人脑电信号实时监测原型系统设计与实现(3)

[11]Wang Xingyuan，Luo on chaos phenomenon of EEG dynamics model[J].Applied Mathematics and Computation，2006，183（1）：30-41.

[12]王兴元，骆超，邱天爽.HAI实验中EEG信号的非线性动力学研究[J].中国生物医学工程学报，2005（4）：408-415.

[13]Li transform and application[M].Beijing：Higher Education Publishing House，1997.

[14]Chui C K.An introduction to wavelets[M].Xi’an：Xi’an Jiaotong University Press，1995.

[15]张烈平，莫玮，牛秦洲.小波变换在麻醉监测诱发脑电信号分类中的应用[J].计算机工程与应用，2003，39（20）：198-200.

[16]Breiman predictors[J].Machine Learning，1996，24（2）：123-140.

[17]Breiman L.Random forests[J].Machine Learning，2001，45（1）：5-32.

1 引言脑电信号是大脑皮层产生的一种复杂而不平稳的随机信号，是人体中最重要的生物电信号之一，蕴含了丰富的生理信息。通过检测相关脑电信号得到的脑电图可以对人的大脑及神经系统疾病[1]进行诊断和治疗。近些年已涌现出一些脑电监测技术[2]，如功能磁共振成像、经颅多普勒检测、正电子发射断层扫描技术、光成像技术、脑磁图、脑电图等，这些脑电检测技术也在智能保健领域发挥着重大的作用。随着科技的发展，人们对脑电检测和处理系统的便携化、小型化要求也越来越高，所以脑电检测和处理系统已开始向便携化发展，如美国Cyberkinetics公司研制了一种面积只有4 mm2内部含有96个电极的芯片，将芯片植入到四肢瘫痪病人体内，可以利用脑-机接口帮助病人控制机械臂[3]；德国DWL、美国Neuroscan等脑电仪器的研发和生产企业通过自主开发的仪器也开展了对脑电的相关研究[4]。国内的脑电图检测仪器起步相对较晚，从整体来看，国内的研究机构在设计便携式脑电检测仪器的思路大多是采集的脑电信号经过前置放大，通过无线模块传输传递给PC机，在PC机中进行处理与存储等工作。由于整个系统比较大，不能实现便携使用，也难以实现对监测人的自动实时监测和异常判断，无法及时监控脑疾患者的当前状态和实时位置，在病患突发状况时难以在最短的时间内预警、发现和实施救援。为解决上述问题，本文基于位置服务和无线通信技术研究了一种脑电实时监测方法，解决现有的监测系统难以自动实时监测和异常判断的问题，并提出了及时监控和结合携带者位置而判断出合理的救援路线的方法。2 脑电实时监测方法目前，国内外研究机构通过基于脑电信号的实时监测和诊断所产生的状态开展了相关研究，如李明爱等[5]通过对脑电信号的监测开展了对警觉度进行标注、估计和实时监测的研究。冯知音[6]将脑电信号用在身份识别及疲劳检测中，该研究基于脑电信号的疲劳检测实验，实现了基于马氏距离和频谱区分性检测的方法。Holling[7]基于EEG功率谱分析微睡状态及失误的检测等。谢宏等[8]、丁超[9]分别研究了一种便携式脑电采集系统，具有小型化、无线传输、便于携带、移动等特点。上述研究通过监测脑电信号实现了对警觉度、疲劳度和睡眠等相关的生理研究，或是研究了脑电信号实时采集方法，但并未涉及所监测对象的位置信息以及对监测信息进行异常分析等。王兴元等[10-12]通过研究EEG信号的相图、功率谱、关联维数和Lyapunov指数等，提出了一种定量研究EEG的新方法进行脑损伤的早期诊断，该方法对脑电信号的异常监测提供了很好的参考。本文将脑电信号与位置服务信息相融合，通过建立脑电信号异常判断模型，开发脑电信号实时监测仪和脑电信号实时监测系统，从而实现对监测对象的动态实时监控与应急响应救援。3 基于LBS和无线通信的人脑电信号实时动态监测方法为实现用户脑电信号的实时动态监测，本文基于无线通信技术和LBS设计了一种人脑电信号的实时动态监测方法：脑电电极片通过蓝牙模块与移动终端进行连接，将所监测的实时脑电信号数据通过无线网络发送至服务器端，服务器端通过多线程技术实时监听来自移动终端的脑电信号，具体流程如图1所示。图1 脑电信息实时监测流程具体实现步骤如下：（1）脑电采集设备通过蓝牙通信协议与手机移动终端建立连接，将监测脑电数据传至手机客户端，并将实时显示脑电监测数据；同时与位置信息数据一起发送至服务器端。（2）在服务器端创建一个ServerSocket套接字对象，并绑定对应端口实现监听服务；通过调用accept方法实时等待监听是否有客户端的连接。若有，则返回Socket对象，实现向客户端读写数据等操作。（3）通过对EEG历史特征参数的提取、过滤、降噪等的处理及分析，建立异常阈值判断模型，服务器端对所接收到的实时脑电信号数据进行异常判断与应急响应。（4）在客户端开发脑电实时监测数据显示界面，实现数据的实时显示与动态监测，一旦发现异常，系统可在最短的时间内进行应急响应，如通知监护人、规划出最优救援路径等。4 原型系统实现4.1 体系结构为实现脑电信号的实时动态监测，在脑电信号异常时能够快速预警和响应，以实现对路径进行合理的规划并可及时救援，本文设计了人脑脑电信号实时动态监测框架体系结构与工作流程如图2所示，整个系统共分为4层。（1）感知层：主要采用标准导联方式通过脑电监测模块实现脑电数据的采集，并通过位置定位模块实时获取其空间位置信息。（2）网络层：实现空间位置信息数据与脑电数据的融合，通过GIS、无线通信网络传输技术与移动终端相集成，将移动终端所采集的空间位置数据与脑电信号数据传输至服务器。（3）平台层：开发基于移动终端和无线通信网络的WebGIS系统，构建脑电信号异常判断模型，并实现在该平台层中的数据查询、数据异常分析和实时应急响应等。（4）应用层：为用户提供多种业务功能，如脑电信号的显示、最佳救援路径规划和历史轨迹回溯等功能。图2 原型系统体系结构4.2 脑电信号分析与应用实例本文将采集到的脑电数据经过预处理、特征提取等步骤进行分析，用来作为异常诊断的依据，图3为脑电信号处理流程。本文选取6 s为时间间隔，将脑电信号细分成一系列脑电样本，样本与样本之间窗口重叠的时间为原来的一半，然后应用以离散小波变换[13-15]为基础的特征提取方法，计算出每个脑电样本的特征向量；并通过随机森林[16-17]对上述特征向量做进一步的处理，以衡量每个特征的重要程度，再根据此指标对特征进行排序选择，从而实现对信号进行分类。图3 脑电数据处理流程基于实时监测流程和系统体系结构，本文研制了脑电信号实时监测仪并开发了脑电信号实时监测系统。在用户佩戴该监测仪后，其位置信息和脑电信号将被实时传送至服务器端，表1、图4分别为实时监测的脑电数据示例和实时脑电信号波形图。脑电信号属于非平稳信号，频率范围较大，脑电信号波形对应的脑电频谱图如图5所示，在该频率范围内，可直观地观察到监测对象的实时脑电状态。服务器端将接收到的数据进行实时显示，并通过对EEG历史特征参数进行提取、过滤、降噪等处理及分析，依据所建立的异常阈值判断模型进行实时异常判断。一旦系统判断出脑电信号存在异常时，如图6所示，将实时进行预警并通知相关人员，并会根据被监测对象所在位置提供最佳救援方案。图7是监测对象在某一位置出现异常，服务器端根据获取的周边医疗点所提供的最佳救援路线。5 结束语针对脑部病患突发状况时不能够在最短的时间内预警并发现和监测效率不高的问题，本文提出了基于LBS和无线通信技术的脑电信号实时传输和动态监测方法，通过实时发送设备携带者的脑电信号数据和位置信息至服务器端，通过所构建的脑电信号异常判断模型，能够对脑电信号异常进行实时预警，并在脑电信号异常时实现了对应急救援路径的合理规划。表1 部分监测的脑电信号数据示例幅度值/μV 28 039 19 883 7 344 16 768 16 745 16 761 75 752 28 489 19 990 80 233 17 028 16 945 16 899 75 752频段/Hz 18～30 31～40 41～50 1～3 8～9 4～7 10～12 18～30 31～40 41～50 1～3 8～9 4～7 10～12图4 脑电信号波形图图5 脑电频谱图图6 异常原始脑电波形图图7 应急救援最佳路线图本文研究的便携式远程监测系统使仪器携带者能够在室外及相对平稳的运动状态下测量脑电数据，继而对监护对象的健康状况进行评估，可以实现脑疾患者的日常生活状态实时监测，但目前该系统对于脑电信号的采集还仅局限于监测仪器佩戴者在相对平稳的状态下实现，而在其他非平稳状态如激烈运动等还仍难以采集到稳定的脑电信号，同时脑电异常判断模型也只是基于平稳状态为前提条件进行分析与建模；在位置监测方面，该系统基于佩戴者的移动终端所内嵌的移动定位模块实现，所以仅能够实现在室外的实时定位，对于室内定位仍然不准确，在未来室内定位相关硬件模块精度达到一定程度后，本研究将把室内位置的实时监测集成至该系统。以上也是未来该研究待解决和优化的方面。参考文献：[1]张啸飞，胡大一，丁荣晶.中国心脑血管疾病死亡状及流行趋势[J].中华心血管病杂志，2012，40（3）：179-185.[2]张志军，王娟，何辉.基于Android的心电监护终端的设计与实现[J].自动化与仪器仪表，2013（5）：183-185.[3]Grill W M，Norman S E，Bellamkonda R neural interfaces：biochallenges and engineered solutions[J].Annual Review of Biomedical Engineering，2009，11：1-24.[4]Yaghmour K，Masters J，Ben-Yossef embedded Linux systems[M].USA：O’Reilly，2003.[5]李明爱，张诚，杨金福.一种基于脑电信号的疲劳驾驶状态判断方法[J].北京生物医学工程，2011（1）：57-61.[6]冯知音.脑电信号在身份识别及疲劳检测中的应用[J].通信与信息工程研究，2013，28（2）：128-131.[7]Holling C the complexity of economic，ecological，and social systems[J].Ecosystems，2001，4（5）：390-405.[8]谢宏，钱门超.基于Android的脑电信号无线采集与分析系统设计[J].微型机与应用，2014，33（13）：77-78.[9]丁超.便携式脑电采集系统设计[D].成都：成都电子科技大学，2013：10-22.[10]Wang Xingyuan，Luo Chao，Meng dynamic research on EEG signals in HAI experiment[J].Applied Mathematics and Computation，2009，207（1）：63-74.[11]Wang Xingyuan，Luo on chaos phenomenon of EEG dynamics model[J].Applied Mathematics and Computation，2006，183（1）：30-41.[12]王兴元，骆超，邱天爽.HAI实验中EEG信号的非线性动力学研究[J].中国生物医学工程学报，2005（4）：408-415.[13]Li transform and application[M].Beijing：Higher Education Publishing House，1997.[14]Chui C K.An introduction to wavelets[M].Xi’an：Xi’an Jiaotong University Press，1995.[15]张烈平，莫玮，牛秦洲.小波变换在麻醉监测诱发脑电信号分类中的应用[J].计算机工程与应用，2003，39（20）：198-200.[16]Breiman predictors[J].Machine Learning，1996，24（2）：123-140.[17]Breiman L.Random forests[J].Machine Learning，2001，45（1）：5-32.

文章来源：《智慧健康》 网址: http://www.zhjkzz.cn/qikandaodu/2020/0720/401.html