Design a Composite Bio-Signal Monitoring System Based on SOPC*

ZHONG Wei，HUANG Qijun*，CHANG Sheng，SUN Jinyao，WANG Hao

(1.School of Physics Science and Technology，Wuhan University，Wuhan 430072，China; 2.Institute of Microelectronics and Information Technology，Wuhan University，Wuhan 430072，China)

Design a Composite Bio-Signal Monitoring System Based on SOPC*

ZHONG Wei1，HUANG Qijun1*，CHANG Sheng1，SUN Jinyao1，WANG Hao2

(1.School of Physics Science and Technology，Wuhan University，Wuhan 430072，China; 2.Institute of Microelectronics and Information Technology，Wuhan University，Wuhan 430072，China)

A composite bio-signal monitoring system is designed，which is characterized with multi-signal acquisition capabilities and can complete biological signals pattern recognition and aide diagnosis.Clear surface EMG and surface ECG waveform can be detected via different channels of the pre-acquisition amplifier circuit with low noise and high common mode rejection ratio.The wavelet decomposition module integrated in FPGA are used for heart rate and QRS complex detection，and the BP neural network on NiosⅡsoft core has realized the identification of ST segment morphology.The extracted time-frequency domain parameters of surface EMG active segment can provide assessment of muscle fatigue.The system can complete display of the signal waveform and real-time monitoring parameter on the LCD screen，and alarm people by audio speaker，and store prolonged monitoring data on SD card.

system on programmable chip(SOPC);SEMG(surface electromyography);ECG(electrocardiogram); wavelet analysis;BP neural network;identification of ST segment

人体生物电信号表征不同的生命活动状态，因此对人体生物电信号采集、分析处理已经成为生命科学领域的重要研究内容。心电图(ECG)是重要生命体征，用于心电信号监测的心电图仪的研究和应用已很成熟，且监护级和消费级心电仪均有智能化和小型化发展趋势［1－3］。表面肌电信号(SEMG)表征肌肉活动和功能状态，用于检测和记录表面肌电图仪器的研制和信号分析算法的研究工作已经在国内外广泛开展，近年来基于表面肌电图的动作模式识别、运动性肌肉疲劳检测和肌肉功能分析已成为国内外研究热点［4－5］。对人体体表生物电信号无创检测的集成系统也逐渐成为研究热点，但受限于不同的生物信号的幅频特性和产生机制的差异性，系统往往需要针对性地设计不同的采集放大电路或选用不同模块，不利于系统集成度的提高和小型化实现，或造成系统的使用不便。小型化便携式多功能医疗健康监护仪器越有向具备多生物电信号检测能力和复杂信号分析处理能力的研究方向发展。

通过模数混合设计和软硬协同设计的方法，完成了一种多功能复合式生理信号检测系统，系统的多功能体现在能完成对三导联消费级心电信号和表面肌电信号的采集、分析和处理。利用FPGA可重配置和软硬协同设计等优势，在系统中集成了小波分析和BP神经网络等算法模块能够很好地实现心电信号和表面肌电信号的分析、特征提取和模式识别等处理，并通过LCD彩屏和音频输出反馈给用户的健康信息，包括实时心率和ST段识别结果。

1 复合式生物电信号检测系统设计

复合式生物电健康监护系统主要由体表生物电采集电路和以FPGA为核心的数字信号处理电路两部分组成。系统设计框图如图1所示。

图1 系统框图

1.1 体表生物电采集电路

体表生物电采集电路具有分别针对ECG和SEMG信号采集的两个通道，根据两种体表生物电信号的时频特征，两通道具有不同的增益和通带范围。采集电路由复合式前置放大电路和后级程控放大电路组成。

1.1.1 前置放大电路

前置放大电路主要对拾取到的生物电信号中极化电压、运动伪迹和部分工频干扰消除，利于后级电路放大和处理。

(1)复合式前置采集电路设计

复合式前置生物电采集电路由多输入组合前级放大电路、高通滤波器、低通滤波器和工频陷波器组成。其中多输入组合前级放大电路原理图如图2所示，由人体保护电路、仪表运放电路及右腿驱动电路组成的。ADI公司的低噪声精密仪表运放AD8220进行初级放大，该仪放具有典型的三运放差动放大电路结构。其增益表达式:

图2 多输入组合前级放大电路原理图

不同的高精度电阻值可实现不同增益，系统中设定ECG采集通道为此级增益为50.1倍，而SEMG采集通道的为100.2倍。两种信号采集均采用三电极方式，其中仪放的两输入端和检测电极相连，检测表面肌电信号时参考电极接“地”，而心电信号采集时的参考电极接右腿驱动电路输出［6］。

(2)运动伪迹和工频干扰的消除方法

不同的生物电信号具有不同的幅频特性［7］。高通有源滤波器可以有效消除夹杂在信号中的运动伪迹等低频干扰;而低通滤波器可以滤除高频噪声。工频干扰是医疗和健康监护系统必须要考虑的。系统设计过程中除了将整个前置放大电路用金属铝盒屏蔽之外，还在电路级使用了免调试工频陷波器F42N50抑制50 Hz工频噪声。设计工频陷波电路和F42N50芯片内部原理图如图3所示。

图3 免调试工频陷波电路

此电路是UAF42电路原理的一个应用［8］，陷波器的陷波中心频率为:

陷波器的品质因数为:

式中R1、R2、R4、RF1、RF2、C1和C2等均为芯片内部配置的精度为0.1%的电阻和电容。R1、R2和R4取值为20 kΩ，RF1和RF2为318.3 kΩ，C1和C2为10 nF，RQ和RG分别是外接调Q电阻和增益调节电阻。不同于通用双“T”结构陷波器，应用此陷波器的突出优势有:①中心陷波频率免调试((50± 0.025)Hz);②Q值可独立调整，不影响频率和增益;③增益可调，不受频率、Q值的影响。

1.1.2 后级程控放大电路部分

该部分电路包括光耦隔离放大器、三阶巴特沃斯低通滤波器和程控放大器3部分。选用电容线性光耦芯片ISO124搭建隔离电路，避免后级数字电路对前级模拟电路产生干扰。三阶巴特沃斯低通滤波器电路消除在光电隔离的过程中所引入高频噪声。

自适应程控放大器主要是为实现系统自适应对不同幅频范围生物电信号放大处理［9］。程控放大电路由8位低功耗数模转换芯片DAC0832芯片和和放大电路搭建。DAC0832的转换原理为R－2R梯型电阻网络对基准电压Vref按2i(i=0，1，…，7)的权值取其电压分量(权值位由八位数字量控制开关确定)，再由Iout1和Iout2互补输出得到要转换的模拟电压。其增益表达式为式(4)。

GPA=－(N/256)×(Rfb/Ro)(4)其中Ro为14 kΩ，所以改变反馈电阻Rfb的阻值可以改变最大增益;而对于固定的Rfb阻值，则由FPGA控制N值(0～255)来改变增益。

1.2 SOPC数字信号处理系统

SOPC(System on a Programmable Chip)即可编程片上系统是一种软硬件复合的系统，Altera公司提供的大量IP核来加快开发外设的速度，提高外设性能，也可以使用Verilog语言来自行定制外设。而使用SOPC Builder可自动生成自定义的NiosⅡCPU软核，用户可使用汇编或C，甚至C++来进行嵌入式程序设计［10］。系统数字信号处理电路部分以CycloneⅡ系列EP2C20Q240的FPGA芯片为核心搭建而成。SOPC数字信号处理电路部分包括有信号采集、显示、存储和软硬件接口控制部分，信号分析处理部分，以及嵌入式NiosⅡ软核部分。各部分具体功能如下:

(1)信号采集、显示和存储控制部分。包括自适应放大模块、AD转换控制模块、LQ064V3DG01显示屏显示控制模块、SD卡存储模块、音频信号发生模块。硬件与软件接口控制模块:包括LCD与Avalon总线接口模块、按键与Avalon总线接口模块和信号处理后与Avalon总线接口模块，采用软硬件结合的方式，接口方式包括IO口及自定义Avalon总线接口模块。

(2)信号分析处理部分。包括工频陷波模块、活跃段检测模块、小波分解模块和心率预警模块。采用纯硬件方式和三级流水结构设计实现了二阶数字陷波器，对提取FIFO缓存的数据，进行50 Hz工频陷波处理。活跃段检测模块可实现对采集到的表面肌电信号中活动段进行提取。采用Mallat算法实现对信号的小波分解来实现QRS波群和T波的检测［11－12］，并通过R波峰间隔计算即时心率。当监测的心率超出正常范围，系统将输出特定频率警报音。

(3)嵌入式NiosⅡ软核。用于实现系统难以直接硬件化的算法模块，包括FFT变换、BP神经网络分类器和文件系统。FFT变换主要实现信号的频域参数提取，BP神经网络分类器应用于心电图ST段分类识别，而文件系统可实现SD卡存储和读取等。

2 系统生物电识别算法实现

生物电识别技术作为生物识别技术的一类在智能医疗监护系统应用也越来越广泛。心电图的形态识别可作为有效的诊断参考，而表面肌电信号在可应用于动作识别和运动性肌肉疲劳定量检测研究。作为一种人体生命体征，心电图在临床医疗和健康监护医疗领域都得到了广泛的应用。不同形态的心电图可以反馈出人体心脏及其他健康信息，为医生进行健康诊断提供参考。而表面肌电信号因为无创检测特点，在实际的健康和运动监护中应用也越来越广泛。

2.1 基于小波分析的QRS波群检测实现

信号的奇异极值对应于对应于小波变换后的一对负极值点和正极值点的过零点。系统通过寻找ECG信号在不同的小波尺度上极大极小值对的过零点来确定特征峰的位置。对输入的ECG信号进行四级小波变换，得到四级的小波系数，存入相应的寄存器中，然后检测第四层小波系数的模极大值极值对的过零点。先确定R波峰的位置，然后再确定其他特征点如Q，S，T波的特征点的位置。R波在23尺度上有最大的小波变换幅度，而且高频噪声在这一尺度上有较大的衰减，低频分量和噪声也较弱，所以可以在23尺度上提取R波峰。确定R波的位置，然后寻找其最靠前和最靠后的模极大值点，这两个位置分别对应的是Q波和S波的位置。再用同样的方法在24尺度上找到R波的位置，以R波为中心寻找下一个模极大值点，即对应了T波的位置。

2.2 基于BP神经网络的ST段形态识别

ST段形态包含人体许多健康信息，不同的ST段形态反映出不同的心脏健康状态。ST段形态的难点在于形态的多样性和不确定性，难用数学函数表达式来精确描。BP神经网络在ST段形态分类问题具有线性分类方法较大优势。神经网络的训练在VC++6.0中完成，将训练得到的隐含层权矩阵和输出层权矩阵直接作为NiosⅡ软核神经网络分类器的训练结果，减少系统ST段的识别时间，也可以避免由于初始值不确定而陷入局部最小值的问题。为验证系统BP神经网络分类器的识别能力，选取了MIT-BIH心电数据库中具有代表性的ST段数据作为训练样本。对于待测试样本，系统首先进行水平，升高，降低这三种形态的识别，然后根据识别的结果分别进行水平抬升，弓背抬升，水平降低，上斜压低和下斜压低的识别。测试同一类型心电信号的六种ST段样本识别结果如表1所示，用MIT-BIH数据库验证识别率如表2所示。

表16 种不同ST段样本识别结果

表2 MIT-BIH心电数据ST段形态识别结果

系统的延时来自特征波峰检测的硬件延时和ST形态识别的软件延时。硬件延时又包括采样延时和信号处理延时两个方面。由于硬件处理部分FPGA内部使用纯硬件电路完成，其延时在微秒量级，使用Timer模块监测NiosⅡ软核中程序运行时间为0.5 s。考虑正常人的心拍间隔是0.6 s～1.0 s，系统基本满足实时性监护的要求。

2.3 表面肌电信号在动作识别和疲劳评估中的应用

为验证系统所采集表面肌电信号的正确性和实用性，后续完成的表面肌电信号分析处理主要包括以下两个方面:

(1)基于表面肌电信号完成静态手势动作识别。提取检测到屈臂、握拳、伸掌、屈腕和伸腕5类不同手势表面肌电信号的时频域以及小波域的特征值。通过构建二叉树SVM分类器，分别将时频域特征参数均方根有效值(RMS)、过零点数(ZC)和中值频率(MF)组合以及小波特征值近似系数a3的对数A3、细节系数d2的对数D2和细节系数d3对数D3组合为特征值做训练测试，对五类手势动作的平均识别分别为90.71%和97.48%，说明本系统所检测得到的表面肌电信号可以很好应用于动作模式识别。

图4 时频域参数和小波特征参数聚类图示

(2)基于表面肌电信号的运动性肌肉疲劳评估。Dedering通过时频域联合分析法来评估运动性肌肉疲劳状态，发现随着运动的不断进行，所引发的表面肌电信号的时域参数IEMG不断增大，而频域参数MF则随着肌肉疲劳的发生而减小［13］。通过对长达10 min近周期性轻负荷屈臂动作所产生表面肌电信号的时频域参数统计，时域特征参数IEMG和RMS持续增加，频域参数MPF和MF先增加在减小，符合运动性肌肉状态:先是肌力增加，然后逐渐出现肌肉疲劳，且随着运动的不断进行，疲劳加重。

图5IEMG、RMS、MPF和MF变化规律统计箱图

3 系统测试及信号采集实验

系统设计完成后制作了样机，并对系统进行调试、测试和实际的两种体表生物电信号检测实验。

3.1 系统的放大特性线性度和频率响应测试

在进行实际的体表生物电信号采集实验之前，对系统前置放大电路的放大特性线性度和通频带范围进行了测试。

(1)系统的放大特性线性度测试。通过带屏蔽措施的电阻分压网络，对固定频率100 Hz，峰峰值范围从100 μV～10 mV的分压小信号用于模拟生物电信号进行差分放大处理，测试结果如图6(a)所示，表明系统具有很好的线性度。

(2)系统的通频带特性测试。使用固定峰峰值2 mV，频率范围从0.1 Hz～750 Hz的小信号测试系统的频率响应，测试结果如图6(b)所示，横坐标采用对数坐标。实测得针对两种不同生物电信号选频滤波电路的通频带范围分别为:SEMG是7.5 Hz～500 Hz和ECG是1.0 Hz～300 Hz。表明系统的前置放大电路两通道可以分别很好地满足对表面肌电信号和心电信号的采集和预处理。

图6 前置放大电路性能测试曲线

3.2 实际生物电信号检测实验

系统调试完毕后，进行实际人体表面生物电信号采集实验。在采集心电的过程中采用标准导联I方式，将两采集电极接在右胸和左胸附近，右腿驱动电路接在右下腹附近;采集手势动作表面肌电信号的过程中，将两测量电极电极分别安放于小臂靠近肘关节的伸指总肌和尺侧腕伸肌的肌腹附近，参考电极安放于腕关节(肌腱)附近，这样可以很好地保证所采集到的表面肌电信号的质量和幅度。系统记录在SD卡中的局部屈臂动作表面肌电信号和心电信号的时域波形和频谱信息分别如图7(a)和图7(b)所示，和文献［14］中所得结果符合。明显两种信号的频谱主要集中在300 Hz以下且在50 Hz附近有较大的衰减，说明系统对工频抑制作用明显。

图7 心电信号和表面肌电信号波形及频谱

4 结论

已完成设计的工程样机可以很好地采集表面肌电信号和心电信号两种体表生物电信号，并能够输出信号的部分识别结果。系统中实现的小波变换算法可以很好实现心电信号QRS波群和T波的检测。而嵌入式软核NiosⅡ中的BP神经网络分类器可以实现六种ST段形态识别，并通过MIT-BIH数据库数据验证了算法实现的可行性，对数据库中不同信号的ST段的形态识别的正确率高达93%以上，且分析延时时间约为0.5 s，基本满足心电信号实时分析的要求。而提取表面肌电信号的时频域和小波域特征参数为后续的手势模式识别和运动性肌肉疲劳评估提供参考。

［1］贾延江，李振波，张大伟，等.低功耗无线心电图检测系统与QRS复波检测算法研究［J］.传感器与微系统，2013，32(7):32－38.

［2］高翔，郭猷敏，冯天天，等.基于WBAN的智能康复护理系统设计和实现［J］.传感技术学报，2012，25(10):1333－1339.

［3］张大伟，王海科，张斌.新型三导联无线ECG设计与其处理算法研究［J］.传感器与微系统，2013，32(5):35－37.

［4］罗志增，任晓亮.肌电信号的拾取和预处理［J］.传感技术学报，2004(2):220－223.

［5］韩晓新.表面肌电信号采集电路的设计［J］.计算机测量与控制，2011，19(7):1778－1780.

［6］Winter Bruce B，Webster John G.Driven Right Leg Circuit Design［J］.IEEE Transactions on Biomedical Engineering，1983，30(1): 62－66.

［7］王明，李在军，钟维，等.基于FPGA的多功能生物电信号检测系统［J］.电子技术应用，2013，39(6):34－39.

［8］颜良，陈儒军，刘石，等.基于UAF42通用滤波芯片的50 Hz陷波器设计［J］.仪器仪表学报，2006，27(8):927－927.

［9］石玉军，董安明，向根祥，等.基于FPGA和DAC的数字程控放大器和滤波器［J］.长春工业大学学报(自然科学版)，2008，29 (1):55－59.

［10］Huang Qijun，Chang Sheng，Peng Junqi，et al.An Implementation of SOPC-Based Neural Monitoring System［J］.IEEE Transactions on Instrumentation and Measurement，2012，61(9):2469－2475.

［11］Huang Qijun，Wang Yajuan，Chang Sheng.Design of High-Performance Discrete Wavelet Transform Based on FPGA［J］.Application of Electronic Technique，2009.35(10):1－4.

［12］Po-Ching Chen，Steven Lee，Cheng-Deng Kuo.Delineation of TWave in ECG by Wavelet Transform Using Multiscale Differential Operator［J］.IEEE Transactions on Biomedical Engineering，2006，53(7):1429－1433.

［13］Dedering A，Nemeth G，Correlation between Electromyographic Spectral Changes and Subjective Assessment of Lumbar Muscle Fatigue in Subjects without Pain from the Lower Back［J］.Clinical Biomechanics，1999，14(2):103－111.

［14］鲜星宇，王涛，林霖，等.便携式人体生物电传感器［J］.仪表技术与传感器，2012(3):6－8.

钟维(1989－)，男，湖南常德人，汉族，硕士研究生，主要研究方向为微弱体表生物电检测及FPGA应用系统开发，2012年获湖北省优秀本科毕业论文，zw_whu@whu.edu.cn;

黄启俊(1965－)，男，教授，博士生导师;电子科学与技术系副主任，主要研究方向为微电子系统设计、探测系统(仪器)研发;研究FFT、小波、图像降噪/增强算法、压缩/解压缩算法、编/解码算法在FPGA/ARM中的SOPC技术实现;研究传感器接收电路、放大电路、AD/DA电路、单片机电路、接口电路、信号(模型)处理等，huangqj@whu.edu.cn。

基于SOPC的复合式生理信号检测系统设计*

钟维1，黄启俊1*，常胜1，孙尽尧1，王豪2
(1.武汉大学物理科学与技术学院，武汉430072;2.武汉大学微电子与信息技术研究院，武汉430072)

设计完成了一种多生物电信号采集能力并能完成生物电信号模式识别和辅助诊断的复合式生物电信号检测系统。系统通过具备双通道的低噪声高共模抑制比的前置采集放大电路，可实现心电信号和表面肌电信号两种体表生物电信号的检测。通过FPGA硬件化实现的小波分解模块和在NiosⅡ软核中实现的FFT和BP神经网络算法，可以完成对采集到的心电信号心率监测、QRS波群的检测和ST段形态识别反馈监护者的健康信息;并通过提取表面肌电信号活跃段数据和时频域参数为运动性肌肉疲劳评估提供参考。系统通过LCD屏、音频输出和SD卡存储能够完成对信号实时波形和监护参数显示、报警输出和长时间监护数据的存储。

片上可编程系统;表面肌电信号;心电信号;小波分析;BP神经网络;ST段形态识别

TN776

A

1004－1699(2014)04－0446－06

2014－01－06修改日期:2014－03－31

C:7230J

10.3969/j.issn.1004－1699.2014.04.005

项目来源:湖北省自然科学基金项目(2011CDB272)