文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.166939
中文引用格式： 王皓，陳少勇，王佳權(quán)，等. 非接觸式睡眠狀態(tài)識別算法硬件化實現(xiàn)[J].電子技術(shù)應(yīng)用，2017，43(8)：62-65.
英文引用格式： Wang Hao，Chen Shaoyong，Wang Jiaquan，et al. Hardware implementation of unobtrusive sleep state discrimination algorithm[J].Application of Electronic Technique，2017，43(8)：62-65.
0 引言
隨著社會的急速發(fā)展，睡眠質(zhì)量問題正在困擾著各個年齡層次的人群。近年來中年人群頻繁出現(xiàn)睡眠呼吸暫停綜合征患者，這是一種睡眠時呼吸停止的睡眠障礙。最常見的原因是上呼吸道阻塞，經(jīng)常以大聲打鼾、身體抽動或手臂甩動結(jié)束。睡眠呼吸暫停伴有睡眠缺陷、白天打盹、疲勞，以及心動過緩或心律失常和腦電圖覺醒狀態(tài)。
現(xiàn)有的生物醫(yī)療儀器對該癥狀的判斷基本采用接觸式檢測技術(shù)，其主要特點是通過電極組成的多導(dǎo)聯(lián)方式，從而達(dá)到檢測生理信號的目的，如臨床上的速度式呼吸測量法、容積式呼吸測量法、光電式脈搏心率測量法等。這些方法有三大缺點，一是對人體有一定的約束，被測人員不能隨意進(jìn)行肢體動作；二是這類監(jiān)測方法主要依靠附著在人體上的接觸式心電電極來獲取信號，對人體皮膚直接接觸，不利于長時間測量；三是軟件處理的時間長，且無法提供快速準(zhǔn)確的測量。由于其對監(jiān)測對象的條件約束，也限制了其應(yīng)用的范圍。
對睡眠質(zhì)量進(jìn)行監(jiān)測，非接觸式設(shè)計顯得必要。本文采用非接觸式檢測，秉承算法硬件化設(shè)計思路，通過主要成分分析提取BCG信號的特征值；流水線設(shè)計加快體動合成指數(shù)的計算，搭配靈活的嵌入式Nios軟核識別睡眠時人的靜息狀態(tài)，全面主動檢測心臟沖擊信號；軟硬協(xié)同的SoC設(shè)計減少了系統(tǒng)的面積，縮短了睡眠模式識別的時間，準(zhǔn)確率可達(dá)97%。
1 非接觸式睡眠識別算法
1.1 算法和設(shè)計流程
從PVDF中采集過來的信號包含多維度的生理信息，包括心率、呼吸、BCG和體動信號等。當(dāng)呼吸暫停事件發(fā)生時，有效的信號量與其他因素混雜在一起。為了區(qū)別呼吸暫停、正常呼吸和肢體律動，采用主要成分提取模塊對特征信號進(jìn)行有效分離。基于標(biāo)準(zhǔn)差值的方法合成有效信號的體動指數(shù)，最后睡眠判斷模塊對指數(shù)的閾值判別，識別出此時病人所在模式。算法設(shè)計如圖1所示。
信號處理流程主要基于4個步驟：提取PVDF采集的BCG信號、主要成分分析和數(shù)據(jù)分段、體動指數(shù)合成、睡眠模式判斷。整個算法以60 s為一個周期，R_PVDF為原始ADC采集到的PVDF信號，RESP為經(jīng)過30 Hz數(shù)字低通濾波（37階，IIR巴特沃斯）之后的PVDF信號，主要成分分析模塊對兩種信號處理，同時減少數(shù)據(jù)維度、提取最大特征值，接著計算出體動合成指數(shù)σ和自適應(yīng)閾值，最后判斷出患者的睡眠狀態(tài)。
1.2 BCG信號獲取
邏輯控制模塊如圖2，為了快速獲取ADC內(nèi)的睡眠數(shù)據(jù)，clk引腳連接c3時鐘信號50 MHz，作為模塊內(nèi)部時鐘。該模塊采用有限狀態(tài)機(jī)模式設(shè)計，用純Verilog代碼編寫，在always語句的引導(dǎo)下循環(huán)46個時鐘周期，最終AD_DATA引腳端以940 ns的周期吐出12位BCG信號數(shù)據(jù)。
1.3 體動合成指數(shù)和自適應(yīng)閾值
經(jīng)過主成分分析和10 s數(shù)據(jù)分段之后，PC1R_PVDF和PC1RESP被劃分為6個10 s周期信號。在自適應(yīng)閾值判決前，每段來自PC1RESP的10 s數(shù)據(jù)集會通過標(biāo)準(zhǔn)差公式進(jìn)行計算，得出體動合成指數(shù)σ。體動合成指數(shù)公式如下：
實驗表明，正常人在靜息睡眠階段也會產(chǎn)生很多肢體動作信號，為了減小對呼吸暫停綜合癥的識別不足，采用自適應(yīng)閾值的方式計算周期信號的平均值。采用這個方法，每段60 s數(shù)據(jù)集都能獲得一個自適應(yīng)的閾值，從而使得誤判率極大減小，自適應(yīng)閾值計算公式如下：
1.4 睡眠模式判斷
利用參數(shù)σi和σj就能判定PVDF傳感帶上的人目前所在的狀態(tài)，根據(jù)優(yōu)先級排序的判斷條件如下(最大電壓輸出為5 V)：
條件1：σi>40%×最大電壓輸出(肢體律動)
條件2：σj>70%×最大電壓輸出(正常呼吸)
條件3：10%×σv<σj<70%×最大電壓輸出(呼吸暫停)
條件4：σj<10%×σv(離開)
2 算法硬件化實現(xiàn)
2.1 系統(tǒng)框架與設(shè)計流程
系統(tǒng)的整體設(shè)計如圖3所示。本系統(tǒng)總體分為兩大部分，一是前端模擬信號采集電路，二是后端數(shù)字邏輯控制及算法硬件化。前端部分包括PVDF傳感帶、前置放大、低通濾波、ADC采樣，后端部分均采用純Verilog進(jìn)行硬件化設(shè)計，其中包括邏輯控制、數(shù)據(jù)存儲、算法硬件化，通過FPGA內(nèi)嵌的NiosII處理器搭建軟件系統(tǒng)，控制液晶顯示。外部50 MHz晶振為整個系統(tǒng)提供全局時鐘樹。
整個系統(tǒng)的設(shè)計流程為：首先用Altium Designer完成硬件系統(tǒng)的電路設(shè)計、芯片布局，然后使用Verilog HDL在Quartus平臺上完成邏輯控制、算法的硬件化設(shè)計、訓(xùn)練、仿真和綜合，在SOPC Builder平臺上完成CPU軟核定制，使用ModelSim和SignalTap進(jìn)行算法驗證，最后通過USB-Blaster下載到FPGA電路板。
2.2 前端模擬信號采集電路
生理信號的采集選用PVDF超薄壓電傳感帶，放置在睡墊下垂直靠近人體心臟的位置。由于人體本征信號屬于超低頻信號，使用者在以自然睡眠的姿勢躺在上面后，所傳遞出來的是極其微弱的電荷信號，通常電壓強(qiáng)度在0~20 mV之間。因此需要對生理信號進(jìn)行放大和濾波。
前端信號處理電路采用LMV602低噪聲運(yùn)算放大器，組成電荷放大電路，實驗證明在調(diào)配R1、C1的值時增益為200可取得最佳信噪比。此電路采用單電源供電，并且5 V電壓通過電阻分壓，輸入在放大器同相端，對生理信號產(chǎn)生2.5 V的抬壓效果，省去后級單獨(dú)設(shè)計抬壓電路的冗余問題。此電路簡潔、完善，能將信號放大到適合ADC轉(zhuǎn)換的電壓，具體硬件電路圖如圖4所示。
為了去除混疊在有效生理信號中的50 Hz工頻干擾，第二級采用低通濾波電路。3 dB截止頻率為：
該電路不僅可以放大0.1 Hz~10 Hz的信號，還能大大降低50 Hz工頻干擾。濾波輸出后的信號幅度為0~2.5 Vpp，因此AD芯片采用12 bit高精度ADS7818，該芯片內(nèi)置2.5 V參考電壓，外部在1腳接上震蕩電容，使AD開始工作。ADS7818輸入電壓量程為0~5 V，通過2.5 V抬壓后，滿足AD采樣的量程范圍。
2.3 硬件加速設(shè)計
算法的硬件化過程采用流水線設(shè)計，首先定義了20個12 bit寄存器用來保存被分段后的10 s PVDF數(shù)據(jù)，然后數(shù)據(jù)在時鐘c2作用下傳輸?shù)?0個LPM_MULT乘法器進(jìn)行平方根運(yùn)算，再后一級是2個20輸入的PARALLEL_ADD加法器，最后調(diào)用了FPGA內(nèi)嵌的IP核ALTSQRT進(jìn)行開方，最終算出結(jié)果即為體動合成指數(shù)σ。
流水線式的設(shè)計實際是將串行操作轉(zhuǎn)化為并行操作，將算法中的組合邏輯延時路徑系統(tǒng)地分割，并在各個部分之間插入寄存器暫存中間數(shù)據(jù)，縮短了一個時鐘周期內(nèi)信號通過組合邏輯電路延時路徑長度，使得單位時間內(nèi)處理的數(shù)據(jù)量變大，即電路的吞吐量變大，從而提升算法的速度。
設(shè)計語言采用硬件描述語言Verilog HDL，整個設(shè)計流程在Altera公司的Quaruts、Eclipse平臺下完成，最后通過USB-Blaster下載到電路板。
2.4 嵌入式軟核協(xié)同處理
借助于Altera可重構(gòu)SoC技術(shù)和FPGA的硬件可編程本身特性，本算法定制了嵌入式軟核Nios II，通過SOPC Builder配置處理器、JATG接口、ROM和普通PIO口，在時鐘接口的作用下，算法數(shù)據(jù)被送至Nios II處理器進(jìn)行最終判斷，同時Nios II軟核通過Avalon總線同內(nèi)部的ROM、外部的SDRAM、Flash等器件進(jìn)行數(shù)據(jù)交換，系統(tǒng)定制如圖5。
為了方便板級調(diào)試，本設(shè)計定制了JTAG接口。通過PC端的Nios II IDE（集成開發(fā)環(huán)境）即可以對嵌入式處理器進(jìn)行軟件開發(fā)，包括編輯、編譯和調(diào)試程序。與傳統(tǒng)嵌入式開發(fā)過程相比，JTAG接口兼容了SignalTap Logic Analyzer軟件，能有效地捕獲和顯示實時芯片內(nèi)部信號，深度分析睡眠算法。
Nios II是Altera推出的32位RISC嵌入式處理器，是SoC系統(tǒng)中最為核心的一個IP核。其優(yōu)勢是享有32位指令集體系，與二進(jìn)制代碼100%兼容，性能超過200DMIPS。
3 驗證和評價
為了全方位評估算法，用Altium Designer設(shè)計系統(tǒng)電路原理圖并繪制PCB版圖，使用沉金工藝制作PCB硬件電路板，F(xiàn)PGA芯片采用CycloneIV EP4CE15F17C8， 將硬件系統(tǒng)通過USB-Blaster下載到電路板后，其資源占用情況如表1所示。
根據(jù)綜合后的結(jié)果，可以得出的結(jié)論是：該算法適用于大部分FPGA芯片，在硬軟核搭配使用的情況下，資源占用率不高，為今后睡眠識別技術(shù)發(fā)展提供了良好的開發(fā)性和擴(kuò)展性。
此外，在SingalTapII Logic Analyzer邏輯分析平臺上，采用相同的數(shù)據(jù)集對硬件和軟件實現(xiàn)進(jìn)行評估，結(jié)果如表2所示。
據(jù)觀察，識別率上硬件算法會略低于軟件算法，其原因是設(shè)計中采用的LPM_MULT、ALTSQRT等IP模塊對浮點計算存在“四舍五入”的情況，因此會造成除法、開方等運(yùn)算結(jié)果出現(xiàn)略微偏差，但該誤差屬于可接受范圍內(nèi)；在識別時間上，硬件算法在50 MHz時鐘頻率下僅需19.72 ms就能完成識別，相比軟件的4.9 s，速度提升了約25萬倍。
根據(jù)實測數(shù)據(jù)在ModelSim-Altera聯(lián)合仿真平臺的仿真結(jié)果如圖6，經(jīng)過算法的提取、處理，PVDF睡眠生理信號最終被分類為Normal Breath（正常呼吸）、Apneic Event（呼吸暫停）、Body Movement（肢體律動）。
4 結(jié)論
本文提出一種非接觸式睡眠模式識別算法，利用PVDF非接觸式傳感帶構(gòu)建硬件系統(tǒng)對多維度生理信號進(jìn)行實時采集和處理，通過ModelSim、SignalTap平臺仿真驗證，該算法在較短的識別時間內(nèi)有著97%以上的識別準(zhǔn)確率。本設(shè)計突破了傳統(tǒng)穿戴式醫(yī)療儀器的復(fù)雜穿戴性，具有體積小、實時性強(qiáng)的特點，并為預(yù)防、診斷呼吸暫停綜合癥提供參考依據(jù)，非常適合用在醫(yī)療嵌入式應(yīng)用方面。
參考文獻(xiàn)
[1] 丁鑫，金雷，劉諾，等．基于織物電極的非接觸便攜式睡眠心電監(jiān)測系統(tǒng)設(shè)計[J]．北京生物醫(yī)學(xué)工程，2012，31(3)：293-296．
[2] 王琛磊．基于DSP的睡眠監(jiān)測系統(tǒng)設(shè)計與實現(xiàn)[D]．廣州：華南理工大學(xué)，2013.
[3] Paalasmaa Joonas，Waris Mikko，Toivonen Hannu，et al.Unobtrusive online monitoring of sleep at home[C].34th Annual International Conference of the IEEE EMBS，2012：3784-3788.
[4] Song Changyue，Liu Kaibo，Zhang Xi，et al.An obstructive sleep apnea detection approach using a discriminative hidden markov model from ECG signals[J].IEEE Transactions on Biomedical Engineering，2016，7(7)：1532-1542.
[5] MORA G G，KORTELAINEN J M，HERN?魣NDEZ E R P，et al.Evaluation of pressure bed sensor for automatic SAHS screening[J].IEEE Transactions on Instrumentation and Measurement，2015，7(7)：1935-1943.
[6] GUERRERO G，KORTELAINEN J M，PALACIOS E，et al.Detection of sleep-disordered breathing with pressure bed sensor[C].35th Annual International Conference of the IEEE EMBS，2013：1342-1345.
[7] Carolina Varon，Alexander Caicedo，Dries Testelmans，et al.A novel algorithm for the automatic detection of sleep apnea from single-lead ECG[J].IEEE Transactions on Biomedical Engineering，2015，9(9)：2269-2278.
作者信息：
王 皓，陳少勇，王佳權(quán)，黃啟俊
（武漢大學(xué) 物理科學(xué)與技術(shù)學(xué)院，湖北 武漢430072）