0 引言

    癲癇是一種常見的腦部神經疾病，是由于腦內神經元異常或過度放電所導致^[1]，具有不可預見性、突發性和反復性等特點。據統計，世界各地的癲癇患病率估計在0.4%～0.8%^[2]。藥物治療癲癇引起的不良反應或過敏反應會給患者帶來一定程度的痛苦^[3]，而且癲癇患者中約25%無法通過藥物治療或手術切除病灶有效地控制病情^[4]。近年來，利用腦深部電刺激技術來控制癲癇發作已成為研究熱點之一^[5]，但是現有的腦深部電刺激設備多數是開環系統，沒有神經電信號的實時檢測功能，無法實現閉環刺激^[6]。開環系統存在著刺激參數調整不及時、刺激效果不理想、刺激效率低以及刺激副作用大等問題，而閉環系統可以根據患者腦部癲癇信號實時改變刺激參數，能夠在癲癇疾病發作之前或發作初期自動進行抑制，有效避免癲癇突然發作造成的意外事故。

    可見，癲癇信號的實時檢測是實現閉環神經電刺激的關鍵。本文提出了一種無線癲癇信號檢測器，主要由記錄電極、癲癇信號提取和放大模塊、無線通信模塊、射頻能量收集器、微控制器、電源管理模塊和可充電電池等組成，如圖1所示。由于需要植入腦部，要求系統具有低功耗、高可靠性和生物相容性。此外，癲癇信號檢測還應具有實時性。由于以上所提及的組成模塊都要植入人體，系統的尺寸應盡量縮小。電極采用金屬鉑、鈦等生物相容性材料，整個裝置采用醫用氧化鋯陶瓷外殼進行密封，以保證安全性。

1 癲癇腦電信號放大模塊

    癲癇腦電信號放大模塊主要由斬波放大器與濾波電路等組成。在發作間期，癲癇腦電信號具有一定的形態，包括孤立的棘波(Spikes)、聚棘波(Poly spikes)和復合波(Complex waves)^[7]，以及局部場電位（Local Field Potential，LFP）。其中棘波具有陡峭的波形，其頻率約為300 Hz~5 kHz，幅度為50 μV~100 μV。局部場電位表現的是局部神經元的興奮特性和突觸后電位抑制性，包含的信息量非常大，能反映目標區慢性電位的變化特征，其頻率一般小于200 Hz，幅度在1 mV量級。癲癇神經動作電位信號首先由記錄電極和參考電極提取，然后經斬波放大器放大，通過低通濾波器（LPF）和帶通濾波器（BPF）將局部場電位和棘波分離開來，再送給MCU進行ADC轉換，如圖2所示。

    由于LFP十分微弱，容易被環境噪聲干擾，因此首先采用斬波放大電路進行信號處理，采樣頻率為20 kHz。斬波放大后的信號再經過一個一階無源LPF進行濾波后得到LFP局部場電位放大電路，如圖3所示。該放大器輸入級的兩個輸入端電路是對稱的，以減小輸出漂移電壓。此時LFP的增益為：

    LPF的截止頻率為： 

    其上限截止頻率為：

2 射頻能量收集器

    射頻能量收集器（RFEH）可以為一些低功耗的可穿戴設備或無電池傳感器供電^[8]。為無線癲癇信號檢測器供電的RFEH主要由接收天線、阻抗匹配網絡、多級倍壓整流、儲能電容和穩壓芯片等構成，如圖5所示。

    接收天線采用貼片陶瓷天線(RainSun的2.4 G全向天線AN9520-245)。阻抗匹配網絡由“L”型LC網絡實現。多階倍壓整流采用維拉德(Villard)電路實現^[9-11]。其中每階倍壓整流電路均由兩個肖特基二極管(AVGO的HSMS-2862)和兩個10 nF電容組成，儲能電容(C_out)為200 nF。

    生物體內射頻能量收集的能量轉換效率主要取決于電磁波在生物體組織中的傳播效率(η_tissue)、天線效率(η_antenna)、阻抗匹配效率(η_matching)、整流效率(η_rectifier)和直流穩壓效率(η_DC-DC)等，因此總的經皮能量轉換效率為：

其中，P_TX為發射機發射的射頻能量，P_DC為轉換后的直流能量。電磁波在生物體組織中傳播的效率由電磁波的波長、植入的深度、發送天線和接收天線的對準、電磁波的輻射形態以及極化方式等決定。此時在天線處所能獲得的最大能量為：

其中，G_TX為發射天線的功率增益，G_tissue為生物體組織的功率增益（為負值，因為生物體組織對電磁波具有高損耗特性），G_A為接收天線的增益，λ為電磁波波長，d為傳輸距離。在能量直接饋通時，利用ADS仿真了4～6階倍壓整流的輸出電壓和整流效率，如圖6所示，發現4階倍壓整流電路的整流效率最高，對應電路如圖7所示。

3 癲癇腦電信號檢測算法

    目前檢測癲癇EEG信號的方法主要有小波變換法、非線性動力學法^[12]、人工神經網絡方法^[13]和海岸線參數^[14]等。本文采用較為簡單且實時性較強的海岸線參數檢測算法。海岸線參數是給定時間窗內的場電位信號曲線的累積長度，其定義為：

式中，cle是海岸線參數，x_i是給定窗內第i點采樣數據的幅值，N是所計算數據窗的長度，abs表示絕對值運算。當神經信號電位改變時，其值將會顯著增加，因此物理意義明確。

    在實際使用中，存在高頻干擾與孤立棘波，如果僅憑借海岸線單個參數來進行癲癇檢測，容易造成癲癇的誤檢^[15]。因此，在計算海岸線數值之前，需要預先判斷信號的幅度與斜率是否超過閾值。只有當幅值、斜率和海岸線參數值都超過了閾值時，才會判定癲癇已經發生。

    癲癇腦電信號幅參數閾值的計算方法如下：

    考慮到運放溫飄等因素可能會導致AD采集到的信號的幅值會產生變化，因此這里不使用電壓信號幅值作為癲癇發作時判斷的參數。對于斜率參數與海岸線參數閾值的判定，分別使用d和k兩個參數計算閾值，斜率閾值Tsl定義如下：

其中，sl為參考斜率參數，cl為參考海岸線參數。為提高算法準確性與適應性，算法以固定頻率選擇最小的cl與sl作為參考參數。

4 系統測試

4.1 癲癇腦電信號放大模塊測試

    將圖2所示斬波放大器輸入級的兩個輸入端子接地，在LFP輸出端測得的放大器零漂在-100 μV～100 μV之間。圖8和圖9分別為LFP和Spikes的頻率響應，表明可以分離出LFP和Spikes信號。

4.2 射頻能量收集器測試

    射頻信號源采用Agilent E8267D PSG，圖10為當發射功率為25 dBm以及測試距離為2 cm時，在不同頻率下測得的射頻能量收集器（RFEH）的輸出電壓。在無負載和負載為1 kΩ時，其在2.45 GHz處的輸出電壓分別為5.6 V和2.6 V。

4.3 癲癇腦電信號檢測算法測試

    為測試算法，分別在解放軍第二軍醫大學和江蘇大學附屬醫院進行了動物實驗，采用PTX試劑誘發大鼠癲癇，將記錄電極和參考電極分別置于大鼠大腦CA1區采集腦電信號數據。基于此數據，提取并測試了不同閾值參數下檢測癲癇腦電信號的檢出率和誤檢率，圖11為癲癇信號檢測算法界面。

    海岸線參數閾值測試如表1所示，從5組測試結果可以看出，當d=0、k=2時，檢出率最高，但是誤檢率也較高；當d=2、k=3時誤檢率最低，但是檢出率較低；當d=3、k=2時，系統檢出率（91.1%）和誤檢率（7.8%）最佳，可以很好地檢測癲癇腦電信號。

5 結論

    本文提出了一種無線癲癇信號檢測器，主要由記錄電極、癲癇信號提取和放大模塊(包括斬波放大器和濾波器)、射頻能量收集器(RFEH)、藍牙模塊和癲癇信號檢測算法等組成，用于構建閉環神經刺激器。設計了一種由多級“零漂移”同相放大器組成的斬波放大器、用于LFP和Spikes的低通濾波器(200 Hz)和帶通濾波器(300 Hz~5 000 Hz)以及由單通路Villard倍壓整流電路構成的RFEH(為系統供電)。采用海岸線參數法來檢測癲癇信號的發作。

    測試結果表明：斬波放大器的輸入漂移電壓為1 μV，LFP和Spikes的增益分別為40 dB和100 dB；當發射功率為25 dBm@2.45 GHz，測試距離為2 cm，在無負載和負載為1 kΩ時，RFEH的輸出電壓分別為5.6 V 和2.6 V；帶載時能量轉換效率為2%；海岸線參數算法的準確率為91.1%；斬波放大器可以有效放大癲癇神經動作電位信號；通過射頻方式從體外向體內傳輸能量可實現為可充電電池充電；海岸線參數法實現簡單且準確率較高，可用于構建閉環系統，例如閉環神經刺激器等醫療設備中，實現自適應神經電刺激。

參考文獻

[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:

錢尼信，朱云帆，時  歡，鐘彬彬，吳金利，汪  捷，李效龍

（江蘇科技大學 電子與信息學院，江蘇 鎮江212003）