文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.180064
中文引用格式： 張夢新，廖遠，劉文涵，等. 基于SOPC的多導聯ECG實時監測系統[J].電子技術應用，2018，44(8)：56-59.
英文引用格式： Zhang Mengxin，Liao Yuan，Liu Wenhan，et al. Multi-lead real-time ECG monitoring system based on SOPC[J]. Application of Electronic Technique，2018，44(8)：56-59.
0 引言
目前，心血管疾病的發病率迅速上升，已經成為威脅人類身體健康的主要因素之一。常規的心電監護儀需要患者在有限時間內，到固定的醫療場所進行監護診斷，無法滿足患者長期實時監護的需求，因此家用心電監護儀在人們的生活中發揮著越來越重要的作用[1]。現今，絕大多數的家用心電監護儀或是通過采集電路，將心電數據經互聯網發送到醫院監護中心進行遠程監護[2-3]，或是實現多體征參數的監護，計算心率，畫出波形等[4]。這些都沒有對復雜的心血管疾病進行實時分析診斷。因此本文提出了一種針對家用的、可對心血管疾病實時分析診斷的心電監測系統。
本文使用內嵌了ARM Cortex A9雙核處理器的FPGA，其運算處理能力強，可實時分析處理心電數據。通過軟硬件協同設計，在ARM上實現了難以硬件化的QRS檢測算法，心率變異性分析和基于卷積神經網絡的心梗檢測算法；在FPGA中實現FIR濾波器和LMS自適應陷波及數據緩存，減輕ARM處理負擔，提高數據處理效率。
1 系統設計
基于SOPC的多導聯ECG監測系統框架如圖1所示，系統包括心電信號采集前端和心電數據處理后端兩部分，兩者之間通過ZigBee進行數據傳輸與控制。
2 系統各模塊原理及設計
2.1 心電信號采集前端
為了達到心電信號采集前端便攜化的目的，使用了TI公司推出的專門針對ECG信號采集的ADS1298芯片。ADS1298內部集成了8通道24位帶符號的模數轉換模塊，分別用來測量I、Ⅱ導聯及V1～V6的6個胸導聯信號[5]。根據這8個導聯的信號經過一定的運算處理可得到十二導聯心電信號[6]。其采樣頻率可在250 S/s～32 kS/s之間。
系統通過AgCl電極片拾取心電信號，ADS1298每完成一次采樣轉換，STM32控制ZigBee模塊將所用到的導聯的心電數據發送到心電數據處理后端。其軟件控制流程如圖2所示。
2.2 無線傳輸模塊
本系統使用UART接口的ZigBee模塊。雖然ZigBee傳輸距離較短，速率慢，但由于系統AD采樣速率較低，并且針對家用，傳輸距離限于幾十米范圍，再加上ZigBee功耗低，因此ZigBee滿足設計要求[7]。首先系統上電后要檢測前端與后端是否建立連接。圖3所示為判斷是否建立連接流程。
2.3 心電數據處理后端
心電數據處理后端的主要任務是通過FPGA與ARM完成對心電數據的預處理與算法處理。
FPGA中設計結構如圖4所示。用多路并行處理的方式處理心電數據，且每一路的設計遵從流水線的設計思路，提高系統處理速度，實現實時處理。
2.3.1 UART模塊
為靈活接收ZigBee的數據并將數據傳送到后端處理，本系統在FPGA中用Verilog采用有限狀態機的方式實現了UART接口。
2.3.2 數據格式轉換模塊
由于FIR濾波與LMS自適應濾波均為浮點數運算，因此該模塊的主要功能是將心電采集前端發送的24位整型數據轉換成對應的32位浮點型數據。其結構如圖5所示。
2.3.3 FIR濾波模塊
從心電采集前端發送的心電數據中有由呼吸引起的基線漂移，其頻率在0.5 Hz左右[8]，因此設計了截止頻率為0.5 Hz的FIR高通濾波器。經測試，1 000階濾波器效果較好。
FIR濾波器本質上是卷積運算，僅涉及移位、相乘、累加運算。在MATLAB中設計得到的濾波器系數均為浮點數，因此采用Altera自帶的浮點乘法器與浮點加法器IP核。考慮到濾波器的階數為1 000階，因此采用串行結構且只用一個浮點乘法器與浮點加法器。經計算，完成移位、1 001次乘法、1 000次加法需占用9 000個時鐘周期左右。而系統時鐘為50 MHz，可得該模塊吞吐率可達160 kb/s。心電信號的采樣率為250 Hz，所以該FIR濾波器可實時處理心電數據。圖6所示為FIR濾波器的具體結構。該模塊對FPGA資源占用率為2%。
2.3.4 LMS自適應濾波器
前端心電采集系統發送的心電數據中有較嚴重的50 Hz工頻干擾，所以設計了基于LMS算法的自適應陷波器[9]，抑制輸入信號中的工頻干擾。
基于LMS算法的自適應陷波器結構如圖7所示。其中X(t)是含有干擾信號的輸入信號，干擾信號頻率為ω，由于干擾信號的幅值與相位未知，因此提供兩個相互正交的單頻信號sin(ωt)與cos(ωt)，通過調整權值來合成與干擾信號相同的信號，將輸入信號與合成的干擾信號作差就可得到有用信號。
LMS自適應陷波器所涉及的運算僅為乘法和加法，且都為浮點運算，為節省FPGA資源，使用一個浮點乘法器和加法器。經計算，按照此種方法，該模塊的吞吐率可達16 Mb/s，可實時處理心電數據。該模塊對所用FPGA資源占用率為2%。
2.3.5 基于自定義IP核的數據緩存模塊
為提高ARM的處理效率，以自定義IP核形式設計了數據緩存模塊將心電數據存儲到片外的SDRAM中，之后由ARM讀取SDRAM中的數據作算法處理。本系統ARM與FPGA之間通過AXI總線進行數據交換。
數據緩存模塊的實現是基于Altera的Qsys硬件平臺。在Qsys中添加SDRAM Controller，通過FPGA和ARM分別對SDRAM Controller的控制，來完成對片外SDRAM的讀寫。SDRAM Controller是基于Avalon總線實現的Avalon從端口。因此在FPGA中實現對SDRAM Controller的控制是通過遵循Avalon總線傳輸協議編寫一個Avalon主端口。然后將該Avalon主端口模塊例化為自定義IP核添加到Qsys中，便可實現在FPGA中對SDRAM Controller的控制。ARM則通過AXI總線完成控制。
2.3.6 ARM處理平臺
嵌入式ARM硬核為雙核，且主頻可達925 MHz，運算能力強，可實時處理心電數據。在ARM上構建了Linux操作系統，編程方式采用多任務編程，通過創建多個進程分別完成心電數據的讀取，實現難以硬件化的心電檢測算法，控制各模塊之間協調工作，將心電數據以txt文件格式存儲到SD卡當中，以及在LCD屏上顯示心電波形和診斷結果。各進程之間通過共享內存的方式實現數據交互。圖8所示為軟件設計流程。
3 驗證和評價
3.1 占用資源情況
系統總導聯數為5導聯，采樣率為250 Hz。在友晶DE1-SoC開發板上運行，FPGA總資源占用情況如表1所示，占用資源在系統限度內。
3.2 ECG信號提取測試
圖9(a)是心電前端采集系統采集的原始心電信號波形，有明顯的基線漂移和較大的工頻干擾。圖9(b)為從系統SD卡中得到的經過FPGA濾波處理的心電圖，可看到基線漂移被明顯濾除，且50 Hz工頻得到有效抑制。
3.3 系統測試
被測者身心狀況良好。圖10為液晶屏的顯示，可實時顯示心電波形及診斷結果。圖中下方左邊Heart Rate顯示心率為69，正常；下方中間status顯示正常心電信號(Norm)或是有心肌梗死前兆，圖中顯示的為Norm即正常心電信號；SDNN和NN50顯示心率變異性結果，其中SDNN為0.133在正常范圍（0.141±0.039 s）內，NN50顯示30 s內相鄰心跳間期的差值超過50 ms的心跳個數，為11個。
3.4 心電算法的實現
本系統實現了課題組前期QRS檢測算法[10]，通過計算RR間期，可計算心率值。在此基礎上本文進行了額外的心率變異性分析，從而輔助心血管疾病的預防。包含兩個方面：(1)SDNN：全部心跳間期的的標準差，正常情況下該值一般在0.141±0.039 s的范圍內[11]。(2)NN50：心電信號中所有每對相鄰心跳間期的差值超過50 ms的心跳個數，數值越大表明心率變異性也越大[12]。
本系統也實現了課題組前期的基于V2、V3、V5、aVL導聯和卷積神經網絡的心梗檢測算法[13]，該算法可達到總體96%的準確率。通過將在PC上離線訓練好的卷積神經網絡移植到SOPC平臺，實現對心梗疾病的診斷。
4 結論
本文提出了一種基于SOPC的多導聯ECG實時監測系統，可以實現對心電信號的采集和無線傳輸，并在SOPC平臺上進行實時數字濾波、算法分析診斷以及診斷結果和心電波形的顯示。實驗表明，本系統可以很好地采集人體心電信號，經處理后可得到良好的心電波形，并借助ARM處理器對心電數據實時算法分析，實現心電疾病的診斷。
參考文獻
[1] 丁慎平，王應海，吳衛榮，等.便攜式心電監護儀設計進展[J].生物醫學工程學雜志，2014(3)：708-713.
[2] 姜倩，唐鴻儒.基于物聯網的家用心電監護儀[J].自動化與儀器儀表，2013(3)：100-101.
[3] 姬金虎，夏文文，張陶，等.互聯網+穿戴式心電監護設備的研發[J].中國數字醫學，2017，12(2)：78-79.
[4] 戴明，王琪，吳萬慶，等.一種便攜式多體征參數監護系統的設計及實現[J].電子技術應用，2015，41(2)：78-81.
[5] TI.ADS1298Datasheet[EB/OL].(2011-08-xx).http：//focus.ti.com.cn/lit/ds/symlink/ads1298.pdf.
[6] 李陽青.基于ADS1298芯片的12導心電圖儀的設計[J].醫療裝備，2016，29(18)：34-35.
[7] 張晶晶，王亮，雷明.基于ZigBee技術的家庭遠程心電監護系統[J].智能建筑，2010(2)：38-39.
[8] 郭巧惠，楊永明，韋建敏，等.心電信號處理濾波器的設計[J].自動化技術與應用，2006，25(3)：60-62.
[9] 杜勇.數字濾波器的MATLAB與FPGA實現[M].北京：電子工業出版社，2015.
[10] 李在軍，王明，鐘維，等.基于SOPC的心電信號QRS波和ST段檢測與識別[J].武漢大學學報(理學版)，2014，60(2)：122-128.
[11] 邱天爽.統計信號處理：醫學信號分析與處理[M].北京：科學出版社，2012.
[12] 劉曉芳，葉志前.心率變異性的分析方法和應用[J].國際生物醫學工程雜志，2001，24(1)：42-45.
[13] LIU W，ZHANG M，ZHANG Y，et al.Real-time multilead convolutional neural network for myocardial infarction detection[J].IEEE Journal of Boimedical & Health Informatics，2017，PP(99)：1.
作者信息:
張夢新，廖 遠，劉文涵，黃啟俊
(武漢大學 物理科學與技術學院，湖北 武漢430072)