王琪,，徐駿，鄭烇
?。ㄖ袊?guó)科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院,，安徽 合肥 230026）
摘要：麻醉深度監(jiān)測(cè)在手術(shù)室和重癥監(jiān)護(hù)病房起著非常重要的作用。為了方便醫(yī)護(hù)人員在手術(shù)或重癥監(jiān)護(hù)過(guò)程中對(duì)患者的意識(shí)狀態(tài)進(jìn)行準(zhǔn)確的評(píng)估,，設(shè)計(jì)了一種簡(jiǎn)易的基于Android的麻醉深度檢測(cè)系統(tǒng),。該系統(tǒng)主要包含三個(gè)部分：對(duì)前端采集的EEG信號(hào)進(jìn)行放大濾波；對(duì)采集到的信號(hào)進(jìn)行排列熵算法處理,；Android人機(jī)接口界面的設(shè)計(jì),。在完成整體方案設(shè)計(jì)后，對(duì)整個(gè)系統(tǒng)進(jìn)行了測(cè)試,，并利用麻省理工學(xué)院的生理信號(hào)數(shù)據(jù)庫(kù)的多導(dǎo)睡眠EEG數(shù)據(jù)進(jìn)行測(cè)試,，實(shí)驗(yàn)結(jié)果說(shuō)明該系統(tǒng)能夠反映病人的腦電意識(shí)狀態(tài)。
關(guān)鍵詞：腦電信號(hào),；麻醉深度,；排列熵；Android
中圖分類號(hào)：R318,；TP399文獻(xiàn)標(biāo)識(shí)碼：ADOI： 10.19358/j.issn.16747720.2016.23.022
引用格式：王琪,，徐駿，鄭烇. 基于Android的麻醉深度檢測(cè)儀設(shè)計(jì)與實(shí)現(xiàn)［J］.微型機(jī)與應(yīng)用，2016,35（23）：76-79,，82.
0引言
適當(dāng)?shù)穆樽砩疃仁潜ＷC患者生命安全,、創(chuàng)造良好手術(shù)條件的關(guān)鍵因素之一［1］。如何有效,、準(zhǔn)確地檢測(cè)病患的腦電意識(shí)狀態(tài),，使患者可以在沒(méi)有痛苦的環(huán)境下進(jìn)行手術(shù)，已經(jīng)成為各種臨床手術(shù)的基礎(chǔ),。目前生產(chǎn)的麻醉深度監(jiān)測(cè)儀主要是通過(guò)監(jiān)測(cè)腦電雙頻譜指數(shù)（BIS）［2］,、腦狀態(tài)指數(shù)（CSI）、聽(tīng)覺(jué)誘發(fā)電位（AEP）,、熵（Entropy）［3］等指標(biāo)來(lái)監(jiān)測(cè)病人的意識(shí)狀態(tài),。而目前醫(yī)院使用的設(shè)備基本都是國(guó)外進(jìn)口，價(jià)格昂貴且實(shí)行技術(shù)保密,，國(guó)內(nèi)的產(chǎn)品在精度和可靠性上始終難以達(dá)到國(guó)外同類產(chǎn)品標(biāo)準(zhǔn),。
本文以熵為最終顯示指標(biāo)，通過(guò)前端電路設(shè)計(jì),、算法處理,、界面顯示三部分，設(shè)計(jì)了一整套軟硬件結(jié)合的麻醉深度檢測(cè)系統(tǒng),。
1系統(tǒng)結(jié)構(gòu)
整個(gè)系統(tǒng)工作流程如下：3個(gè)前端電極分別貼在病人的前額中間,、左邊和左側(cè)乳突部位，一路接地作參考電極,，其他兩路做差分輸入,。差分輸入信號(hào)經(jīng)過(guò)多級(jí)放大、濾波得到1~100 Hz波段可檢測(cè)的信號(hào),，再經(jīng)過(guò)STM32單片機(jī)的AD采集,，把數(shù)據(jù)經(jīng)過(guò)串口或藍(lán)牙發(fā)送給上端Android接口，通過(guò)排列熵算法處理后,，最終Android的APP實(shí)時(shí)顯示當(dāng)前EEG,、熵趨勢(shì)、熵值的變換情況,。其系統(tǒng)結(jié)構(gòu)如圖1所示,。
2設(shè)計(jì)與實(shí)現(xiàn)
整個(gè)系統(tǒng)的實(shí)現(xiàn)包含前端采集模塊設(shè)計(jì)和后端數(shù)據(jù)處理軟件設(shè)計(jì)。前端采用STM32單片機(jī)為采集核心,，后端是由S5PV210為核心的Android系統(tǒng),。
2.1硬件設(shè)計(jì)
2.1.1前置放大器
由于人類的腦電信號(hào)非常微弱，在μV級(jí)別,，而且此處所關(guān)心的頻段是1~100 Hz,。要想得到理想的EEG信號(hào),，首先要克服大量噪聲干擾，所以要求該前置電路具有高輸入阻抗,、高共模抑制比、噪聲干擾低等特點(diǎn)［4］,。本文采用的儀表放大器結(jié)構(gòu)如圖2所示,。
2.1.2其他放大器
其他兩級(jí)放大器比較簡(jiǎn)單，其中多了一個(gè)切換放大倍數(shù)的控制端,，如圖3所示,。
2.1.3過(guò)壓報(bào)警電路
由于人體是良好的導(dǎo)體，會(huì)隨機(jī)產(chǎn)生比較高的電壓,，對(duì)后面的采集數(shù)據(jù)產(chǎn)生干擾,。因此不僅要防止過(guò)壓的情況，同時(shí)也要檢測(cè)出過(guò)壓的線路及時(shí)調(diào)整,，電路如圖4所示,。
2.1.4AD采集電路
本文采用STM32為AD采集芯片，它擁有3個(gè)12位逐次逼近型的ADC,，最大轉(zhuǎn)換速率為1 MHz,，完全滿足采樣需求［5］，部分電路如圖5所示,。
2.2軟件設(shè)計(jì)
2.2.1算法設(shè)計(jì)
Christoph Bandt等人提出了一種衡量一維時(shí)間序列復(fù)雜度的指數(shù)——排列熵(Permutation Entropy,PE)［6］,，它在反映一維時(shí)間序列復(fù)雜度的性能方面與LyaPulloy指數(shù)相似,并且與LyaPulloy指數(shù)、分形維數(shù)等復(fù)雜度參數(shù)相比具有計(jì)算簡(jiǎn)單,、抗噪聲干擾能力強(qiáng)等特點(diǎn)［7］,。其基本過(guò)程如圖6所示。
算法的基本原理如下：
如果對(duì)一個(gè)原始信號(hào)進(jìn)行離散采集得到數(shù)據(jù)序列,將其分成長(zhǎng)度相等的子信號(hào)段,。把其中的任何一子信號(hào)段定義為{x(i),i = 1,2,3,…N},N為數(shù)據(jù)的長(zhǎng)度,。按照下面的方法計(jì)算這個(gè)子信號(hào)段的排列熵:
(1)把序列按照順序進(jìn)行m維相空間重構(gòu),其中m為嵌入的維數(shù),L為遲滯時(shí)間:
(2)對(duì)重構(gòu)后序列（式（1））中的元素按照遞增順序進(jìn)行排列:
其中,當(dāng)遇到兩個(gè)元素相等時(shí),即當(dāng)x(i+(ji1 -1)L)=x(i+(ji2 -1) L)時(shí)，有：
那么x 就按照j的大小來(lái)排序,即當(dāng)ji1< ji2時(shí),則x(i+( ji1 -L))≤x(i+(ji2-L)),。
故任意一個(gè)向量Xi重構(gòu)后得到一組符號(hào)序列:
(3)對(duì)于m維相空間,，總共有m!種不同的排列,也就是說(shuō)有m! 種不同的符號(hào), F(g)只是其中的一種排列。把所有排列順序相同的F(g)分到一組,，在N-m+1 組序列中比較得出它的概率Pk, 每組序列的個(gè)數(shù)分別為NUM1, NUM2,NUM3,…, NUMk,其中,j≤m!,。
(4)按照Shannon熵的形式，計(jì)算排列熵:
Hp反映時(shí)間序列的隨機(jī)程度,。Hp值越小,時(shí)間序列越規(guī)律,，換句話說(shuō)就是Hp越小麻醉程度越深。為了使算法具有統(tǒng)計(jì)學(xué)的意義,N的大小要合適,，一般N取1 000~10 000;m取3~15,。為了保證仿真盡可能地減小誤差,遲滯時(shí)間L一般取1或2,。
2.2.2算法JNI設(shè)計(jì)
由于本文算法要在Android平臺(tái)下實(shí)現(xiàn)，而其APP開(kāi)發(fā)是以Java為基礎(chǔ),。Java語(yǔ)言很容易被反匯編后拿到源代碼文件,，為了保證核心參數(shù)不被竊取，可以在重要的交互功能使用C代碼代替［8］,而且C比起Java來(lái)說(shuō)效率要高出很多,。
排列熵的算法實(shí)現(xiàn)是通過(guò)調(diào)用 JNI［9］函數(shù)來(lái)訪問(wèn)底層C代碼,。JNI 函數(shù)是通過(guò)接口指針來(lái)獲得。接口的指針指向JNI函數(shù)指針數(shù)組,，而且指針數(shù)組中的每個(gè)元素又指向一個(gè)定義好的接口函數(shù),。圖7說(shuō)明了接口指針的組織結(jié)構(gòu)。
本文自定義的算法接口函數(shù)如下：
private native double permutationEntropyJNI(int data［］,int lenth,int per_len);
它的實(shí)現(xiàn)為：
JNIEXPORT jdouble JNICALL Java_com_wqeeg_MainActivity_permutationEntropyJNI(JNIEnv *env, jobject obj, jintArray intArray, jint lenth , jint per_len){…},；
其具體實(shí)現(xiàn)流程如圖8所示,。
最后生成一個(gè)PermuationEntropyJni.so文件，在程序開(kāi)始時(shí)用System．1oadLibrary()方法加載需要的動(dòng)態(tài)鏈接庫(kù),。
2.2.3顯示界面設(shè)計(jì)
為了有一個(gè)良好的人機(jī)接口,，本文采用安卓圖表引擎AChartEngine進(jìn)行設(shè)計(jì)。AChartEngine是專為Android系統(tǒng)設(shè)計(jì)的圖形庫(kù),，可以用于繪制多種圖表,。
本文要設(shè)計(jì)兩個(gè)圖表和一個(gè)數(shù)值顯示窗口，圖表窗口采用AChartEngine 設(shè)計(jì),，數(shù)值采用TextView控件顯示,。每個(gè)圖表都需要一個(gè)數(shù)據(jù)集(Dataset)和渲染器集合 (Renderer)。結(jié)構(gòu)如圖9所示,。
其中AChartEngine 相關(guān)類說(shuō)明如下 :
ChartFactory : 圖表生成工廠類,傳入數(shù)據(jù)集和渲染器,生成 GraphicalView 或者GraphicalActivity,；
XYMultipleSeriesDataset :封裝圖表所需的數(shù)據(jù)；
XYSeries : 屬于圖表數(shù)據(jù)集的一部分,每個(gè)都代表了一個(gè)數(shù)據(jù)集合,；
XYMultipleSeriesRenderer :圖表中多個(gè)曲線的渲染器,；
XYSeriesRenderer :圖表中可能會(huì)有多條曲線或柱狀圖等，所有渲染器放在一起就是渲染器集合,。
Android中使用TextView控件比較簡(jiǎn)單：首先在XML布局,初始化時(shí)采用text = (TextView)findView ById(R.id.income_data)獲得text對(duì)象;最后用text.set Text(""+f1)方法顯示所需要的熵值f1（當(dāng)然要經(jīng)過(guò)一些處理,，比如非法值檢測(cè)，保留固定位小數(shù)等）,。
3實(shí)驗(yàn)測(cè)試
分別通過(guò)MATLAB仿真和實(shí)際數(shù)據(jù)測(cè)試與已有結(jié)果對(duì)比來(lái)驗(yàn)證本文提出的麻醉深度設(shè)計(jì)的有效性,。其中對(duì)正弦信號(hào)、隨機(jī)信號(hào),、睡眠EEG信號(hào)三種信號(hào)分別做了MATLAB測(cè)試,。正弦信號(hào)是幅度為100 mV，頻率為100 Hz的信號(hào),；隨機(jī)信號(hào)的最大值也為100 mV,；真實(shí)的睡眠EEG數(shù)據(jù)采用麻省理工學(xué)院的生理信號(hào)數(shù)據(jù)庫(kù)（MITBIH）中實(shí)驗(yàn)對(duì)象一天腦電的數(shù)據(jù),。具體實(shí)驗(yàn)結(jié)果如表1所示。
其中EEG信號(hào)如圖10~11所示,。
由實(shí)驗(yàn)結(jié)果可以看出,，當(dāng)加載正弦信號(hào)時(shí)，熵值穩(wěn)定在1.37左右,，表明當(dāng)腦電信號(hào)越有規(guī)律時(shí),，熵值越小。當(dāng)加載隨機(jī)信號(hào)時(shí),，熵值穩(wěn)定在4.75左右，表明當(dāng)腦電信號(hào)越?jīng)]有規(guī)律時(shí),，熵值越大,。圖10是加載了一個(gè)人從12:00開(kāi)始24 h內(nèi)的腦電信號(hào)，表明當(dāng)人在覺(jué)醒時(shí)熵值始終在4.6左右,，當(dāng)人逐漸進(jìn)入睡眠狀態(tài)時(shí),，熵值明顯低于4.6，如圖11所示,。
為了在實(shí)際產(chǎn)品中明確,、及時(shí)地反映患者的覺(jué)醒狀態(tài)，需要設(shè)計(jì)一個(gè)良好的人機(jī)交互界面,。其包括EEG顯示窗口,、熵值變化趨勢(shì)顯示窗口、熵值顯示窗口,。本文的人機(jī)交互界面如圖12所示,。
4結(jié)論
人在覺(jué)醒和睡眠或麻醉狀態(tài)下的腦電信號(hào)是有明顯區(qū)別的，當(dāng)人越清醒,，腦電信號(hào)越活躍,，而且顯得雜亂無(wú)章；當(dāng)人在睡眠或麻醉狀態(tài)下,，其腦電信號(hào)越是顯得有序,。本文正是基于這種基本區(qū)別，采用排列熵算法對(duì)腦電信號(hào)進(jìn)行分析處理,，并對(duì)其進(jìn)行仿真實(shí)驗(yàn),，驗(yàn)證了腦電信號(hào)的特性，進(jìn)一步說(shuō)明采用排序熵算法對(duì)患者進(jìn)行麻醉監(jiān)測(cè)是可行的,。
為了更好地監(jiān)測(cè)患者的麻醉狀態(tài),，本文還要作進(jìn)一步的研究，比如算法參數(shù)的自適應(yīng)選擇問(wèn)題,，因?yàn)椴煌A段的EEG數(shù)據(jù),，參數(shù)選擇對(duì)最終結(jié)果有一定的影響,；其次由于信號(hào)中存在較大隨機(jī)性，且受噪聲干擾,，直接采用排序熵可能會(huì)影響檢測(cè)效果,。未來(lái)可以采用遺傳算法等優(yōu)化算法對(duì)參數(shù)進(jìn)行自適應(yīng)確定，采用小波降噪,、神經(jīng)網(wǎng)絡(luò)等排除異常信號(hào)的干擾,。
參考文獻(xiàn)
［1］ MYLES P S. Prevention of awareness during anaesthesia［J］. Best Practical & Research Clinical Anaesthesiology, 2007, 21(3): 345-355.
?。?］ 沈民奮,，沈鳳麟，許崇濤,，等. 不同狀態(tài)下的腦電信號(hào)的雙譜分析［J］.生物物理學(xué)報(bào), 1998, 14(1): 51-56.
?。?］ 梁振虎. EEG熵算法及麻醉狀態(tài)監(jiān)測(cè)應(yīng)用研究［D］. 秦皇島：燕山大學(xué), 2012.
［4］ 陳丹, 文宇橋, 譚希,等. 基于排序熵算法的麻醉深度檢測(cè)系統(tǒng)設(shè)計(jì)［J］. 電子器件, 2015(2):429-435.
?。?］ 鐘文華. 基于ARM的腦電信號(hào)采集系統(tǒng)［J］. 電子設(shè)計(jì)工程, 2008(2):13-15.
?。?］ BANDT C,POMPE B.Pemutation entropy:a natural complexity measure for time series［J］. Phys. Rev. Lett.,2002,17(88):21-24.
［7］ PINCUS S M, SINGER B H. Randomness and degree of irregularity［J］. Proceedings of the National Academy of Sciences,1996,93(5):2083-2088.
?。?］ 李寧.Android 深度探索（HAL與驅(qū)動(dòng)開(kāi)發(fā)）［M］.北京:人民郵電出版社, 2013.
［9］ 任俊偉,，林東岱．JNI技術(shù)實(shí)現(xiàn)跨平臺(tái)開(kāi)發(fā)的研究［J］.計(jì)算機(jī)應(yīng)用研究，2005,，22(7)：180-184.