一种可穿戴的癫痫脑电发作脑区定位装置及定位方法与流程

本发明涉及医疗器械领域，尤其是一种可穿戴的癫痫脑电发作脑区定位装置及定位方法。

背景技术：

癫痫是世界范围内常见的神经系统疾病之一。癫痫是以具有能够产生癫痫发作的持久易患性和出现相应的神经生物、认知、心理及社会等方面的后果为特征。癫痫发作是一个临床事件，具有反复性、刻板性及不可预知性的特点，是脑内神经元阵发性异常超同步化电活动的临床表现。由于癫痫的本质是神经元电活动的阵发性紊乱，因此，脑电图在癫痫的诊治中具有重大作用。

对大脑中癫痫病灶的准确定位是手术治疗癫痫的前提。目前，医院中常用的脑电图定位诊断方法有两种：一种是常规脑电图EEG；另一种是24小时动态脑电图AEEG。前者现今仍是诊断癫痫的首选检查。由于癫痫发作具有无序的周期性，呈非持续性，以短暂爆发形式出现，EEG描记时间短，描记时常常是在发作间期，因此，常规EEG仅能记录到40％左右的癫痫样波形，很难对癫痫致病灶做作出正确判断。而后者是在监护室记录存储病人24小时的EEG，记录期间患者照样从事日常生活，监测时间长，信息较完全，对睡眠过程中痫样放电的频率明显增高有一定的关系，大大提高了痫样放电的检出率。但是，AEEG需要患者24小时躺在病床上，不仅限制了活动，而且也在某种程度上使得医院床位更加紧张。

在临床实际工作中，现有的脑电图仪存在以下缺点：首先，在检查时患者不能自由活动，特别是儿童患者的长时间连续监护，往往不能取得良好的效果；其次，24小时的监测不仅占用病人的时间，也恶化了医院床位的拥挤现象；第三，抗干扰性较差，容易引起波形畸变。

技术实现要素：

本发明所要解决的技术问题在于，提供一种可穿戴的癫痫脑电发作脑区定位装置及定位方法，可以对患者脑部发放癫痫的病灶进行准确定位。

为解决上述技术问题，本发明提供一种可穿戴的癫痫脑电发作脑区定位装置，包括采集电极、脑电采集芯片、调理电路、微控制器、蓝牙发射模块和蓝牙接收模块，这六部分集成在一个帽子里；采集电极采集到的脑电信号传输到脑电采集芯片和调理电路，对脑电信号进行预处理，将预处理后的脑电信号传输到微控制器，通过蓝牙技术对脑电信号传输到手机APP并显示。

优选的，采集电极采用圆锥形电极，电极共有16个记录电极和2个参考电极组成。16个记录电极为Fp1、Fp2、F3、F4、C3、C4、P3、P4、01、02、F7、F8、T3、T4、T5和T6，2个参考电极为A1和A2。

优选的，脑电采集芯片选用INTAN RHA2116生物采集芯片，通过16个采集通道完成对信号的采集；生物采集芯片与微控制器的SPI口相连，配合微控制器其他的I/O口实现相应端口的功能即可完成对生物采集芯片的控制；基于INTAN RHA2116的生物采集芯片，主要完成对模拟的生物电信号放大，后由AD7980模数转换器将放大后的脑电信号发送给微控制器。

优选的，调理电路对采集到的脑电信号进行放大和滤波，选取前置放大器。选取具有高共模抑制比、低噪声、低漂移及高输入阻抗的前置放大器，滤波部分主要用于滤除50HZ工频干扰；二级放大模块将信号进行二级放大，从而使得信号可以传输到微控制器模块进行处理。

优选的，微控制器选用三星S3C6410控制芯片；芯片组端口与脑电采集芯片相连，脑电采集芯片通过微控制器的SPI口控制。

优选的，蓝牙发射模块发射来自微控制器的人体脑电信号。

优选的，蓝牙接收端接收蓝牙发射模块发射的人体脑电信号，再将数据发送给安卓APP信号存储显示模块进行实时显示并上传到云端。

相应的，一种可穿戴的癫痫脑电发作脑区定位方法，包括如下步骤：

(1)脑电采集芯片通过16个采集通道对信号进行采集，将采集到的信号发送给调理电路；

(2)调理电路对采集到的脑电信号进行放大和滤波处理，将处理过的信号发送给微处理器；

(3)采用蓝牙技术，将数据同步发送给手机APP进行实时显示，并传输到云端；

(4)上位机终端从云端下载到患者各个通道的脑电信号，使用特征识别算法对收到的脑电数据进行特征提取，识别异常的癫痫波，并进行地形图显示。

优选的，步骤(4)中，特征识别算法的具体步骤为：

(a)小波变换；提取特征之前利用移动窗口技术对电脑数据进行分段，应用小波变换对每一段脑电信号进行时频分析；

设为小波变换的核函数，若核函数满足容许性条件：

则称该函数为基小波；

一维信号f(t)∈L²(R)的连续小波变换可定义为：

与连续小波变换相对应的是离散小波变换，其一般形式为：

其中为小波基，a₀、b₀为两个常量且a₀>0；

(b)特征提取；将得到的脑电信号的时频分布计算其扩散距离；

对于两个分布D₁(X)和D₂(X)，D₁(X)和D₂(X)之间的扩散距离定义为：

T是一个正的常数，k(·)表示一种范数，T(X,t)为两个分布之间的差异d(X)＝D₁(X)-D₂(X)；可看成一个温度场的大小，当t＝0时，T(X,0)＝d(X)；

(c)贝叶斯线性判别分析BLDA；对于一个测试样本根据后验分布与似然函数可以得到它的预测分布：

预测分布是服从高斯分布的，其均值为：

利用该均值可以完成测试样本的判决分类，式被称为BLDA的线性判别方程，采用BLDA算法作为分类器对脑电信号进行分类识别；

(d)分类后处理：分类后处理程序包括平滑滤波和阈值判断；

使用一个线性的移动平滑平均滤波器对BLDA输出结果进行平滑滤波，其定义如式所示：

其中，为输入信号，即BLDA分类器的输入值，2N+1表示滤波器的平均长度，x_k为平滑后的输出信号；

然后，将经过平滑处理的决策变量与设定的阈值th进行比较，得到二元判决结果；假设一脑电数据的平滑输出值为x，当x>th时，标记为“1”，表明该段脑电信号属于间歇期脑电；当x<th时，标记为“0”，表明该段脑电信号属于发作期脑电。

本发明的有益效果为：可以将整个脑电采集以及检测装置集成于微型的穿戴式系统中，稳定性较高，能在不影响患者基本生活状态的情况下，实时监测患者发病前后脑电变化情况，并对癫痫病灶进行准确定位；实现脑电信号实时动态监测，解决了常规脑电图EEG记录出的癫痫信号不完整的问题；患者无需卧床进行长期的脑电动态监测，在一定程度上缓解了动态脑电图监测所带来的病区床位紧张的问题；采用贝叶斯线性判别分析算法，有效的实现了癫痫脑电信号的自动检查和定位功能，提高了工作效率；将癫痫患者脑电数据上传到云端，可实现医疗领域大数据共享，为后期的癫痫研究奠定良好的数据基础。

附图说明

图1是本发明的根据国际通用10-20系统采取的电极安放位置示意图。

图2是本发明的系统结构示意图。

图3是本发明的脑电芯片设计示意图。

图4是本发明的ARM控制器结构示意图。

图5是本发明的脑电采集芯片、调理电路和微控制器的内部结构示意图。

图6是本发明的脑电数据传输流程示意图。

图7是本发明的上位机软件流程示意图。

图8是本发明的癫痫信号识别算法流程示意图。

图9是本发明的脑电处理结果显示图。

具体实施方式

如图1所示，主要用于说明本发明所述的电极安放位置，本发明所采用的电极安防位置依据国际通用10-20系统。采集电极采用圆锥形电极，圆锥形电极与头皮接触更为紧密，电极安放位置依据国际通用10-20系统，共有16个记录电极及2个参考电极组成。16个记录电极为Fp1、Fp2、F3、F4、C3、C4、P3、P4、01、02、F7、F8、T3、T4、T5和T6，2个参考电极为A1和A2。

如图2所示，主要用于说明本发明所述的具体系统结构示意图。本发明是一种便携式可穿戴的癫痫发作脑电定位装置，主要由采集电极、脑电采集芯片模块、调理电路、微控制器、蓝牙发射模块和蓝牙接收模块、安卓APP信号存储显示模块、医院上位机终端构成。其中，前五个模块集成在一个帽子里，可以方便携带。采集电极采集到的脑电信号传输到脑电采集芯片和调理电路，对脑电信号进行预处理，将预处理后的脑电信号传输到微控制器进行脑电信号的后处理，后通过蓝牙发射模块和蓝牙接收端对脑电信号进行接收显示。

如图3所示，主要用于说明本发明所述的脑电采集芯片设计图，脑电生物采集芯片与ARM控制芯片的SPI口相连，配合微控制器其他的I/O口实现相应端口的功能即可完成对生物采集芯片的控制。基于INTAN RHA2116生物采集芯片，该芯片主要通过16个采集通道完成对脑电信号的采集，并存储在存储器中。可以完成对模拟的生物电信号放大传至ARM控制芯片。

如图4所示，主要是本发明的ARM11微控制器设计图。本发明所用ARM11微控制器主要是完成数模转化，并将脑电信号传递给蓝牙模块。所述的ARM11微控制器采用的是三星公司的S3C6410控制芯片，它有丰富的扩展口，可根据需要实现不同功能。整个微控制器的设计主要分为：(1)芯片组端口主要与生物采集芯片相连，完成对生物采集芯片的控制和数据的读入，脑电和心电采集芯片主要通过微控制器的SPI口控制，完成芯片的启动、时钟信号输入和生物信号的接收；(2)JTAG端口主要是用于系统升级的端口；(3)完成信号的模数转化；(4)与蓝牙通信串口相连，便于将预处理之后的人体信号通过蓝牙传递到手机。最后，整个系统通过医疗级电源适配器进行供电。

如图5和6所示，主要是本发明的穿戴式帽子整个的外形设计图以及整个信号识别定位的过程。帽中的各个电极的安置依据国际通用10-20系统的要求，可实现实时脑电信号采集，并将数据通过同步发送给蓝牙模块(包括发射模块以及接收模块)，再将数据传递给安卓APP进行实时显示。手机APP传输到云端供医护人员下载，医护人员使用软件对脑电信号进行检测提取，定位出致痫灶。所述的蓝牙模块接收来自微控制器的人体脑电信号。使用蓝牙实现无线传输需考虑到无线传输信号的干扰问题，需确保发射和接收模块之间能实现两米有效距离的正常传输。安卓APP信号存储显示模块的主要在Android SDK环境下进行编写，主要功能包括数据接收、显示以及上传到云端的功能。

如图7所示，主要是上位机软件的处理流程图。上位机软件系统主要完成硬件系统的控制，数据的接收、显示、处理和保存。上位机对各个电极采集到的脑电信号进行特征信号的提取，识别分析异常癫痫脑电信号，并进行地形图显示。

如图8所示，基于扩散距离与贝叶斯线性判别分析(Bayesian Linear Discriminant Analysis，BLDA)的癫痫自动检测算法。主要是基于贝叶斯线性判别分析(Bayesian Linear Discriminant Analysis，BLDA)的癫痫脑电信号自动检测算法框图，算法步骤如下：

(a)小波变换

由于脑电信号具有非平稳性，首先在提取特征之前利用移动窗口技术对电脑数据进行分段，应用小波变换对每一段脑电信号进行时频分析。

设为小波变换的核函数，若核函数满足容许性条件：

则称该函数为基小波。

一维信号f(t)∈L²(R)的连续小波变换可定义为：

与连续小波变换相对应的是离散小波变换，其一般形式为：

其中为小波基，a₀、b₀为两个常量且a₀>0。

(b)特征提取

将得到的脑电信号的时频分布计算其扩散距离。

对于两个分布D₁(X)和D₂(X)，D₁(X)和D₂(X)之间的扩散距离定义为：

T是一个正的常数，k(·)表示一种范数，T(X,t)为两个分布之间的差异d(X)＝D₁(X)-D₂(X)；可看成一个温度场的大小，当t＝0时，T(X,0)＝d(X)。

将扩散距离作为每段脑电信号的特征，对其再进行下一步的分类识别。

(c)贝叶斯线性判别分析(BLDA)

对于一个测试样本根据后验分布与似然函数可以得到它的预测分布：

预测分布是服从高斯分布的，其均值为：

利用该均值可以完成测试样本的判决分类，式被称为BLDA的线性判别方程。采用BLDA算法作为分类器对脑电信号进行分类识别。

(d)分类后处理

分类后处理程序包括平滑滤波和阈值判断。

使用一个线性的移动平滑平均滤波器对BLDA输出结果进行平滑滤波，其定义如式所示：

其中，为输入信号，即BLDA分类器的输入值，2N+1表示滤波器的平均长度，x_k为平滑后的输出信号。

然后，将经过平滑处理的决策变量与设定的阈值th进行比较，得到二元判决结果。假设一脑电数据的平滑输出值为x，当x>th时，标记为“1”，表明该段脑电信号属于间歇期脑电；当x<th时，标记为“0”，表明该段脑电信号属于发作期脑电。

如图9所示，主要是本发明的上位机软件系统对脑电信号进行处理后的脑电图处理结果以及地形图显示部分。显示的地形图将以不同的颜色显示不同频谱的产生区域，从而表明了癫痫脑电的发作定位效果。

尽管本发明就优选实施方式进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改。