CN114145755A - 一种居家癫痫发作交互式智能监护系统及方法 - Google Patents
一种居家癫痫发作交互式智能监护系统及方法 Download PDFInfo
- Publication number
- CN114145755A CN114145755A CN202111569988.XA CN202111569988A CN114145755A CN 114145755 A CN114145755 A CN 114145755A CN 202111569988 A CN202111569988 A CN 202111569988A CN 114145755 A CN114145755 A CN 114145755A
- Authority
- CN
- China
- Prior art keywords
- patient
- electroencephalogram
- component
- signals
- epileptic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
- A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
- A61B5/0022—Monitoring a patient using a global network, e.g. telephone networks, internet
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
- H04N23/611—Control of cameras or camera modules based on recognised objects where the recognised objects include parts of the human body
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Veterinary Medicine (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Neurology (AREA)
- Psychiatry (AREA)
- Multimedia (AREA)
- Neurosurgery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明提出一种居家癫痫发作交互式智能监护系统及方法,该系统包括承载装配组件,脑电检测组件,数据传输组件,定位信标组件,图像获取组件,监控看护组件,脑电检测组件中的检测电极分别与患者头部的脑电信号采集部位接触,对应脑电图电极安放标准中前额的F3、F4,中颞的T7、T8,额叶的O1、O2,该监护系统可在本地进行实时的脑电信号的获取、预处理和特征提取,判断当前是否有癫痫发作并且评估发作等级,当检测到癫痫发作时,调用摄像头拍摄、上传患者当前的视频,提醒监护人及时采取措施查看患者状态,避免患者出现生命危险。
Description
技术领域
本发明涉及医疗监护设备,尤其涉及一种居家癫痫发作交互式智能监护系统及方法。
背景技术
癫痫是一种大脑神经元突发性异常放电导致短暂大脑功能障碍的慢性疾病,其发作的临床表现复杂多样,可表现为发作性运动、感觉、自主神经、意识及精神障碍。癫痫监测设备可在癫痫发作时向看护人员发出警报,在发作期间迅速得到看护人员的救护,可减少由癫痫发作引起的死亡。
《癫痫检测与报警系统及其工作方法》(专利号:CN201910273347.6)使用TGAM模块进行脑电信号的检测,将采集到的数据通过蓝牙发送给数据处理终端,数据处理终端根据复杂度判断癫痫的发作状态。当识别出癫痫发作时,通过云端向终端设备发送报警信息。该专利没有说明具体的脑电检测方法,且特征提取在蓝牙发送至终端后处理,非就地信息处理,没有提供患者当前的视频数据,无法清晰的了解患者当前的状况。本专利使用基于癫痫敏感脑区切平面的六导联无线便携式脑电检测方法获取脑电信号,由脑电仪内置处理器就地实时计算脑电的时频特征,有效识别癫痫是否发作。并在发作时无线启动控制摄像头,实现患者定位,摄像头调节与数据发送,使得监护人和医生可以清晰的了解患者的当前状态。
《一种便携式可调式的头戴癫痫监测仪》(专利号:CN201910207886.X)只是获取了脑电信号并保存起来,但是没有进行特征提取和癫痫发作报警。
《一种基于视频分析的多模态癫痫诊断系统》(申请号201810450552.0)同时采集患者的视频监控和脑电信号,实现癫痫发作识别。监控摄像头只是把监控视频通过网络交换机发送至台式机和多模态监控分析模块;没有发送到云端,医生和监护人无法远程查看患者情况,且该发明实现方式复杂,成本高昂。2、该发明将监控摄像头与被监控患者的照片进行比对,来确认定位患者的位置,识别准确度受照片质量限制,且当摄像头无法获取所有人正面清晰头像时,患者定位准确度会受很大影响,癫痫发作时患者身体剧烈抖动很容易视频模糊。
因此,有必要设计一种居家癫痫发作交互式智能监护系统,以克服上述缺陷。
发明内容
本发明的目的是提供一种居家癫痫发作交互式智能监护系统及方法,以监控换着的癫痫发作状态,并及时通知看护人。
本发明为解决其技术问题所采用的技术方案是:
一种居家癫痫发作交互式智能监护系统,包括:
承载装配组件,该承载装配组件可配戴于患者头部,其内部具有装配空间;
脑电检测组件,该脑电检测组件安装于承载装配组件上,并与患者头部的脑电信号采集部位配合,用于检测患者的脑电波,并对其癫痫发作状态进行识别;具体地,该脑电检测组件包括一组检测电极,各检测电极分别与患者头部的脑电信号采集部位接触,对应脑电图电极安放标准中前额的F3、F4,中颞的T7、T8,额叶的O1、O2,由检测电极对患者的脑电信号进行采集;
数据传输组件,该数据传输组件安装于承载装配组件上,并与脑电检测组件配合,由数据传输组件将癫痫发作状态数据发送至通信网络;
定位信标组件,该定位信标组件安装于患者的居家环境中,并与数据传输组件配合,由定位信标组件及数据传输组件对患者的方位进行确定;
图像获取组件,该图像获取组件安装于患者的居家环境中,并与数据传输组件配合,由数据传输组件将患者的方位数据发送至图像获取组件,图像获取组件根据该方位数据对其运行状态进行调节,获取患者图像,并将该图像发送至通信网络;
监控看护组件,该监控看护组件由看护人员携带,并与通信网络配合,从通信网络中获取患者的图像及其癫痫发作状态数据。
承载装配组件包括:
承载头带,该承载头带与患者头部形状适配,可配戴于患者头部,各检测电极分别安装于承载头带中,并沿承载头带的周向顺次排布。
脑电检测组件还包括:
分析芯片,该分析芯片安装于承载头带中,并与检测电极电连接,由分析芯片对检测电极获取的脑电信号进行特征提取并分析,判断患者的癫痫发作状态;
转换芯片,该转换芯片连接于检测电极与分析芯片之间,由转换芯片将检测电极获取的脑电信号进行模数转换,并传输至分析芯片。
数据传输组件包括:
蓝牙网关,该蓝牙网关安装于承载头带中,并与分析芯片电连接。
定位信标组件包括:
蓝牙信标,该蓝牙信标设有一组,各蓝牙信标分别安装于患者的居家环境中,并与蓝牙网关配合,由蓝牙信标及蓝牙网关对患者的方位进行确定。
图像获取组件包括:
摄像装置,该摄像装置通过活动结构安装于患者的居家环境中,并与蓝牙网关配合,蓝牙网关将患者的方位数据发送至摄像装置,摄像装置根据该方位数据进行角度调节,获取患者图像,并将该图像发送至通信网络。
患者看护组件包括:
看护终端,该看护终端与通信网络配合,从通信网络中获取分析芯片发送的患者癫痫发作状态及摄像装置发送的患者图像。
一种居家癫痫发作交互式智能监护方法,采用上述监护系统进行,并包括以下步骤:
对信号L(n)计算脑电信号的时域特征,对信号L(n)计算脑电信号的频域特征,分析芯片对脑电信号的时域和频域特征先依次级联成向量,然后进行特征融合,得到特征矩阵F;
将特征矩阵F传给已经训练好的支持向量机,得到癫痫发作状态:正常状态,一级报警、二级报警、三级报警;
识别出癫痫发作时,蓝牙网关扫描周围的蓝牙信标发出的信号,得到癫痫患者的坐标;
通过摄像装置的坐标和患者的坐标调整摄像装置的朝向,使摄像装置能有效拍摄到癫痫患者的当前状态,并将图像数据传输至看护终端。
脑电信号的时域特征根据以下步骤计算:
选取时域统计特征中的最大值、最小值、峰-峰值、协方差和Hjorth特征,对应的协方差公式为:
Hjorth特征共包含三个参数,分别定义为活动性、移动性和复杂性,设信号为X=[x1,x2,…,xL],这些参数可以按照下面的定义计算:
(1)活动性
活动性定义为脑电信号的方差,主要描述脑电波信号的幅度特性,公式如下:
Activity=Var(x) (2)
(2)移动性
移动性定义为脑电信号的一阶差分信号的方差和信号自身方差之比的均方根,公式如下:
(3)复杂性(Complexity)
公式如下:
脑电信号的频域特征根据以下步骤计算:
对脑电信号进行离散傅立叶变换,得到脑电图的频谱图,在频谱图中提取频域特征;
令时间序列为X(n),可得频谱X′(k):
其中k表示样本点序号,k=0,1,...,N-1;记为变换矩阵;快速傅里叶变换,利用WN的周期性和对称性将离散傅立叶变换运算按照奇偶性逐级分解,第1级将N个点分为各N/2个采样点的两组,第2级再细分为各N/4个采样点的四组,以此类推;
基于快速傅里叶变换提取的频域特征有:
(1)功率谱密度:
频带能量:
功率谱密度占比:
频带能量占比:
本发明的优点在于:
1.该监护系统的检测电极设有六个,各检测电极分别对应脑电图电极安放标准中前额的F3、F4,中颞的T7、T8,额叶的O1、O2。这六个导联构成了一个大脑切平面,该切平面横跨癫痫发作的颞叶和额叶主要敏感脑区的脑电变化,检测点少且采用便携式可穿戴设备采集。此癫痫脑电检测方法是根据医学神经内科知识最后设定的,可以有效地检测出癫痫是否发作,并兼顾到了半球表面的各解剖分区,遵循了左右对称的原则;
2.该监护系统可在本地进行实时的脑电信号的获取、预处理和特征提取,判断当前是否有癫痫发作并且评估发作等级,当检测到癫痫发作时,调用摄像头拍摄、上传患者当前的视频,提醒监护人及时采取措施查看患者状态,避免患者出现生命危险。
附图说明
图1是本发明提出的居家癫痫发作交互式智能监护系统的结构示意图;
图2是该监护系统的信号传输过程示意图;
图3是电极标准分布示意图;
图4是电极分布的俯视图;
图5是电极分布的侧视图;
图6是脑电检测仪的结构示意图;
图7是脑电检测仪的配戴状态正面视图;
图8是脑电检测仪的配戴状态侧面视图;
图9是脑电检测与识别过程示意图;
图10是摄像头的交互控制过程;
图11是噪声下有相交区域模型;
图12是该监护系统的运行过程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提出的监护系统包含5个组成部分:
1、无线可穿戴式脑电检测仪;
2、用于室内定位、数据无线传输的蓝牙模块;
3、可被蓝牙控制的摄像头;
4、用于室内定位的3个蓝牙信标;
5、用于配置系统、接收报警信息、查看云端监控视频的APP。
无线可穿戴式脑电检测仪通过连接脑部的电极获取脑电信号,然后对脑电信号进行识别,得到当前的癫痫发作状态,最后根据预设的功能控制周围的智能家居实现癫痫发作的报警。
具体使用过程如下:
1、配置系统环境
系统环境配置共包括以下4个部分:
打开无线可穿戴式脑电检测仪的电源和APP,通过APP向无线可穿戴式脑电检测仪的蓝牙发起配对请求,实现配对;
通过APP实现无线可穿戴式脑电检测仪的蓝牙和交互摄像头实现配对,用于在癫痫发作时实现视频拍摄和上传。
将三个Beacon模块放置在房间的三个角落,大概1.5米的高度,且这三个Beacon不能放在同一条直线上。通过APP将Beacon的坐标数据发送给无线可穿戴式脑电检测仪的蓝牙,用于实现蓝牙室内定位;
将可以通过蓝牙实现镜头方位调整的摄像头安装在合适的位置,保证交互摄像头可以通过调整角度拍摄到房间的所有角落;通过APP将交互摄像头在房间内的坐标发送给癫痫发作识别模块,用于在癫痫发作后结合蓝牙定位调整摄像头的角度,用来拍摄、上传患者的当前状况;
利用已有的带有四个癫痫发作状态标签的数据集训练SVM,将训练结果导入到局部微处理器中,用于后面的癫痫发作识别。
2、佩戴无线可穿戴式脑电检测仪
本发明所选的电极检测点是根据专业知识和实践经验所确定的,有效的佩戴才能检测到脑电波,同时提高癫痫发作识别的正确率。本发明所引出的8根导联线,其中6路接脑电电极,2路接参考耳电极,具体的电极位置请参考图3。佩戴时可以通过APP查看电极是否和头皮贴合良好,调整至所有电极都可以获取到有效脑电信号后,继续下一步操作。
3、脑电信号处理
佩戴好无线可穿戴癫痫发作识别模块后,通过APP控制模块开始工作。具体步骤如下:
经过前端的模拟滤波后,A/D转换模块将脑电信号转换为数字信号后输出,设为S。局部微处理器接收到数字信号后,首先对每个导联原始信号进行带通滤波预处理操作,滤波器采用IIR滤波器,通频带为0.5~48Hz,得到较为干净整洁的脑电信号S~。
使用长度为L的滑动窗,以半窗口长度,即L/2为步长进行滑动,对每个导联脑电信号S~进行分割,得到待特征提取的信号S-。
对信号L(n)计算脑电信号的时域特征,对信号L(n)计算脑电信号的频域特征。微处理器对6导联脑电信号的时域和频域特征先依次级联成向量,然后进行特征融合,得到特征矩阵F。
将特征矩阵F传给已经训练好的SVM向量机,得到四个分类结果:class 1、class2、class 3和class 4,分别对应四个状态,分别是:正常状态,一级报警(小发作)、二级报警(大发作)、三级报警(癫痫持续状态)。
4、摄像头交互控制
识别出癫痫发作时,无线可穿戴式脑电检测仪的蓝牙模块会扫描周围的Beacon信标发出的信号,通过公式(10)至(13)得到癫痫患者在室内的坐标。
通过摄像头在室内的坐标,和计算得到的佩戴癫痫发作识别模块的患者的位置,调整摄像头的镜头朝向,使摄像头能够有效拍摄到癫痫患者的当前状态,并且将影像数据传送至云端,由云端处理后将结果发送给医院或者监护人,实现对患者的监护。
癫痫患者在房间内带上癫痫检测脑电仪后,脑电仪会采集脑电信号并检测癫痫发作状态。当检测到癫痫发作时,会获取模块在室内的定位,打开摄像头并调整至朝向患者的方位后,拍摄并通过WIFI上传患者的情况,监护人和医生可以查看患者当前的状态,根据实际情况采集必要的措施。
本发明包含的脑电检测仪被用来采集脑电信号,在本地实现了癫痫的发作识别,只需要将识别结果发送出来,同时仪器内部的器件功耗很低,因此整个模块的功耗很低。通过内置的可充电电池和电池充放电管理模块,整个模块满足了无线、便携的设计需求。
考虑到癫痫发病脑区和外观设计,本发明采用了参考导联的方式采集脑电信号。根据神经内科医学知识,结合反映癫痫发病的脑电信号的脑区,本发明选择了前额的F3、F4,中颞的T7、T8,额叶的O1、O2作为脑电检测电极,使用两个耳电极(A1、A2,对应左右两个耳朵)作为参考电极,这些电极在国际10-20脑电位置命名系统中的分布如图2所示。额极的电极眼动干扰较大,故选择F3、F4观察额区;O1、O2对于脑电图的读图是比较重要的位置,基本节律也都是通过枕区进行观察,且这两个电极可以代表全部后头区,包括顶、枕、后颞。耳垂的大部分不直接与头皮表面接触,电位相对较弱,是常用的脑电参考电极位置,也是国际10-20系统的标准参考电极位置。
由电极的分布可知,所选择的采集脑电信号的电极,刚好是在人头切平面的平面上,将电极片嵌入在头带中,将头带固定在用户头部对应的区域,然后将脑电信号通过导线传输至脑电采集电路。脑电的采集电路使用了生物信号模数转换芯片,可以将模拟信号转换为数字信号并输出。
脑电检测仪内有一个协处理器,用来对采集到的脑电信号进行数字滤波和特征提取,判断当前癫痫的发作状态。为了实现低功耗无线通讯,仪器内部还嵌入了一个蓝牙模块,用于和APP实现蓝牙通讯,同时可以控制交互摄像头。
使用无线可穿戴式脑电检测仪采集到脑电信号后,需要实现脑电信号的自动识别,包含了滤波、分割、特征提取和识别。
脑电信号的预处理包括了滤波和分割两个部分。脑电信号的滤波就是去除掉在采集原始脑电信号时所掺杂的噪声信号,即脑电的伪迹。在通常的脑电研究中,所要去除的伪迹主要包括眼电、肌电、心电、工频干扰和电磁干扰等。本设计对脑电信号进行0.5Hz~48Hz的带通滤波,可以去除眼电信号、肌电信号和工频干扰的影响。分割是将滤波后的脑电信号分段后进行脑电信号的特征提取。
癫痫发作时,脑电信号中会明显出现大量的癫痫特征波,这些特征波频率、波形各异,是用于分析、识别癫痫病症的重要依据。癫痫患者的脑电图分析主要分为以下几种特征波段:棘波、尖波、棘慢波、尖慢波、多棘慢复合波、爆发性节律等。
传感器获取到滤波之后的信号后,需要继续对信号进行分割,然后对分割后的信号进行特征提取。由于本发明是在本地实现实时的特征提取,所以采取的方法不能太复杂。根据癫痫波的典型特点,对采集到的脑电信号提取如下的特征:
时域特征:
由于癫痫脑电信号的波形在发病时更为明显,时域分析法所提取的波形特征可以识别出癫痫脑电信号独特的棘波和尖波,能够有效地区分出非癫痫脑电信号和癫痫脑电信号。经分析发现,Hjorth特征是癫痫信号中比较有区分性的时域特征。同时,脑电信号的二阶统计信息包含了大脑状态的可分信息,而协方差矩阵是脑电信号最常用的二阶统计特征,故选取时域统计特征中的最大值、最小值、峰-峰值、协方差和Hjorth特征。
对应的协方差公式为:
Hjorth参数共包含三个参数,分别定义为活动性(Activity)、移动性(Mobility)和复杂性(Complexity)。
设信号为X=[x1,x2,…,xL],这些参数可以按照下面的定义计算:
(1)活动性(Activity)
活动性(Activity)定义为脑电信号的方差,主要描述EEG信号的幅度特性,公式如下:
Activity=Var(x) (2)
(2)移动性(Mobility)
移动性(Mobility)定义为脑电信号的一阶差分信号的方差和信号自身方差之比的均方根,公式如下:
(3)复杂性(Complexity)
频域特征:
由于脑电信号存在各种频率成分,可以忽略时间上的分辨率,只进行频率信息分析。而癫痫脑电信号与正常脑电信号相比,存在显著的棘波、尖波等波形,信号的频率会发生较大变化,提取频域特征能够区分出癫痫与非癫痫脑电信号。
首先对脑电信号进行离散傅立叶变换,得到脑电图的频谱图,在频谱图中提取频域特征。
令时间序列为X(n),可得频谱X′(k):
其中k表示样本点序号,k=0,1,...,N-1。记为变换矩阵。快速傅里叶变换(Fast Fourier transfer,FFT),利用WN的周期性和对称性将离散傅立叶变换运算按照奇偶性逐级分解,第1级将N个点分为各N/2个采样点的两组,第2级再细分为各N/4个采样点的四组,以此类推。
基于快速傅里叶变换提取的频域特征通常有:
(1)功率谱密度(power spectral density,PSD)
功率谱密度谱是一种概率统计方法,是对随机变量均方值的量度。一般用于随机振动分析,连续瞬态响应只能通过概率分布函数进行描述,即出现某水平响应所对应的概率。
(2)频带能量
(3)功率谱密度占比
(4)频带能量占比
日常的癫痫发作主要分为三类:癫痫小发作,癫痫大发作和癫痫持续状态。按照这三类,癫痫报警划分为四个等级:正常状态,一级报警(小发作)、二级报警(大发作)、三级报警(癫痫持续状态)。
癫痫小发作一般是指失神发作,患者主要表现为活动突然停止,出现发呆,呼之不应,一般每次发作持续时间数秒钟,一般不超过30秒,脑电图出现3次/秒棘波放电。
大发作是指突然意识丧失,继之先强直后阵挛性痉挛。脑电图出现背景广泛的棘慢波。在强直期之前可有散在棘波、慢波及棘慢综合波,脑电图表现为20~30C/S棘节律,其波幅逐渐升高,频率逐渐减慢,此期约20秒钟。之后进入阵挛期,脑电图显示棘波,间以慢波。两者交替出现,随着肌肉抽搐间隔时间延长,棘波的频率变慢,逐渐变为尖波,而慢波逐渐增多,约持续40秒钟,转入衰竭期。病人停止抽搐后,上述异常放电消失,脑电图变为平坦活动,此后病人出现昏睡,脑电图出现中等波幅δ活动。随着意识的恢复,慢波的频率逐渐增大,并过渡为θ活动,最后恢复至发作前的波形。
对于癫痫持续状态,认为持续发作超过5分钟以上就可以认为是癫痫持续状态。
为了有效识别癫痫发作的状态,本发明使用支持向量机(SVM)来实现癫痫发作的分类。SVM是统计学习理论,它具有结构简单、全局优化、适用于小样本、泛化和推广能力强等优点,能够很好地处理模式识别及回归问题,被广泛用于医学、机械、经济等领域。SVM分类器通过电脑利用已有的带有标签的癫痫数据集进行训练,设置的分类结果是:正常状态,癫痫小发作,癫痫大发作和癫痫持续状态。分别对应着四个报警等级:正常状态,一级报警(小发作)、二级报警(大发作)、三级报警(癫痫持续状态)。将提前训练好的SVM分类器移植到微处理器,微处理器会将实时采样到的脑电信号的融合后的特征输入到已训练的SVM,最终可以得到患者当前的癫痫发作状态,从而实现癫痫发作识别的能力。
由于通过实时的监控视频更有利于了解癫痫患者在室内的情况,同时考虑到监控摄像头拍摄的角度比较小,本发明联动了可通过蓝牙调整拍摄角度的摄像头。当蓝牙模块接收到癫痫发作信号时,先利用布置在房间内的Beacon计算得到癫痫患者在室内的定位,开启摄像头并且调整镜头的朝向,使得摄像头可以有效地拍摄癫痫患者当前的状态,并且将视频数据通过WIFI上传到云端。监护人和医生可以从监控中查看癫痫患者的当前状态,对癫痫患者采取必要的救助措施。
本发明基于RSSI(Received Signal Strength Indication,信号场强指示)值和三角定位原理实现蓝牙室内定位。通过在房间内部署3个蓝牙Beacon信标,使用脑电传感器上的蓝牙模块获取房间内的Beacon信标的RSSI值,对得到的RSSI值进行中值滤波。
根据信号衰减模型和处理过的RSSI值,可以求出未知节点到信标的距离。传统的无线信号传播衰减模型为:
式中RSSI(d)表示距离发射点d处的接收信号强度值,RSSI(d0)表示距离d0处的接收信号强度值;λ表示路径衰减因子,范围在2~4之间;ζσ表示正态随机变量,标准差为σ。
当d0=1时,上式可转换为:
RSSI(d)=-10λlog10(d)+ζσ+RSSI(1) (11)
而ζσ对结果影响较小,可忽略不计,可得:
RSSI(d)=Alog10(d)+B (12)
在此基础上,对环境中的多组已知RSSI与距离值进行对数拟合,求得系数A与B,建立RSSI测距模型。
假设三个圆不会交于一点,3个测距圆有相交区域且交于A1、B1、C1 3个点,3个测距圆的交点构成一个三角形M,实际计算认为该三角区域的质心就是定位节点M的实际估计位置。设A1、B1、C1的位置坐标为(xa1,ya1)、(xb1,yb1)、(xc1,yc1),则可得
求解上述方程组可以得到A1点的空间位置坐标,同理可得到B1和C1点的坐标。
该监护系统基于癫痫敏感脑区切平面的六导联无线检测方法采集用户的脑电信号,并在其内部进行实时特征提取和癫痫发作状态识别。当识别到癫痫发作时,脑电检测仪内部通信模块发送摄像头的蓝牙控制信号,进行患者定位,同时开启摄像头,调整拍摄角度,实现患者行为的实时视频跟踪监测,并将数据通过云端传送至医院信息中心或者监护人手机端,通知医护人员或者监护人尽快采取救护措施,进而可以保障癫痫患者的生命安全,在保护患者隐私的同时,也避免了长期实时监测带来的不必要的信息传输和摄像头损耗。
该监护系统基于癫痫敏感脑区切平面的六导联脑电检测方法采集脑电信号,该方法选用的检测电极是前额的F3、F4,中颞的T7、T8,额叶的O1、O2,这六个导联构成了一个大脑切平面,该切平面横跨癫痫发作的颞叶和额叶主要敏感脑区的脑电变化,检测点少且采用便携式可穿戴设备采集。此癫痫脑电检测方法是根据医学神经内科知识最后设定的,可以有效地检测出癫痫是否发作,并兼顾到了半球表面的各解剖分区,遵循了左右对称的原则。
由于一般摄像头的拍摄范围比较小,而且癫痫患者可以在房间内自由走动,固定角度的摄像头有时无法拍摄到患者。为了更好地监护癫痫患者,避免危险情况的发生,本发明提出了无线智能交互式视频监护方法,即当无线可穿戴式脑电检测仪识别出癫痫发作后,脑电检测仪内部通信模块会发送摄像头的蓝牙控制信号,结合周围的蓝牙蓝牙信标实现患者的室内定位,同时开启摄像头,调整拍摄角度,使得镜头可以有效的拍摄癫痫患者的实时状态,并将视频跟踪监测数据通过云端传送至医院信息中心或者监护人手机端,通知医护人员或者监护人尽快采取救护措施,进而可以保障癫痫患者的生命安全。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,“设置”、“连接”等术语应做广义理解,例如,“连接”可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接连接,也可以通过中间媒介间接连接,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
Claims (10)
1.一种居家癫痫发作交互式智能监护系统,其特征在于,包括:
承载装配组件,该承载装配组件可配戴于患者头部,其内部具有装配空间;
脑电检测组件,该脑电检测组件安装于承载装配组件上,并与患者头部的脑电信号采集部位配合,用于检测患者的脑电波,并对其癫痫发作状态进行识别;具体地,该脑电检测组件包括一组检测电极,各检测电极分别与患者头部的脑电信号采集部位接触,对应脑电图电极安放标准中前额的F3、F4,中颞的T7、T8,额叶的O1、O2,由检测电极对患者的脑电信号进行采集;
数据传输组件,该数据传输组件安装于承载装配组件上,并与脑电检测组件配合,由数据传输组件将癫痫发作状态数据发送至通信网络;
定位信标组件,该定位信标组件安装于患者的居家环境中,并与数据传输组件配合,由定位信标组件及数据传输组件对患者的方位进行确定;
图像获取组件,该图像获取组件安装于患者的居家环境中,并与数据传输组件配合,由数据传输组件将患者的方位数据发送至图像获取组件,图像获取组件根据该方位数据对其运行状态进行调节,获取患者图像,并将该图像发送至通信网络;
监控看护组件,该监控看护组件由看护人员携带,并与通信网络配合,从通信网络中获取患者的图像及其癫痫发作状态数据。
2.根据权利要求1所述的一种居家癫痫发作交互式智能监护系统,其特征在于,承载装配组件包括:
承载头带,该承载头带与患者头部形状适配,可配戴于患者头部,各检测电极分别安装于承载头带中,并沿承载头带的周向顺次排布。
3.根据权利要求2所述的一种居家癫痫发作交互式智能监护系统,其特征在于,脑电检测组件还包括:
分析芯片,该分析芯片安装于承载头带中,并与检测电极电连接,由分析芯片对检测电极获取的脑电信号进行特征提取并分析,判断患者的癫痫发作状态;
转换芯片,该转换芯片连接于检测电极与分析芯片之间,由转换芯片将检测电极获取的脑电信号进行模数转换,并传输至分析芯片。
4.根据权利要求3所述的一种居家癫痫发作交互式智能监护系统,其特征在于,数据传输组件包括:
蓝牙网关,该蓝牙网关安装于承载头带中,并与分析芯片电连接。
5.根据权利要求4所述的一种居家癫痫发作交互式智能监护系统,其特征在于,定位信标组件包括:
蓝牙信标,该蓝牙信标设有一组,各蓝牙信标分别安装于患者的居家环境中,并与蓝牙网关配合,由蓝牙信标及蓝牙网关对患者的方位进行确定。
6.根据权利要求4所述的一种居家癫痫发作交互式智能监护系统,其特征在于,图像获取组件包括:
摄像装置,该摄像装置通过活动结构安装于患者的居家环境中,并与蓝牙网关配合,蓝牙网关将患者的方位数据发送至摄像装置,摄像装置根据该方位数据进行角度调节,获取患者图像,并将该图像发送至通信网络。
7.根据权利要求4所述的一种居家癫痫发作交互式智能监护系统,其特征在于,患者看护组件包括:
看护终端,该看护终端与通信网络配合,从通信网络中获取分析芯片发送的患者癫痫发作状态及摄像装置发送的患者图像。
8.一种居家癫痫发作交互式智能监护方法,采用权利要求1~7任一项的监护系统进行,其特征在于,包括以下步骤:
对信号L(n)计算脑电信号的时域特征,对信号L(n)计算脑电信号的频域特征,分析芯片对脑电信号的时域和频域特征先依次级联成向量,然后进行特征融合,得到特征矩阵F;
将特征矩阵F传给已经训练好的支持向量机,得到癫痫发作状态:正常状态,一级报警、二级报警、三级报警;
识别出癫痫发作时,蓝牙网关扫描周围的蓝牙信标发出的信号,得到癫痫患者的坐标;
通过摄像装置的坐标和患者的坐标调整摄像装置的朝向,使摄像装置能有效拍摄到癫痫患者的当前状态,并将图像数据传输至看护终端。
9.根据权利要求8所述的一种居家癫痫发作交互式智能监护方法,其特征在于,脑电信号的时域特征根据以下步骤计算:
选取时域统计特征中的最大值、最小值、峰-峰值、协方差和Hjorth特征,对应的协方差公式为:
Hjorth特征共包含三个参数,分别定义为活动性、移动性和复杂性,设信号为X=[x1,x2,…,xL],这些参数可以按照下面的定义计算:
(1)活动性
活动性定义为脑电信号的方差,主要描述脑电波信号的幅度特性,公式如下:
Activity=Var(x) (2)
(2)移动性
移动性定义为脑电信号的一阶差分信号的方差和信号自身方差之比的均方根,公式如下:
(3)复杂性(Complexity)
公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569988.XA CN114145755B (zh) | 2021-12-21 | 2021-12-21 | 一种居家癫痫发作交互式智能监护系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111569988.XA CN114145755B (zh) | 2021-12-21 | 2021-12-21 | 一种居家癫痫发作交互式智能监护系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114145755A true CN114145755A (zh) | 2022-03-08 |
CN114145755B CN114145755B (zh) | 2023-09-01 |
Family
ID=80451716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111569988.XA Active CN114145755B (zh) | 2021-12-21 | 2021-12-21 | 一种居家癫痫发作交互式智能监护系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114145755B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778330A (zh) * | 2023-02-07 | 2023-03-14 | 之江实验室 | 一种基于视频脑电的癫痫发作自动检测系统及装置 |
CN115804572A (zh) * | 2023-02-07 | 2023-03-17 | 之江实验室 | 一种癫痫发作自动监护系统及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9554721B1 (en) * | 2007-04-23 | 2017-01-31 | Neurowave Systems Inc. | Seizure detector, brain dysfunction monitor and method |
CN106618562A (zh) * | 2017-01-11 | 2017-05-10 | 南京航空航天大学 | 一种可穿戴的癫痫脑电发作脑区定位装置及定位方法 |
CN107080543A (zh) * | 2017-04-27 | 2017-08-22 | 北京师范大学 | 一种新型近红外实时脑皮质血氧信号采集装置 |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
CN111931576A (zh) * | 2020-07-07 | 2020-11-13 | 杭州电子科技大学 | 基于ewt和改进csp的癫痫信号分类方法 |
US20210000426A1 (en) * | 2019-07-04 | 2021-01-07 | Peking University | Classification system of epileptic eeg signals based on non-linear dynamics features |
CN213883251U (zh) * | 2020-09-16 | 2021-08-06 | 中国人民解放军空军军医大学 | 一种癫痫发作预警耳麦 |
WO2021226778A1 (zh) * | 2020-05-11 | 2021-11-18 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN113842118A (zh) * | 2021-12-01 | 2021-12-28 | 浙江大学 | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 |
-
2021
- 2021-12-21 CN CN202111569988.XA patent/CN114145755B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9554721B1 (en) * | 2007-04-23 | 2017-01-31 | Neurowave Systems Inc. | Seizure detector, brain dysfunction monitor and method |
CN106618562A (zh) * | 2017-01-11 | 2017-05-10 | 南京航空航天大学 | 一种可穿戴的癫痫脑电发作脑区定位装置及定位方法 |
CN107080543A (zh) * | 2017-04-27 | 2017-08-22 | 北京师范大学 | 一种新型近红外实时脑皮质血氧信号采集装置 |
US20210000426A1 (en) * | 2019-07-04 | 2021-01-07 | Peking University | Classification system of epileptic eeg signals based on non-linear dynamics features |
CN110811609A (zh) * | 2019-10-28 | 2020-02-21 | 杭州电子科技大学 | 基于自适应模板匹配与机器学习算法融合的癫痫棘波智能检测方法 |
WO2021226778A1 (zh) * | 2020-05-11 | 2021-11-18 | 浙江大学 | 一种基于层次图卷积神经网络的癫痫脑电识别系统、终端及存储介质 |
CN111931576A (zh) * | 2020-07-07 | 2020-11-13 | 杭州电子科技大学 | 基于ewt和改进csp的癫痫信号分类方法 |
CN213883251U (zh) * | 2020-09-16 | 2021-08-06 | 中国人民解放军空军军医大学 | 一种癫痫发作预警耳麦 |
CN113842118A (zh) * | 2021-12-01 | 2021-12-28 | 浙江大学 | 面向癫痫视频脑电图检查的癫痫发作实时检测监控系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115778330A (zh) * | 2023-02-07 | 2023-03-14 | 之江实验室 | 一种基于视频脑电的癫痫发作自动检测系统及装置 |
CN115804572A (zh) * | 2023-02-07 | 2023-03-17 | 之江实验室 | 一种癫痫发作自动监护系统及装置 |
CN115804572B (zh) * | 2023-02-07 | 2023-05-26 | 之江实验室 | 一种癫痫发作自动监护系统及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114145755B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3010408B1 (en) | Sensor system and process for measuring electric activity of the brain, including electric field encephalography | |
JP7208012B2 (ja) | 脳によって生じる電気的活動をモニタリングするためのデバイスおよび方法、および人の生理学的状態をモニタリングするための方法 | |
CN106937808B (zh) | 一种智能床垫的数据采集系统 | |
ES2688286T3 (es) | Aparato con sensores de EMG para la detección de convulsiones | |
US10694946B2 (en) | Dual EEG non-contact monitor with personal EEG monitor for concurrent brain monitoring and communication | |
WO2016045262A1 (zh) | 脑电处理装置及方法和睡眠监测佩戴设备 | |
CN114145755B (zh) | 一种居家癫痫发作交互式智能监护系统及方法 | |
JP2016526972A5 (zh) | ||
US20090318827A1 (en) | Body-based monitoring of brain electrical activity | |
Park et al. | Wireless dry EEG for drowsiness detection | |
CN110710978A (zh) | 一种基于眼动追踪-脑功能活动检测的多模态沉浸式同步采集系统 | |
JP6538055B2 (ja) | 発作検出システムにてデータの伝送を制御する方法 | |
CN114222601A (zh) | 用于耳后感测和刺激的可穿戴系统 | |
Paul et al. | Attention state classification with in-ear EEG | |
CN110051351B (zh) | 咬牙信号获取方法以及电子设备的控制方法及装置 | |
Nasir et al. | Design and implementation of eeg based home appliance control system | |
CN209932735U (zh) | 可穿戴式智能设备 | |
CN104997507B (zh) | 三位一体帽式智能监测预警系统 | |
CN115770050A (zh) | 癫痫检测方法及系统 | |
RU2661756C2 (ru) | Устройство мозг-машинного интерфейса для дистанционного управления экзоскелетными конструкциями | |
von Rosenberg et al. | Smart helmet: monitoring brain, cardiac and respiratory activity | |
CN113907742B (zh) | 睡眠呼吸数据的监测方法及装置 | |
CN112515680B (zh) | 可穿戴脑电疲劳监测系统 | |
CN114903445A (zh) | 一种心脑血管疾病智能监测预警系统 | |
CN204839506U (zh) | 三位一体帽式智能监测预警系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |