文献标识码： A
DOI：10.16157/j.issn.0258-7998.173065
中文引用格式： 钱尼信，朱云帆，时欢，等. 一种无线充电、无线通信的植入式癫痫信号检测器[J].电子技术应用，2018，44(7)：76-80.
英文引用格式： Qian Nixin，Zhu Yunfan，Shi Huan，et al. An implantable epileptic signal detector with wireless charging and wireless communication[J]. Application of Electronic Technique，2018，44(7)：76-80.
0 引言
癫痫是一种常见的脑部神经疾病，是由于脑内神经元异常或过度放电所导致[1]，具有不可预见性、突发性和反复性等特点。据统计，世界各地的癫痫患病率估计在0.4%～0.8%[2]。药物治疗癫痫引起的不良反应或过敏反应会给患者带来一定程度的痛苦[3]，而且癫痫患者中约25%无法通过药物治疗或手术切除病灶有效地控制病情[4]。近年来，利用脑深部电刺激技术来控制癫痫发作已成为研究热点之一[5]，但是现有的脑深部电刺激设备多数是开环系统，没有神经电信号的实时检测功能，无法实现闭环刺激[6]。开环系统存在着刺激参数调整不及时、刺激效果不理想、刺激效率低以及刺激副作用大等问题，而闭环系统可以根据患者脑部癫痫信号实时改变刺激参数，能够在癫痫疾病发作之前或发作初期自动进行抑制，有效避免癫痫突然发作造成的意外事故。
可见，癫痫信号的实时检测是实现闭环神经电刺激的关键。本文提出了一种无线癫痫信号检测器，主要由记录电极、癫痫信号提取和放大模块、无线通信模块、射频能量收集器、微控制器、电源管理模块和可充电电池等组成，如图1所示。由于需要植入脑部，要求系统具有低功耗、高可靠性和生物相容性。此外，癫痫信号检测还应具有实时性。由于以上所提及的组成模块都要植入人体，系统的尺寸应尽量缩小。电极采用金属铂、钛等生物相容性材料，整个装置采用医用氧化锆陶瓷外壳进行密封，以保证安全性。
1 癫痫脑电信号放大模块
癫痫脑电信号放大模块主要由斩波放大器与滤波电路等组成。在发作间期，癫痫脑电信号具有一定的形态，包括孤立的棘波(Spikes)、聚棘波(Poly spikes)和复合波(Complex waves)[7]，以及局部场电位（Local Field Potential，LFP）。其中棘波具有陡峭的波形，其频率约为300 Hz~5 kHz，幅度为50 μV~100 μV。局部场电位表现的是局部神经元的兴奋特性和突触后电位抑制性，包含的信息量非常大，能反映目标区慢性电位的变化特征，其频率一般小于200 Hz，幅度在1 mV量级。癫痫神经动作电位信号首先由记录电极和参考电极提取，然后经斩波放大器放大，通过低通滤波器（LPF）和带通滤波器（BPF）将局部场电位和棘波分离开来，再送给MCU进行ADC转换，如图2所示。
由于LFP十分微弱，容易被环境噪声干扰，因此首先采用斩波放大电路进行信号处理，采样频率为20 kHz。斩波放大后的信号再经过一个一阶无源LPF进行滤波后得到LFP局部场电位放大电路，如图3所示。该放大器输入级的两个输入端电路是对称的，以减小输出漂移电压。此时LFP的增益为：
LPF的截止频率为：
其上限截止频率为：
2 射频能量收集器
射频能量收集器（RFEH）可以为一些低功耗的可穿戴设备或无电池传感器供电[8]。为无线癫痫信号检测器供电的RFEH主要由接收天线、阻抗匹配网络、多级倍压整流、储能电容和稳压芯片等构成，如图5所示。
接收天线采用贴片陶瓷天线(RainSun的2.4 G全向天线AN9520-245)。阻抗匹配网络由“L”型LC网络实现。多阶倍压整流采用维拉德(Villard)电路实现[9-11]。其中每阶倍压整流电路均由两个肖特基二极管(AVGO的HSMS-2862)和两个10 nF电容组成，储能电容(Cout)为200 nF。
生物体内射频能量收集的能量转换效率主要取决于电磁波在生物体组织中的传播效率(ηtissue)、天线效率(ηantenna)、阻抗匹配效率(ηmatching)、整流效率(ηrectifier)和直流稳压效率(ηDC-DC)等，因此总的经皮能量转换效率为：
其中，PTX为发射机发射的射频能量，PDC为转换后的直流能量。电磁波在生物体组织中传播的效率由电磁波的波长、植入的深度、发送天线和接收天线的对准、电磁波的辐射形态以及极化方式等决定。此时在天线处所能获得的最大能量为：
其中，GTX为发射天线的功率增益，Gtissue为生物体组织的功率增益（为负值，因为生物体组织对电磁波具有高损耗特性），GA为接收天线的增益，λ为电磁波波长，d为传输距离。在能量直接馈通时，利用ADS仿真了4～6阶倍压整流的输出电压和整流效率，如图6所示，发现4阶倍压整流电路的整流效率最高，对应电路如图7所示。
3 癫痫脑电信号检测算法
目前检测癫痫EEG信号的方法主要有小波变换法、非线性动力学法[12]、人工神经网络方法[13]和海岸线参数[14]等。本文采用较为简单且实时性较强的海岸线参数检测算法。海岸线参数是给定时间窗内的场电位信号曲线的累积长度，其定义为：
式中，cle是海岸线参数，xi是给定窗内第i点采样数据的幅值，N是所计算数据窗的长度，abs表示绝对值运算。当神经信号电位改变时，其值将会显著增加，因此物理意义明确。
在实际使用中，存在高频干扰与孤立棘波，如果仅凭借海岸线单个参数来进行癫痫检测，容易造成癫痫的误检[15]。因此，在计算海岸线数值之前，需要预先判断信号的幅度与斜率是否超过阈值。只有当幅值、斜率和海岸线参数值都超过了阈值时，才会判定癫痫已经发生。
癫痫脑电信号幅参数阈值的计算方法如下：
考虑到运放温飘等因素可能会导致AD采集到的信号的幅值会产生变化，因此这里不使用电压信号幅值作为癫痫发作时判断的参数。对于斜率参数与海岸线参数阈值的判定，分别使用d和k两个参数计算阈值，斜率阈值Tsl定义如下：
其中，sl为参考斜率参数，cl为参考海岸线参数。为提高算法准确性与适应性，算法以固定频率选择最小的cl与sl作为参考参数。
4 系统测试
4.1 癫痫脑电信号放大模块测试
将图2所示斩波放大器输入级的两个输入端子接地，在LFP输出端测得的放大器零漂在-100 μV～100 μV之间。图8和图9分别为LFP和Spikes的频率响应，表明可以分离出LFP和Spikes信号。
4.2 射频能量收集器测试
射频信号源采用Agilent E8267D PSG，图10为当发射功率为25 dBm以及测试距离为2 cm时，在不同频率下测得的射频能量收集器（RFEH）的输出电压。在无负载和负载为1 kΩ时，其在2.45 GHz处的输出电压分别为5.6 V和2.6 V。
4.3 癫痫脑电信号检测算法测试
为测试算法，分别在解放军第二军医大学和江苏大学附属医院进行了动物实验，采用PTX试剂诱发大鼠癫痫，将记录电极和参考电极分别置于大鼠大脑CA1区采集脑电信号数据。基于此数据，提取并测试了不同阈值参数下检测癫痫脑电信号的检出率和误检率，图11为癫痫信号检测算法界面。
海岸线参数阈值测试如表1所示，从5组测试结果可以看出，当d=0、k=2时，检出率最高，但是误检率也较高；当d=2、k=3时误检率最低，但是检出率较低；当d=3、k=2时，系统检出率（91.1%）和误检率（7.8%）最佳，可以很好地检测癫痫脑电信号。
5 结论
本文提出了一种无线癫痫信号检测器，主要由记录电极、癫痫信号提取和放大模块(包括斩波放大器和滤波器)、射频能量收集器(RFEH)、蓝牙模块和癫痫信号检测算法等组成，用于构建闭环神经刺激器。设计了一种由多级“零漂移”同相放大器组成的斩波放大器、用于LFP和Spikes的低通滤波器(200 Hz)和带通滤波器(300 Hz~5 000 Hz)以及由单通路Villard倍压整流电路构成的RFEH(为系统供电)。采用海岸线参数法来检测癫痫信号的发作。
测试结果表明：斩波放大器的输入漂移电压为1 μV，LFP和Spikes的增益分别为40 dB和100 dB；当发射功率为25 dBm@2.45 GHz，测试距离为2 cm，在无负载和负载为1 kΩ时，RFEH的输出电压分别为5.6 V 和2.6 V；带载时能量转换效率为2%；海岸线参数算法的准确率为91.1%；斩波放大器可以有效放大癫痫神经动作电位信号；通过射频方式从体外向体内传输能量可实现为可充电电池充电；海岸线参数法实现简单且准确率较高，可用于构建闭环系统，例如闭环神经刺激器等医疗设备中，实现自适应神经电刺激。
参考文献
[1] MOHSENIA A，GHARIBZADEHB S，BAKOUIEB F.The role of driver nodes in managing epileptic seizures：application of Kuramoto model[J].Journal of Theoretical Biology，2017，419(21)：108-115.
[2] THOMAS S，HOVINGA M E，RAI D，et al.Brief report：prevalence of co-occurring epilepsy and autism spectrum disorder：the U.S. national survey of children's health 2011-2012[J].Journal of Autism and Developmental Disorders，2017，47(1)：1-6.
[3] Fei Chena，Duan Yaqi，Lia Yongqin，et al.Use of anantiepileptic drug to control epileptic seizures associated with cranioplasty：a randomized controlled trial[J].International Journal of Surgery，2017，40(4)：1-11.
[4] STACEY W C，LITT B.Technology insight：neuro-engineering and epilepsy-designing devices for seizure control[J].Nature Clinical Practice Neurology，2008，4(4)：190-201.
[5] MATSUMOTO R.Single pulse electrical stimulation to probe functional and pathological connectivity in epilepsy[J].Seizure，2017，44(1)：27-36.
[6] KAYE H L，GERSNER R，PASCUAL-LEONE A，et al.P048 Motor mapping by transcranial magnetic stimulation reveals persistent ipsilateral corticospinal connections in the epileptic hemisphere in patients with intractable focal epilepsy[J].Clinical Neurophysiology，2017，128(3)：e30-e31.
[7] HELAL A E M，SEDDIK A F，ELDOSOKY M A，et al.An efficient method for epileptic seizure detection in long-term EEG recordings[J].Biomedical Science and Engineering，2014，7(12)：963-972.
[8] Zhang Jingwei，Huang Yi，Cao Ping.An investigation of wideband rectennas for wireless energy harvesting[J].Wireless Engineering and Technology，2014，5(4)：107-116.
[9] MUNCUK U, LEWIS D R, CHOWDHURY K R.Design optimization and implementation for RF energy harvesting circuits[J].IEEE Journal on Emerging and Selected Topicsin Circuits and Systems，2012，2(1)：24-33.
[10] JABBAR H，SONG Y S，JEONG T T.RF energy harvesting system and circuits for charging of mobile devices[J].IEEE Transactions on Consumer Electronics，2010，56(1)：247-253.
[11] LIN G C，LEE M W，HSU Y C.An AC-DC rectifier for RF energy harvesting system[C].Microwave Conference Proceedings，Kaohsiung，2012：1052-1054.
[12] TAWFIK N S，YOUSSEF S M，KHOLIEF M.A hybrid automated detection of epileptic seizures in EEG records[J].Computers & Electrical Engineering，2016，53(7)：177-190.
[13] Wei Zuochen，Zou Junzhong，Zhang Jian.Automatic recognition of chewing noises in epileptic EEG based on period segmentation[J].Neurocomputing，2016，190(5)：107-116.
[14] DHIMAN R，SAINI J S,PRIYANKA.Biogeography based hybrid scheme for automatic detection of epileptic seizures from EEG signatures[J].Applied Soft Computing，2017，51(2)：116-129.
[15] WHITE A M，WILLIAMS P A，FERRARO D J，et al.Efficient unsupervised algorithms for the detection of seizures in continuous EEG recordings from rats after brain injury[J].Neurosci Methods，2006，152(1)：255-266.
作者信息:
钱尼信，朱云帆，时 欢，钟彬彬，吴金利，汪 捷，李效龙
（江苏科技大学 电子与信息学院，江苏 镇江212003）