基于TGAM模块的穿戴式脑电实时采集监护系统*

王萍萍，张晴，刘燕，周玉福，邱本胜，戴亚康，郑以山

(1.中国科学技术大学 信息科学技术学院，合肥 230027；2.中国科学院苏州生物医学工程技术研究所；3.南京第二医院)

基于TGAM模块的穿戴式脑电实时采集监护系统*

王萍萍1,2，张晴1，刘燕2，周玉福1，邱本胜1，戴亚康2，郑以山3

(1.中国科学技术大学 信息科学技术学院，合肥 230027；2.中国科学院苏州生物医学工程技术研究所；3.南京第二医院)

设计了一种基于TGAM模块的穿戴式无线脑电采集监护系统。文章先后详细阐述了本系统的工作流程、硬件设计和软件设计，系统利用干电极采集脑电原始数据，TGAM模块和微处理器进行数据处理与分析，安卓APP进行数据的显示和日常监护，同时，当脑电异常时，预警模块及时报警，实现了全方位动态实时的脑电采集与监护。经验证，本系统实时性较强，便于携带。

TGAM；穿戴式系统；监护系统;脑电

引 言

脑电(EEG)具有大量丰富的大脑神经活动信息，它是人体中最重要的生物电信号之一，人体的EEG信号主要频段分布在0.05～100 Hz，信号微弱，大约为10～200 μV，根据信号频率的不同，大致可以分为以下几种波: δ波(1～4 Hz)、θ波(4～8 Hz)、α波(8～13 Hz)、β波(13～30 Hz)、γ波(>30 Hz)[1]。以脑电为基础的脑机接口(Brain Computer Interface, BCI)技术也广泛应用于多种健康领域，例如睡眠障碍、疲劳检测、运动障碍辅助等。近年来，BCI技术的研究已经成为热点并取得较大的进步，其中基于无创式的头皮脑电采集BCI更成为主流，具有广阔的应用前景[2]。

对于传统BCI脑电采集监护系统，虽然具有能够满足科研和医疗要求的精度，但普遍存在操作专业性强、使用繁琐、价格昂贵、体积大等缺点[3]。被试者通常需要涂抹大量导电膏及佩戴专用的电极帽，这样不利于实时连续的监测和日常使用，从而可能会遗失关键的脑电特征信号以辅助精准的纪录与诊断，也不便于用户日常跟踪监护和自我健康管理。基于上述原因，本文开发了一套实时的、无创的、可穿戴的脑电采集监护系统。它便于日常携带，体积小、操作简单、可以实现对脑电信号实时采集、传输、预警等功能，使脑电采集和监护不再局限于医院或者实验室，实现随时随地观测脑波数据，能广泛运用在健康、娱乐、教育、科研等领域。

1 系统整体结构

BCI技术在监护领域具有重要地位，嵌入式系统与无线通信技术的发展更推动了穿戴式BCI技术的发展。如图1所示，穿戴式脑电实时采集监护系统主要由干电极、TGAM模块、微处理器、蓝牙模块、移动外设、预警监护模块、电源模块组成。由Ag/Agcl覆盖的干电极用于信号采集，避免了传统湿电极佩戴的繁琐与不舒适感。采集到的模拟信号经过TGAM模块预处理(去噪、放大、A/D转化)，输出原始波数据和脑电特征值，微处理器对脑电特征进行综合处理，若达到设定的阈值，则触发预警监护模块对用户进行及时的预警，同时通过蓝牙4.0将信号传送给移动外设(PC、智能手机等)进行算法实现、历史纪录、存储、图形化显示等，也可传给云端进行云计算和云存储。

图1 系统整体框架

2 硬件设计

本系统实现目的在于穿戴式的脑电实时采集与监护，硬件设计应尽量满足以下几点：① 穿戴产品中系统应满足低功耗、体积小、重量轻的特性，同时应便于日常穿戴，舒适安全。② 脑电信号幅度极微弱，一般为10～200 μV，且容易受到眼电、肌电等外部噪声影响，这要求选择的脑电信号处理芯片能有效去除外部环境噪声，具有高阻抗、高共模抑制比特性。③ 尽量采用市场常见、性价比高的器件，降低成本，面向大众用户使用。

2.1 TGAM模块

Think Gear ASIC Module(TGAM)是NeuroSky公司开发的一款面向普通大众的应用级脑电采集和处理模块，广泛应用于各类BCI领域的研究中。该模块采用先进的干电极技术，可有效采集大脑中微弱的脑电信号，采样频率达512 Hz，3.3 V电压下最大功耗为15 mV。在信号采集过程中去除周围环境的噪声影响，再通过滤波、放大、A/D转换等信号处理技术得到清晰的数字化信号。其采用工业标准的串行UART接口，不仅能数字化输出原始数据，还能通过已获专利的eSenseTM算法对脑电信号分类后，输出δ、θ、α、β、γ等特定频率范围内的独立脑电波数据以及“关注度”、“放松度”指数[4]。该模块对脑电信号校准采用“慢速自适应”算法，对个体差异和信号波动趋势进行动态补偿，抗干扰能力强，因此在不同个体和采集环境的条件下依然能可靠准确地采集脑电数据。TGAM模块的典型连接电路如图2所示。

2.2 脑电信号采集

在本系统中，用于脑电信号采集的电极选用非侵入式干电极，在电极表面镀上Ag/Agcl增加电导率，在保证信号质量的同时，避免了传统湿电极需涂抹导电膏的繁琐，佩戴简单、舒适、安全。成人的脑电活动在前额较为明显，且此处毛发稀少便于电极安置，因此，参照国际通用的10～20电极放置法[5]，本系统将EEG采集电极放置于左前额处，参考电极放置于耳垂或者耳背，然后将EEG电极和参考电极的差分信号传送到TGAM芯片进行信号的处理。

此外，为了降低皮肤油脂带来的噪声影响，采集前可先在信号采集点涂抹适量酒精，同时为保证电极与皮肤接触良好，避免滑动，电极与皮肤的压力至少0.8 PSI(Pounds per square inch)。

2.3 脑电信号处理

干电极采集到的脑电信号首先传给TGAM模块，TGAM模块经过自身内部算法对信号预处理，每秒输出两类信号包:小包包括脑电原始数据Rawdata;大包则包括信号强度Signal、关注度Attention、放松度Meditation以及8个不同频段的能量值。然后，TGAM将预处理后的信号传给微处理器，微处理器解析两类信号包后，依据不同应用建立不同算法方程，当达到阈值时通知预警模块及时预警。由于脑电信号的大部分运算都由TGAM完成，主流的智能穿戴对MCU要求较低，够用即可[6]。在本系统中，MCU选用高性价比的STC12LE5A60S2，它是一款高速、低功耗、超强抗干扰型单片机，对于一般BCI应用，功能和性能均能满足。

2.4 脑电信号传输

此外，系列店内用品此次也进行了重新设计，南翔馒头六代传承的历史故事被完美融合到了枱垫、餐巾纸、筷子套、外卖食物盒、手提纸袋、菜牌封面等的设计中，将外型之美与历史底蕴呈现得淋漓尽致。值得一提的是，南翔馒头店内还打造了古朴典雅的文化墙，简洁易懂的文字将南翔馒头店的百年历程全然展现在食客面前。

系统选用超低功耗DX-BT05 4.0主从一体蓝牙模块与PC、智能手机等移动外设进行无线通信。其核心采用TI公司的CC2541芯片，配置256 KB，遵循V4.0 BLE蓝牙规范，支持AT指令和SPP蓝牙串口协议，在自动休眠模式下，待机电流仅为400 μA～1.5 mA，成本低，体积小、收发灵敏，特别适用于穿戴产品使用。

2.5 电源供给

在穿戴式系统中，电源的选择是其中一个重要考虑因素，需要综合考虑电源放电性能、体积大小、安全性等。本方案采用便携式产品常用的3.7 V聚合物锂电池供电，其具有充电能力强、高功率持续放电、寿命长、安全性能好、环保等特点。其充电电路如图3所示，保护电路采用成熟的充电管理芯片TP4056，外围电路简单，有效防止过冲、过放、过流。该电路输入+5 V外部电源，锂电池的正负极分别与TP4056芯片引脚5和GND连接，充电时红灯亮，充满时绿灯亮。其中PROG(引脚2)是充电电流检测端，TEMP(引脚1)为电池温度检测端，直接连接GND端，可取消温度检测功能。

图3 电源充电电路

3 软件设计

3.1 下位机流程设计

图4 下位机数据 采集与处理流程图

下位机的主要功能是脑电信号的特征参数提取、综合分析处理及硬件预警功能。考虑到下位机的运算能力和响应速度，简单的数据分析可直接完成，而复杂的数据分析则由上位机完成并判断是否达到阈值，从而反馈于下位机，及时预警。下位机数据采集与处理流程如图4所示。① 系统首先进入串口初始化InitUART()函数，其中串口中断方式采用双串口通信，波特率设为57 600 bps，定时器时钟设为1T、8位自动重装方式，串口1和串口2分别使用“定时器1”和“独立波特率发生器”作为波特率发生器。② 当串口收到数据触发中断处理UARTInterrupt()函数，先通过检验“头文件”Plength字节和“负载校验和”Checksum字节来判断接收到的数据流是否完整有效，然后解析脑电原始值和特征值，脑电原始数值由两个字节Value[0]和Value[1]组成，将Value[0]左移8位，再按位或Value[1]便能重建原始波值，即rawdata=(Value[0]<<8)|Value[1]，此值是一个从-32 768～32 767之间的16位带符号整数。解析的脑电特征值包括专注度Attention，放松度Meditation，δ、θ、α、β、γ等8组特定频率范围内脑电波功率谱值。③ 利用解析到的脑电数据应用到不同的场景做分析，例如司机的疲劳检测、睡眠检测、脑疾病监护等。当达到阈值时，触发LED和蜂鸣器等硬件及时预警，以实现脑电的实时采集与监护。

3.2 上位机流程设计

上位机主要完成用户登录、算法实现、历史记录、存储、图形化显示等移动端应用功能。以安卓APP开发为例，上位机脑电动态监护流程如图5所示。

图5 上位机脑电动态监护流程图

② 初始化并配置工程的环境，包括将ThinkGear.jar文件加入工程中、TGAM有关的类添加到活动中、声明蓝牙适配器等。

③ 判断手机蓝牙是否正常连接。当BluetoothAdapter !=null时，说明可以与蓝牙从机正常通信，TextView模块显示Connected；读取MSG_POOR_SIGNAL，判断脑电采集设备是否正确佩戴以及采集信号强度。当POOR_SIGNAL值等于0时说明信号良好。

④ 大数据分析模型与个体特征参数分析模型相结合，建立并优化动态补偿功能的自适应阈值算法方程。

⑤ 将原始信号和数据分析结果存储在本地或云端，图形化显示结果，便于用户理解和随时查看；若达到阈值，将分析结果反馈给MCU通知下位机预警，同时APP自动开启响铃和短信提醒实现移动端预警。上位机与下位机进行的实时无线通信保证了预警和监护过程信号的有效性与及时性。

4 实验与结果

本文对6名志愿者进行脑电数据采集，并组织了三组实验：Alpha波阻断、疲劳检测、睡眠监测。实验结果表明，本系统能正确采集并处理脑电信号，验证了本脑电实时采集监护系统的有效性和可靠性。

4.1 α波阻断

α波是人体主要的自发脑电波之一，比诱发脑电更容易检测，常见于全部头皮。α波具有独特的阻断现象，即正常人安静闭眼条件下，α波出现或增强；当睁开眼或接受其他外界刺激时，α波减弱或消失；当实验者再次闭眼时，α波重新增强[7]。

图6 睁眼条件下α波阻断

在智能家居、智慧医疗等各类BCI应用中，研究人员常利用α波阻断原理建立人脑与计算机之间的信息交流通道，具有广泛的应用前景。在本实验中，分别采集志愿者在闭眼和睁眼的条件下的α波数据，如图6所示，实验结果表明，当志愿者睁眼时的α波明显发生阻断现象，其值明显低于闭眼值。其中α波是无量纲的归一化值。

4.2 疲劳检测

对于疲劳检测，现今比较流行的客观检测方法有：计算机视觉、心电、脉搏、脑电等。其中，脑电信号直接反应疲劳程度，这种方法精确度高、时效性好，一直被誉为检测疲劳的“金标准”[8]。精确及时的疲劳检测在驾驶、高空作业等领域中有着重要的应用，例如在疲劳驾驶中，司机辨识能力和控制能力迅速下降，极其容易产生交通事故；再如在矿工中，疲劳作业也是煤矿事故产生的重要原因，穿戴式疲劳检测逐渐成为BCI的重要研究热点。

图7 关注值、放松值、眨眼信号

本实验分别在志愿者疲劳和清醒两种状态下采集脑电波，进而分析关注值、放松值的差异。关注值表示志愿者的“注意”和“集中”强烈程度，精神恍惚、注意力不集中时关注值降低。放松值表示志愿者的“放松”和“平静”程度，激动、紧张时，放松值降低。关注值和放松值的数值范围均为1～100，值越大表明此项水平越高，实验结果如图7(a)和7(b)所示，结果表明在疲劳状态下，志愿者的关注值会明显下降，同时，放松值明显上升，利用关注值和放松值的变化有助于及时检测使用者的疲劳状态。

另一方面，利用脑电和眼电幅度的明显差异，建立眨眼检测函数，可辅助检测疲劳状态。脑电是一种μV级的电信号，极其微弱，而眨眼产生的眼电是mV级，明显大于脑电。研究表明当疲劳困倦时，人的眼部行为(单位时间眨眼次数、闭眼持续时间、眨眼时间)会产生变化，关键技术是能否在采集到的原始信号中有效分离脑电与眼电信号。实验结果如图7(c)所示，虚黑框里标注为捕捉到眨眼信号，当信号值连续高于正常值时则判定为眨眼，计算30 s内眼部行为参数，从而建立眨眼检测函数blink ()。

4.3 睡眠监测

睡眠监测是人类脑科学研究的重要课题，对睡眠的研究有助于解决失眠问题，改善睡眠质量，同时睡眠阶段的数据也是诊断精神疾病的重要依据。脑电图是客观评价睡眠质量的经典方法，对睡眠的研究表明随着睡眠的加深，脑电信号的低频节律会(δ、θ波)会增加，而高频节律(α、β、γ波)减少[9]。某志愿者睡眠监测结果如图8(a)和8(b)所示，结果显示在10 min左右,该志愿者逐渐进入睡眠期，其δ波和θ波节律呈上升趋势，而高α波和β波节律呈下降趋势。分别对6名志愿者的觉醒期和睡眠期的低频和高频节律分析，结果如表1所列。

图8 睡眠期低频节律和高频节律变化

状 态δ+θ/%α+β/%γ/%觉醒期47．5439．9312．53睡眠期60．9932．516．50

结 语

[1] 戴逸翔，王雪，李宣平，等. 面向生物信息感知网络稀疏脑电测量的模糊粗糙情绪识别[J]. 仪器仪表学报，2014(8):1693-1699.

[2] 刘泓，何庆华，闫庆广，等. 基于EEG的脑-机接口实用化研究进展[J]. 生物医学工程学杂志，2010(3):702-706.

[3] 谢宏，李亚男，夏斌，等. 基于ADS1299的可穿戴式脑电信号采集系统前端设计[J]. 电子技术应用，2014, 40(3):86-89.

[4] 杜冠宏，李庆之，董正心. 基于TGAM模块的疲劳驾驶监测系统[J]. 新型工业化，2016，6(8).

[5] Jurcak V,Tsuzuki D,Dan I. 10/20, 10/10, and 10/5 systems revisited: their validity as relative head-surface-based positioning systems[J]. Neuroimage,2007,34(4):1600-1611.

[6] 刘思言. 可穿戴智能设备引领未来终端市场诸多关键技术仍待突破[J]. 世界电信，2013(12):38-42.

[7] 黄远桂，吴声伶．临床脑电图学[M]．北京:人民卫生出版社，1998．

[8] 程文冬，付锐，袁伟，等. 驾驶人疲劳监测预警技术研究与应用综述[J]. 中国安全科学学报，2013,23(1):155.

[9] 傅佳伟，石立臣，吕宝粮. 基于EEG的警觉度分析与估计研究综述[J]. 中国生物医学工程学报，2009，28(4):589-596.

王萍萍(研究生)，主要研究方向为嵌入式系统应用与人工智能。

Real-time Wearable EEG Acquisition and Monitoring System Based on TGAM Module

Wang Pingping1,2,Zhang Qing1,Liu Yan2,Zhou Yufu1,Qiu Bensheng1,Dai Yakang2,Zhen Yishan3

(1.School of Information Science and Technology,University of Science and Technology of China,Hefei 230027,China; 2.Suzhou Institute of Biomedical Engineering and Technology;3.The Second Hospital of Nanjing)

In the paper,a real-time wearable EEG acquisition and monitoring system is proposed,which is based on wireless transmission technology of TGAM.The work flow,the hardware and software of the system are described in detail.The original EEG data is collected by the dry electrodes.The TGAM and microprocessor realizes the data processing and analysis.The Android APP is responsible for the signal recording,displaying and monitoring. It is proves that this system has a strong real-time performance,it is easy to carry.

TGAM;wearable system;monitoring system；EEG

国家自然科学基金(项目编号：81371537,91432301,61501452)；江苏省重点研发计划(项目编号：BE2016613,BE2016010)。

TP27

A

�迪娜

2017-03-15)