張宣，劉安康，張培玲

河南理工大學(xué)物理與電子信息學(xué)院，河南焦作 454000

前言

癲癇是一種慢性、復(fù)發(fā)性和非傳染性的神經(jīng)系統(tǒng)疾病，由大腦神經(jīng)細胞異常放電引起［1］。如今，癲癇已成為最常見的疾病之一，其發(fā)作不規(guī)律，常伴有意識喪失、持續(xù)嚴(yán)重的驚厥、心率加快、血壓升高等臨床表現(xiàn)，甚至危及患者生命安全［2］。

雖然大多數(shù)患者能使用抗癲癇藥物來控制癲癇發(fā)作，但約30%的患者對抗癲癇藥物反應(yīng)不佳，稱為難治性癲癇［3］。對于此類患者，一般用長程視頻腦電監(jiān)測的方式進行治療，通過觀察患者的臨床反應(yīng)并分析癲癇發(fā)作時的腦電圖（Electroencephalogram,EEG）異常波形來評估病情的發(fā)展，但這種方法有很多弊端，并不適合長期的監(jiān)測［4］。

如今癲癇發(fā)作檢測受到許多學(xué)者的關(guān)注，各種癲癇檢測技術(shù)紛紛被提出。目前，深度學(xué)習(xí)被認(rèn)為是較為先進的模型，普遍應(yīng)用于模式識別和機器學(xué)習(xí)方面，特別是在醫(yī)學(xué)EEG 信號方面取得了顯著的成就［5］。Acharya 等［6］開發(fā)了一種深度卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）來檢測癲癇的發(fā)作，大大提升了檢測的性能和準(zhǔn)確率；Petrosian等［7］利用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）與小波分解系數(shù)相結(jié)合的方法進行癲癇預(yù)測；Ruben 等［8］分別使用傅里葉變換、小波變換和經(jīng)驗?zāi)Ｊ椒纸馓幚鞥EG 信號，然后使用兩層CNN 進行特征提取和分類。目前，各種癲癇發(fā)作預(yù)測算法被提出以期達到高精度、低誤報率的預(yù)測結(jié)果［9］。但癲癇預(yù)測的最終目的是應(yīng)用于臨床，所以硬件的實現(xiàn)也極為重要。有研究表明實時嵌入式系統(tǒng)是可以實現(xiàn)的，結(jié)合人工智能（Artificial Intelligence,AI）算法與單片機或FPGA 能為患者提供實時監(jiān)測并報警的功能［10-12］。 目前，已有相關(guān)設(shè)備流入市場，如SmartMonitor 生產(chǎn)的一款智能手表可以在患者睡眠或工作中進行監(jiān)測，若癲癇發(fā)作，手表會向家屬發(fā)出報警信號，其檢出率可達92.3%，但誤報率為1.3次/d［11］。癲癇發(fā)作檢測系統(tǒng)在準(zhǔn)確率、檢測時延、誤檢率、功耗等方面不能達到臨床要求，還需要進一步的研究。此外，關(guān)于可穿戴式設(shè)備雖然研究眾多，但在應(yīng)用方面仍有很多弊端，與臨床的結(jié)合度還有待提高［13］。本研究提出一種軟硬件混合架構(gòu)的實時癲癇發(fā)作監(jiān)測系統(tǒng)，與以往研究不同，本研究采用單極片EEG 電極接收的信號進行癲癇發(fā)作檢測，同時采用可穿戴式設(shè)計，使其真正應(yīng)用于實踐，且不會影響患者的日常生活。為癲癇發(fā)作監(jiān)測設(shè)計的可穿戴系統(tǒng)的最重要特征之一應(yīng)該是系統(tǒng)上盡可能少的電極，因為患者將全天攜帶這樣的系統(tǒng)在顱骨周圍，而且考慮到腦電波傳感器領(lǐng)域的發(fā)展，其目標(biāo)也是使用單個電極。因此，本研究目的是開發(fā)一種在患者體內(nèi)引起最小視覺差異并且注意力不集中的系統(tǒng)。該系統(tǒng)運用嵌入式AI技術(shù)，為患者提供精準(zhǔn)檢測、實時報警的癲癇監(jiān)護。一方面，通過癲癇發(fā)作日志記錄患者發(fā)作信息，為醫(yī)生分析患者病情、評估病情發(fā)展提供參考依據(jù)；另一方面，癲癇發(fā)作報警為難治性癲癇患者提供一定安全保障、降低癲癇猝死風(fēng)險。

1 整體設(shè)計

目前，AI備受關(guān)注，而嵌入式AI是在嵌入式設(shè)備中執(zhí)行AI算法，可以使設(shè)備更加智能，可實現(xiàn)對健康的實時監(jiān)測［14］。人的EEG 波可按頻率分為δ 波、θ波、α 波、β 波、γ 波5 種基本波形，不同的波形支配著不同的心理狀態(tài)。當(dāng)相對高頻成分的頻率強度大且重復(fù)時，EEG 波呈現(xiàn)“棘波”和“尖波”，癲癇發(fā)生的概率很大［10］。

基于此，該系統(tǒng)使用嵌入式AI技術(shù)，在單片機平臺上開發(fā)，融合神經(jīng)網(wǎng)絡(luò)算法，并使用微信小程序進行實時監(jiān)控、報警以及應(yīng)急處理。整體的流程圖見圖1，分成3個模塊：（1）訓(xùn)練模塊。采用波恩數(shù)據(jù)集，基于小波包分解和一維CNN的混合算法對模型進行訓(xùn)練，并將訓(xùn)練好的模型移植到單片機上。（2）測試模塊。使用腦電波傳感器采集受試者EEG 信號，其傳感器內(nèi)部經(jīng)小波包分解等操作后，可以提取出δ波、θ波等8種波形特征以及專注度、放松度和信號質(zhì)量，并經(jīng)藍牙模塊將數(shù)據(jù)傳輸給單片機，在單片機上對其進行與訓(xùn)練模塊中類似的處理，最后檢測是否異常，并將結(jié)果通過藍牙反饋至手機的微信小程序。（3）報警模塊。通過手機開發(fā)的微信小程序，分析由測試模塊反饋來的結(jié)果，分為兩個等級，一級：當(dāng)檢測到EEG 信號處于興奮狀態(tài)時，手機發(fā)出振動以提示患者放松；二級：當(dāng)頻繁檢測到高頻波（或“棘波”）時，即有可能發(fā)生癲癇，此時會通過短信通知家屬并發(fā)送位置信息［15］。此外，小程序里還有患者的基本信息和發(fā)作日志，以便于醫(yī)院及時掌握患者的情況并制定相應(yīng)的治療方案。

圖1 癲癇發(fā)作監(jiān)測系統(tǒng)整體流程圖Figure 1 Overall flowchart of the epileptic seizure monitoring system

2 癲癇發(fā)作檢測算法研究

2.1 數(shù)據(jù)集

本研究使用波恩數(shù)據(jù)集，共包含5 組數(shù)據(jù)（分別命名為A 組到E 組），每組數(shù)據(jù)包含100 個單通道EEG 信號段，長度為23.6 s，每段有4 097 個采樣頻率為173.61 Hz 的采樣點［16-17］。本研究使用數(shù)據(jù)集A、D、E，其中A 組為健康者睜眼時測量，D 組為癲癇患者發(fā)作間期測量，E 組為癲癇患者發(fā)作期測量。將以上每段信號分成4 部分，獲得正常EEG 400 例、癲癇發(fā)作間期EEG 400例和癲癇發(fā)作期EEG 400例，每個樣本的數(shù)據(jù)長度為1 024個采樣點［18］。其中訓(xùn)練集占70%，測試集占30%。

2.2 癲癇EEG信號特征

EEG 信號是檢測癲癇發(fā)作的重要手段，分析EEG 信號特征有利于癲癇的檢測。圖2 為A、D 和E組隨機提取的單信道EEG 信號?？梢钥闯觯啾扔谄渌麅煞N信號，癲癇發(fā)作期信號的波形、幅度、周期、節(jié)律都有較大的差異，并且常伴隨著一些異常波形，癲癇發(fā)作期EEG信號異常波形及其特征見表1［19］。

表1 癲癇發(fā)作期EEG信號異常波形及其特征Table 1 Abnormal EEG waveform and its characteristics during epileptic seizure

圖2 A、D、E組單信道EEG對比Figure 2 Comparison of single-channel EEG among groups A,D and E

2.3 數(shù)據(jù)處理

癲癇發(fā)作檢測算法旨在區(qū)分正常人EEG信號、癲癇發(fā)作間期與發(fā)作期的EEG信號，屬于多分類問題［11］。將正常EEG信號標(biāo)記為0，癲癇發(fā)作間期標(biāo)記為1，癲癇發(fā)作期標(biāo)記為2。在訓(xùn)練模塊中，對波恩數(shù)據(jù)集處理之后，經(jīng)小波包分解和一維CNN以生成訓(xùn)練模型。

2.4 癲癇發(fā)作檢測原理

2.4.1 小波包分解小波包分解是一種基于小波變換的信號分解與重構(gòu)方法［20］。小波變換可用于信號定位和多尺度分析，具有一定適應(yīng)性［21］。然而小波變換只能對低頻部分信號進行分解和重構(gòu)，而小波包變換是將頻帶多層次劃分，不僅可以對以低頻信息為主的癲癇EEG 信號進行表征，還可以對高頻信號進行更精確的分解［22］。然后按照被分析信號的特點來選擇相應(yīng)的頻帶，使得信號的頻帶與頻譜相匹配，從而提高信號的時頻分辨率，是一種適用于癲癇EEG信號的分析方法［23］。

EEG信號主要分成5個子頻帶：δ波（1～4 Hz）、θ波（4～7 Hz）、α 波（7～12 Hz）、β 波（12～30 Hz）、γ 波（30 Hz～）［12］。小波包可以對信號進行分解和重構(gòu)，提取所需的信號頻帶特征［24］。圖3為3層小波包分解圖，其中的每一層信號都被分解成低頻和高頻部分。

圖3 3層小波包分解示意圖Figure 3 Schematic diagram of 3-layer wavelet packet decomposition

2.4.2 一維CNN一維CNN 模型的主要部分是卷積層，由多個通道構(gòu)成，對前一層的輸入信號或者特征映射與固定感受野的卷積核進行卷積運算的結(jié)果就是每個通道的輸出神經(jīng)元，通過這種信號分析方法，可以了解表征信息的層次結(jié)構(gòu)［25］。除此以外還有池化層，它將輸入數(shù)據(jù)分成許多小的子區(qū)域，每次只提取子區(qū)域的最大值的方法稱為最大池化。池化層的意義在于從數(shù)據(jù)中提取顯著特征，忽略細節(jié)特征，從而減少網(wǎng)絡(luò)中的參數(shù)和計算，控制過擬合［26］。

如圖4 所示，本研究的模型結(jié)構(gòu)主要是由一維卷積層（conv1D）、線性整流函數(shù)（ReLU）、最大池化層（max_pooling1D） 、全局平均池化層（global_average_pooling1D）、dropout 層和全連接層（dense）等構(gòu)成。將上述小波包分解后的波形輸入，經(jīng)一維CNN 訓(xùn)練后輸出。表2 為實驗中模型結(jié)構(gòu)的具體參數(shù)，其總參數(shù)、訓(xùn)練參數(shù)和非訓(xùn)練參數(shù)個數(shù)分別為342 435、342 435和0。

表2 模型結(jié)構(gòu)參數(shù)Table 2 Model structural parameters

圖4 多輸入多輸出一維CNNFigure 4 Multi-input and multi-output one-dimensional convolutional neural network

3 硬件設(shè)計

由于單片機常以其低功耗的優(yōu)勢用于穿戴式設(shè)備，且成本低、易開發(fā)，因此，在癲癇監(jiān)測算法的硬件設(shè)計上，采用以STM32單片機為核心實現(xiàn)算法映射。在測試模塊中，重點是如何將AI 訓(xùn)練模型移植到STM32 單片機上以及如何將單片機上的檢測結(jié)果通過藍牙傳輸?shù)轿⑿判〕绦颉?/p>

首先，將訓(xùn)練好的AI 模型提前移植到STM32 單片機上。將python 語言轉(zhuǎn)換成可以燒錄到單片機上的C 語言，利用STM32 Cube.AI 工具包就可以在STM32 Nucleo 上實現(xiàn)CNN［27］。其次，采集受試者的EEG 信號。受試者佩戴好EEG 波傳感器，其傳感器內(nèi)部經(jīng)小波包分解等操作，提取出δ 波、θ 波等8 種波形特征，而癲癇信號的異常波也主要集中在δ 波和θ波，所以可以通過提取的特征檢測癲癇發(fā)生與否。將采集的波形通過提前配對好的藍牙模塊傳輸?shù)絾纹瑱C上，在單片機上對其進行與訓(xùn)練模塊類似的處理，再與提前移植的訓(xùn)練模型比對，判斷是健康、發(fā)作間期還是發(fā)作期。最后，將上述結(jié)果通過藍牙模塊反饋到微信小程序。圖5 為單片機與藍牙模塊的實物圖，鑒于單片機的性能、閃存、成本以及傳輸能力等多方面因素，本研究使用的型號是STM32-H743ZI2，而藍牙模塊是HC-08，它可以處于低功耗模式，連接到微信小程序。

圖5 單片機與藍牙模塊Figure 5 MCU and Bluetooth module

但如果直接在STM32單片機上燒錄串口通信程序會覆蓋原有的AI模型，所以需要利用Cube.AI工具包，基于RT-Thread 系統(tǒng)，在單片機上部署預(yù)先訓(xùn)練好的AI模型［28］，然后將預(yù)測模型導(dǎo)入單片機，用手機的藍牙調(diào)試器來接收預(yù)測信號，發(fā)作期和發(fā)作間期的預(yù)測值如圖6所示，其中癲癇發(fā)作間期標(biāo)記為1，癲癇發(fā)作期標(biāo)記為2（本實驗中，發(fā)作間期和發(fā)作期的信號由數(shù)據(jù)集導(dǎo)入）。

圖6 藍牙調(diào)試器接收的預(yù)測信號Figure 6 Predictive signal received by Bluetooth debugger

4 微信小程序

微信小程序的開發(fā)設(shè)計至關(guān)重要，它需要通過低功耗的藍牙模塊接收到STM32 單片機的反饋信息，對其進行分析，并分成兩個等級，一級：稍有異常，手機發(fā)出振動提示患者放松；二級：即將發(fā)作，短信通知家屬并發(fā)送位置信息。

報警模塊采用數(shù)據(jù)監(jiān)聽器，通過藍牙傳輸?shù)叫〕绦虻臄?shù)據(jù)如果發(fā)生變化，會喚醒數(shù)據(jù)監(jiān)聽器［29］。根據(jù)收到的信息，微信小程序會自行判斷是一級指令還是二級指令。

當(dāng)患者首次進入微信小程序時，需提前完善包括姓名、電話等個人信息，這些信息存入后臺后，在需要時供系統(tǒng)查詢和顯示［30］。此外，微信小程序里還有患者的發(fā)作日志和位置信息，日歷上記錄患者發(fā)病的時間，如圖7所示，當(dāng)患者發(fā)作時，獲取到的位置信息就可以通過短信發(fā)送給患者家屬，使其采取相應(yīng)的措施。

圖7 微信小程序界面Figure 7 WeChat applet interface

5 測試與分析

系統(tǒng)測試分為3 部分：訓(xùn)練模型的準(zhǔn)確率、采集的受試者EEG信號以及微信小程序的監(jiān)測。

（1）訓(xùn)練模型的準(zhǔn)確率。本研究使用小波包分解提取信號特征，采用一維CNN特征分類來對模型進行訓(xùn)練，其模型準(zhǔn)確率和誤差見圖8、圖9。隨著樣本訓(xùn)練次數(shù)的增加，模型的準(zhǔn)確率也隨之提高，但不能無限制地訓(xùn)練，否則會導(dǎo)致過擬合，其最終的準(zhǔn)確率為98.3%；同樣，隨著訓(xùn)練次數(shù)的增加，模型的誤差也隨之減小。

圖8 模型準(zhǔn)確率Figure 8 Model accuracy

圖9 模型誤差Figure 9 Model error

表3 為本文方法和其它方法的對比。本研究采用的EEG 數(shù)據(jù)種類較多，對數(shù)據(jù)集采用三分類的方法有更好的魯棒性［18］，分析結(jié)果表明本文方法相比于其它方法準(zhǔn)確率稍有提升，更適合于移動設(shè)備和嵌入式設(shè)備。

表3 本文方法與其它的對比Figure3 Comparison between the proposed method and others

（2）采集的受試者EEG 信號。由受試者佩戴好腦電波傳感器，如圖10 所示，通過單極片、干電極來采集信號，其傳感器內(nèi)部經(jīng)小波包分解等操作后，不僅能保留原始的EEG 波形，還可以提取出δ 波等8 種波形特征以及專注度、放松度和信號質(zhì)量，便于后續(xù)分析，如圖11所示。

圖10 受試者佩戴EEG波傳感器Figure 10 Subject wearing EEG sensors

圖11 受試者的EEG波形Figure 11 EEG waveform of the subject

（3）微信小程序的監(jiān)測。一級報警模塊：采用小程序含有的API 指令，使手機發(fā)出較長時間的振動；二級報警模塊：通過微信小程序向HTTP 服務(wù)器發(fā)送請求指令，收到指令后向指定的用戶發(fā)送短信通知。

6 結(jié)語

本研究提出的系統(tǒng)針對癲癇突發(fā)性和隨機性的特點，解決了家屬對患者實時有效護理的問題，且操作簡單、易于攜帶，不會影響患者的日常生活，其市場的應(yīng)用前景巨大。同時，微信小程序里還有患者的基本信息和發(fā)作日志，便于醫(yī)院及時掌握患者的情況并制定相應(yīng)的治療方案。

目前，基于嵌入式AI的癲癇監(jiān)測研究越來越多，本研究也只實現(xiàn)了一些基本功能，在某些方面還存在不足，實際運用普適應(yīng)還有待提高，因此，后續(xù)的研究將從以下幾個方面開展：（1）目前使用藍牙進行通信，覆蓋范圍太小，時而不穩(wěn)定，接下來會嘗試使用WIFI 或5G 模塊，通過WIFI 模塊將數(shù)據(jù)發(fā)送到MQTT 服務(wù)器，可以更好地實現(xiàn)實時監(jiān)控，并推送給多個用戶。（2）穿戴式癲癇監(jiān)測的最終目標(biāo)是將其應(yīng)用于臨床實踐，未來的研究將與醫(yī)用的設(shè)備相結(jié)合，往高質(zhì)量、高效率、深層次的方向發(fā)展，從而更好地為患者服務(wù)。（3）AI 在智慧醫(yī)療領(lǐng)域應(yīng)用廣泛，但應(yīng)用于臨床仍有許多困難需要克服。為了獲得患者及其家屬的認(rèn)可，需要更權(quán)威、更豐富的臨床實驗驗證，并提供更好的醫(yī)療服務(wù)。