptic Seizure Prediction

【Writers】ZHANG Genxuan1, ZHANG Li1, SHI Bo1, TSAU Young2, LIU Kaifang1

1 Department of Medical Imaging, Bengbu Medical College, Bengbu, 233030
2 Dimetek Digital Medical Technologies Co. Ltd., Shenzhen, 518067

In this study, we designed a wearable patch-type ECG sensor (WPES), which is mainly composed of the electrodes, an ECG acquisition unit, a Bluetooth unit, and a power supplies module. By using BMD101 chip as the core of ECG acquisition, the WPES can communicate with smart phones through Bluetooth low energy (BLE). The WEPS can be well used in monitoring epileptic seizure prediction, based on its advantages of simplification of circuits, miniaturization, low-power consumption, light-weight, convenience of wearing, high-comfort etc.

epileptic seizure prediction, heart rate variability, wearable sensor, Bluetooth low energy

R318.6

A

10.3969/j.issn.1671-7104.2016.04.006

1671-7104(2016)04-0257-03

2016-04-27

安徽省教育廳自然科學研究重點項目(KJ2016A470)；國家級大學生創新創業訓練計劃項目(201510367012)

張根選，E-mail: cyzgx123@sina.com

石波，E-mail: shibohome@qq.com