一种用于癫痫发作预测的可穿戴无线传感器

张根选，张 莉，石 波，曹 阳，刘开放

1 蚌埠医学院医学影像学系，蚌埠市，233030

2 深圳迪美泰数字医学技术有限公司，深圳市，518067

一种用于癫痫发作预测的可穿戴无线传感器

【作者】张根选1，张 莉1，石 波1，曹 阳2，刘开放1

1 蚌埠医学院医学影像学系，蚌埠市，233030

2 深圳迪美泰数字医学技术有限公司，深圳市，518067

该文设计了一种贴片可穿戴式心电传感器（Wearable Patch-type ECG Sensor，WPES），主要由电极、心电采集模块、蓝牙模块和电源模块等部分组成。WPES以BMD101芯片为核心进行心电采集，通过低功耗蓝牙实现与手机之间的通信。WPES具有电路简单、体积小、重量轻、功耗低、穿戴方便、舒适度高等特点，可以作为传感器节点用于网络化癫痫发作预测。

癫痫发作预测；心率变异性；可穿戴传感器；低功耗蓝牙

0 引言

癫痫是一种常见的神经系统疾病，以反复性、突然性、短暂性脑功能紊乱为主要特征。据世界卫生组织估计，全球癫痫患者数量已经超过5 000万人，其中近80%分布在发展中国家[1]。中国卫生部最新统计数据显示，目前我国约有1 000万癫痫患者。

癫痫发作的反复性严重威胁着患者的身心健康，发作的突然性是患者致残或死亡的主要原因。如果癫痫发作能得到有效的预测，使患者或医护人员提前采取有效的干预措施，则可大大降低癫痫发作给患者造成的伤害，提高其生活质量。因此，癫痫发作预测的研究具有重要的社会价值。

目前，关于癫痫发作预测的研究主要是基于脑电信号。例如，韩凌等[2]采用空频域特征方法对脑电δ波和θ波分析进行癫痫发作预测，预测范围在30 ～ 45 min；Eric等[3]采用多元网络参数分析构建决策树的方法对35例癫痫儿童患者的脑电信号进行预测研究，取得了＞95%的准确率。经过几十年的研究，基于脑电信号的癫痫发作预测取得了一定的进展，但是能否采集到高品质的脑电信号对预测结果起着关键性作用。目前研究中的脑电信号大多是基于实验室环境下采集的，所以基于脑电信号的癫痫发作预测离实际应用还有一段距离。

Novak等[4]采用时频分布图对心电信号RRI间期(RR Interval, RRI)进行了研究，发现癫痫患者自主神经系统活动在癫痫发作前几分钟已有改变，开辟了癫痫发作预测的新途径。Behbahani等[5]研究发现癫痫患者发作前5 min心率变异性（Heart Rate Variability，HRV）部分参数有明显变化。Fujiwara等[6]利用多元统计过程控制（Multivariate Statistical Process Control，MSPC）对HRV的8个参数进行分析用于癫痫发作预测，取得了91%的准确率。由此可见，利用HRV进行癫痫预测发作具有一定的可行性。HRV是基于心电信号获得的，心电信号的采集要比脑电信号来得更加容易，因此，基于HRV的癫痫预测发作更加具有实际应用价值。本文设计了一种贴片可穿戴式心电传感器（Wearable Patch-type ECG Sensor，WPES），利用两个电极的信号输入方式采集心电信号，计算出RRI间期后通过低功耗蓝牙将数据传输至手机端，可以作为传感器节点用于网络化癫痫发作预测。

1 方法

1.1 总体结构

WPES仅完成心电信号的采集、预处理和传输，癫痫发作预测可以在智能设备或云平台上进行。考虑到现在的手机和平板电脑等智能设备大多都带蓝牙功能，本设计选用蓝牙作为数据无线传输手段。整个系统结构如图1所示。

图1 系统结构Fig.1 System structure

1.2 WPES设计

WPES硬件模块主要由电极、心电采集模块、蓝牙模块和电源模块等部分组成，原理框图如图2所示。

图2 WPES原理框图Fig.2 Block diagram of the WPES

1.2.1 电极

目前，心电采集常用的电极有金属电极、凝胶型电极和织物电极。WPES需要长期穿戴，必须具备较强的抗干扰能力、吸附能力以及防水能力，因此，本设计选用Ag/AgCl凝胶型电极。

1.2.2 心电采集模块

WPES的核心部分是心电采集模块。传统的设计思路是采用由集成运算放大器组成的多级模拟电路来实现[7]。多级模拟电路使得电路的体积、功耗、噪声都大大增加。随着超大规模集成电路技术的发展，心电采集模块采用专用集成电路芯片成为一种发展趋势。目前已经商业化的产品如TI公司的ADS1298、ADI公司的AD8232、Neurosky公司的BMD101等等。BMD101是集心电信号检测和处理于一体的片上系统，具有先进的模拟前端（Analog Front End，AFE）电路和强大的数字信号处理器（Digital Signal Processor，DSP）。AFE包括高通滤波器、低噪声放大器和16位模数转换器（Analog to Digital Converter，ADC），可以有效地检测μV到mV级的心电信号并转换成数字信号。DSP主要是完成各种数字滤波运算、R波提取和RRI的计算。BMD101芯片使用3.3 V单电源供电，工作电流不超过0.8 mA，而且表面积只有3 mm×3 mm，在使用时，只需要外接少量元件即可正常工作，大大简化了设计，缩小了电路板体积。

1.2.3 蓝牙模块

如今，许多无线通信技术已经广泛应用于移动医疗领域，如蓝牙、WiFi、ZigBee、ANT、近场通信(Near Field Communication，NFC)等等。其中，蓝牙是一个标准的无线通信协议，可分为经典蓝牙和低功耗蓝牙(Bluetooth Low-energy，BLE)。目前，BLE由于其超低功耗在穿戴式智能设备中得到了广泛应用。低功耗有助于减小电池尺寸，从而缩减产品体积和重量，延长工作时间。本文蓝牙模块主控芯片选用TI（Texas Instruments）公司的CC2540。CC2540是TI公司推出的一款符合蓝牙4.0标准的单模芯片，集成了射频收发器、增强工业标准的8051微处理器、系统可编程存储器、8 kB RAM以及许多其他的支持功能和外围设备。CC2540芯片工作电压范围为2 V到3.6 V，具有3种低功耗电源模式，模式三的功耗仅0.4 μA。

1.2.4 电源模块

为了减轻WPES的重量使之更适合于穿戴，本文使用一块3 V的CR2032 纽扣电池为其供电。WPES中，BMD101的工作电压是3.3 V，CC2540的工作电压是2 V到3.6 V，再考虑到电池电压会随着使用时间的增长有所下降从而造成WPES工作不稳定，这里选用TI公司的升压芯片TPS63001进行电源转换。TPS63001芯片具有体积小、成本低、功耗低、转换效率高、输入电压范围宽等特点，且只需很少的外围器件即可正常工作。

1.3 手机应用（Application，APP）开发

BMD101内置各种心电数据处理算法和控制程序，可以直接输出心电数据和RRI数据。手机APP的开发目前只对心电数据包进行解析，完成RRI数据的显示和存储。由于无线数据传输基于蓝牙4.0协议，所以可以使用Google在Android 4.3（API Level 18）之后推出的BLE API接口。根据Neurosky提供的SDK，采用Andriod 4.3版本和Eclipse工具进行APP开发。WPES启动后，打开APP，APP扫描BLE设备，随后WPES与APP建立连接，主界面可实时显示或保存RRI数据。Android客户端APP数据处理流程如图3所示。

图3 APP数据处理流程Fig.3 Flow chart of APP data processing

1.4 HRV分析指标

Fujiwara等[6]提出基于MSPC的方法进行癫痫发作预测共需要分析8个HRV参数，即全部正常窦性RRI均值（Mean RRI）、全部正常窦性RRI标准差（SDNN）、全部相邻RRI之差的均方根（RMSSD）、全部相邻RRI之差大于50 ms的个数（NN50）、总功率（TP）、标准化的LF功率（LF norm）、标准化的HF功率（HF norm）、低频功率与高频功率的比值（LF/HF）。这些指标可以通过分析WPES输出的RRI得到。

2 结果

基于以上原理，设计了WPES，并开发了相应的Android手机APP。WPES实物如图4所示。

图4 WPES实物图Fig.4 A picture of the WPES

为了验证WPES的性能，采集10名大学生志愿者3 min的RRI数据，用Matlab软件进行了HRV参数分析（表1）。

表1 10名受试者3 min HRV参数Tab. 1 3 min HRV parameters for 10 subjects

表1中共分析得到8个HRV指标，如果只考虑单一变量的变化，不考虑多个指标间的相互关联，则很难进行癫痫发作的预测。MSPC的基本思路是采用主元分析模型等多元投影将数据从高维空间投影至低维特征空间从而得到特征变量。根据文献[6]提出基于MSPC的方法，利用T2图、Q统计量等可进行癫痫发作预测。

3 结论

本文设计了一种WPES，主要由电极、心电采集模块、蓝牙模块和电源模块等部分组成。WPES采用单片集成电路芯片进行心电采集，通过低功耗蓝牙实现与手机之间的通信，由手机APP实现RRI数据的显示和存储。WPES具有电路简单、体积小、重量轻、功耗低、穿戴方便、舒适度高等特点，可以作为传感器节点用于网络化癫痫发作预测。在智能设备或云平台上实现基于HRV的癫痫发作预测是我们下一步要研究的内容。

[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] 韩凌, 王宏. 基于空频域特征分析方法的癫痫发作预测[J]. 仪器仪表学报, 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

安徽省教育厅自然科学研究重点项目(KJ2016A470)；国家级大学生创新创业训练计划项目(201510367012)

张根选，E-mail: cyzgx123@sina.com

石波，E-mail: shibohome@qq.com