基于癫痫监测手环的数据处理算法的设计与开发

我国癫痫患者基数大，并且每年新增的数量也是非常大，癫痫病不仅影响患者的日常生活，更是给他们的生命健康安全带来了严重的威胁。对于癫痫患者来说癫痫症状随时随地都有可能发生，并且癫痫发作带来的危害具有不可逆性，需要尽可能早的得到介入帮助，因此癫痫的即时监测显得尤为重要。目前癫痫监测主要是借助脑电信号，而依据脑电信号进行监测的设备体积都比较大，只能在专业医院进行。本课题采集癫痫患者生理数据所使用的监测设备是可穿戴腕带式手环，研究动态数据算法分析采集到的三轴加速度信号、皮肤电信号与心率信号，由此进行监测癫痫的发作情况。在此基础上，本文提出了四种基于机器学习算法判断癫痫发作情况的方法，对数据集预处理中的相关方法与四种机器学习算法进行了对比实验，并进行了仿真测试实验和基于临床试验数据的验证实验。除此之外，还研究开发了癫痫监测系统配套软件，方便用户在云平台或安卓客户端上进行查阅癫痫相关的统计数据等操作
第 1 章 绪 论

1.1 课题研究背景与意义

本课题是预研项目的其中一个研究部分，瞄准了社会需求。癫痫属于神经系统的一慢性疾病，癫痫发作的最主要机理是大脑神经元放电不正常，患者通常是症状突然发作，发作的时间比较短暂，并且具有复发性[1]。2018 年世界卫生组织公布了一项统计数据，其中显示全球已经超过 5000万人患有癫痫病，其中不发达国家的癫痫患者占很大比例。我国癫痫患者的人口基数大，数量目前超过 900 万，并且每年新增 60 万，给患者的家庭带来了很大的精神负担和经济负担，更重要的是，癫痫患者的生命健康安全受到了严重的威胁。目前癫痫的检测主要是在医院中进行，通过专业的脑电仪器得到患者的脑电图，依此检测癫痫并诊断癫痫的类型，从而确定接下来的治疗方案，但是这个过程比较耗时间，要求患者长期住院监测，有时甚至需要持续数月的时间，长时间的住院环境会给患者带来精神压力，影响患者情绪，给诊断带来影响，因此亟需拥有一种更快速高效的癫痫识别手段[2]。其次，癫痫发作间隔时间不定，部分癫痫患者即使在长期的监测过程里，仍然可能没有发作，造成医护资源的占用浪费。市场上已然存在一些 EEG 便携式监测设备，但是据 Bruno 等人的研究，在监测设备外形因素偏好方面，智能手表或戒指普遍被接受，因为这些外形外观较为常见，相反需要佩戴头戴式设备的脑电装置在患者中不受欢迎[3]，这类装置不仅不太美观，而且被认为暴露隐私，在睡眠期间佩戴头皮来记录 EEG 信号是不切实际且不舒适，因此，目前不足以用于可穿戴和自动癫痫发作检测系统
1.2 癫痫监测算法国内外研究现状

1.2.1 国内研究现状

本节主要分析近几年国内学者在癫痫检测算法研究上的成果。2016 年，山东大学的耿东云在小波神经网络算法的基础上改进，融合了小波变化与前馈神经网络算法，取得了较高的准确率和较低的误检率[5]。2017 年，李明阳、陈万忠等人提出了将双密度离散小波变换（DDDWT）以及 Log-Logistic

参数回归算法应用于特征工程中，之后使用遗传算法改进过的支持向量机算法对处理过的脑电信号进行分类，效果良好[6]。2018 年，兰州大学的吴浩博提出了一种对脑电信号数据集进行离散小波处理并提取样本熵特征和其他时频特征，其中对样本熵算法进行了优化，运算效率得到提高，基于此使用支持向量机和朴素贝叶斯算法对信号进行分类[7]。2020 年，兰州理工大学的尹倡隆对脑电信号数据进行小波分析，并提取变换后数据集的统计时域特征以及非线性特征，对比了随机森林和 AdaBoost、XGBoost 算法的癫痫发作数据分类效果，并提出了一维卷积神经网络和 XGBoost 算法相结合的模式识别算法，分类效果较前者更优[8]。

第 2 章 数据采集与特征提取

2.1 基本原理

癫痫的发病原理是大脑中的神经元产生突发性的不正常放电现象，与交感神经的活跃程度有密切联系。身体中唯一仅仅只受交感神经影响并且完全不受副交感神经影响的器官就是皮肤，皮肤电信号可以反映皮肤的特征，因此要想对交感神经的活跃神经进行监测，可以依据测量皮肤电的微小变化来实现。心率的变化有可能会与交感神经系统与副交感神经系统的活动存在联系，因此可以通过提取 HRV（心率变异性，heart rate variability）中的高频分量来评估副交感神经或迷走神经系统的活跃程度。并且有研究表明癫痫的发作可以在一定程度上通过心率的变化来反映，仍然是通过测量心率的变异性参数 HRV[28]。癫痫发作时患者大多会发生全身强直或者是痉挛抽搐的现象，手部会表现出比较明显的振动，因此可以通过测量手部的加速度信号来监测癫痫发作。本课题将通过综合监测癫痫患者的皮肤电信号、心率信号、三轴加速度信号的异常变化来对癫痫发作进行实时检测。

2.2 数据采集

本课题使用基于 STM32F103ZET6 嵌入式芯片为控制器的癫痫监测手环来采集生理信号，该癫痫监测手环包括多个外设单元，比如动作检测单元、皮肤电检测单元、心率检测单元、蓝牙通信单元等，这些检测单元内含精确性高的传感器，测量准确。加速度传感器选用 ATK-MPU6050-V1.1 传感器模块，这个模块的核心采用了 InvenSense 公司生产的 MPU6050 芯片，这块芯片内含三轴加速度传感器和三轴陀螺仪传感器，并将其完美地进行整合，此外包含数字运动处理器（DigitalMotion Processor, DMP），通过 DMP 可以提高运算运动姿态的效率，从而可以使运动处理运算在操作系统上的压力减小，再通过 IIC 接口进行通信来输出运动姿态运算处理后的数据[29]。皮肤电传感器采用皮肤电反应 SC 传感器。皮肤电信号具体来说就是反映皮肤的导电特性，当人的情绪发生变化时，皮肤电信号产生相应的变化，其中的机理主要是与人体汗腺分泌有关，并且皮肤电信号可以在一定程度上反映交感神经的活跃程度。课题中采用的皮肤电反应 SC 传感器可以精确的采集皮肤电信号。

第 3 章 癫痫监测的数据处理算法研究 .................................................................24

3.1 逻辑回归算法 ............................................................................................24

3.2 支持向量机算法 ........................................................................................27

3.3 AdaBoost 算法.............................................................................................30

3.4 XGBoost 算法 .............................................................................................32

第 4 章 癫痫监测系统软件设计与开发 .................................................................38

4.1 癫痫监测软件功能模块设计 ....................................................................38

4.2 数据库设计 ................................................................................................40

4.3 数据流设计 ................................................................................................43

4.4 软件数据接口设计 ....................................................................................44

第 4 章 癫痫监测系统软件设计与开发

除了癫痫监测的动态数据算法研究之外，开发癫痫监测系统配套的软件也是一项十分重要的工作。算法分析所需要的原始数据，需要从数据库中获取到，那么将数据传输到数据库中以及从数据库中下载下来分析的过程都需要配套软件的支持。患者佩戴手环采集生理数据到数据上传至服务器，再到下载分析数据，这一系列过程体现在数据流上，主体包括癫痫手环、云服务器以及手机。除此之外，配套软件还可以支持其他一系列功能，比如管理员（比如算法开发人员、医生）的登录验证，普通用户的登录验证，数据分析（在后台对数据进行简单处理得到前台可视化所需要的数据），合作医生信息介绍、健康推送与新闻推送、产品介绍、APP 操作介绍等功能所需要的增删改查操作。本课题开发了云平台软件与手机安卓端软件，本章将对这部分内容展开介绍。

4.1 癫痫监测软件功能模块设计

本项目中的软件开发将分解为多个功能模块分别进行开发，也即采用层次化的设计思想[42]。

结 论

我国癫痫患者基数大，并且每年新增的数量也是非常大，癫痫病不仅影响患者的日常生活，更是给他们的生命健康安全带来了严重的威胁。对于癫痫患者来说癫痫症状随时随地都有可能发生，并且癫痫发作带来的危害具有不可逆性，需要尽可能早的得到介入帮助，因此癫痫的即时监测显得尤为重要。目前癫痫监测主要是借助脑电信号，而依据脑电信号进行监测的设备体积都比较大，只能在专业医院进行。本课题采集癫痫患者生理数据所使用的监测设备是可穿戴腕带式手环，研究动态数据算法分析采集到的三轴加速度信号、皮肤电信号与心率信号，由此进行监测癫痫的发作情况。在此基础上，本文提出了四种基于机器学习算法判断癫痫发作情况的方法，对数据集预处理中的相关方法与四种机器学习算法进行了对比实验，并进行了仿真测试实验和基于临床试验数据的验证实验。除此之外，还研究开发了癫痫监测系统配套软件，方便用户在云平台或安卓客户端上进行查阅癫痫相关的统计数据等操作。本文的研究成果可分为以下四点：

（1）得到了一套用于癫痫监测的数据预处理与特征提取方法，这套方法的原始数据集由本课题自研的癫痫手环采集而得，其中包括统一频率、数字滤波去噪、数据分割、特征提取、数据集标记与分割、数据集标准化。统一频率用的是插值方法，使得皮肤电信号和心率信号的频率与加速度的频率保持一致，本文对比了二阶 B 样条插值与三阶 B 样条插值的效果，结果是三阶 B 样条插值的效果最好；数字滤波去噪过程中选用了五点中值滤波算法，本文对比了巴特沃斯滤波、切比雪夫滤波以及五点中值滤波的效果，结果是五点中值滤波的效果最好；特征提取过程中共使用了包含时域特征与频域特征在内的 47 个特征，其中包括三种熵值非线性特征；数据集标记与分割过程中使用的是滑窗分割的方法，本文对比了窗口重复率为 80%的情况与窗口重复率为 50%的情况，结果是窗口重复率为 80%时的效果最好。经过这一系列数据预处理与特征工程步骤后，处理后的数据集可输入到癫痫监测的动态数据算法中。