Android tabanlı anestezi derinlik dedektörünün tasarımı ve uygulaması
Wang Qi, Xu Jun, Zheng Xun
(Bilgi Bilimi ve Teknolojisi Okulu, Çin Bilim ve Teknoloji Üniversitesi, Hefei, Anhui 230026)
Anestezi derinlik takibi ameliyathanelerde ve yoğun bakım ünitelerinde çok önemli bir rol oynar. Tıbbi personelin ameliyat veya yoğun bakım sırasında hastanın bilinç durumunu doğru bir şekilde değerlendirmesini kolaylaştırmak için, basit bir Android tabanlı anestezi derinlik algılama sistemi tasarlandı. Sistem temel olarak üç bölümden oluşur: ön uç tarafından toplanan EEG sinyalinin yükseltilmesi ve filtrelenmesi; toplanan sinyalin permütasyon entropi algoritması ile işlenmesi ve Android insan-makine arayüzü arayüzünün tasarlanması. Genel plan tasarımı tamamlandıktan sonra, tüm sistem test edildi ve test için MIT fizyolojik sinyal veri tabanının polisomnografi EEG verileri kullanıldı Deneysel sonuçlar, sistemin hastanın EEG bilinç durumunu yansıtabildiğini gösteriyor.
EEG sinyali; anestezi derinliği; permütasyon entropisi; Android
R318; TP399 belge tanımlama kodu: ADII: 10.19358 / j.issn.1674-7720.2016.23.022
Wang Qi, Xu Jun, Zheng Xun.Android J tabanlı anestezi derinlik dedektörünün tasarımı ve uygulaması. Mikrobilgisayar ve Uygulama, 2016,35 (23): 76-79,82.
0 Önsöz
Uygun anestezi derinliği, hasta güvenliğini sağlamak ve iyi cerrahi koşullar yaratmak için anahtar faktörlerden biridir [1]. Hastanın ağrısız bir ortamda ameliyat yapabilmesi için hastanın EEG bilinç durumunun etkin ve doğru bir şekilde nasıl tespit edileceği çeşitli klinik operasyonların temeli haline gelmiştir. Mevcut anestezi derinlik monitörü, temel olarak EEG Bispektral İndeksi (BIS) [2], Beyin Durumu İndeksi (CSI), İşitsel Uyarılmış Potansiyel (AEP), Entropi (Entropi) [3] ve diğer göstergeleri izleyerek hastanın performansını izler Bilinç durumu. Şu anda hastanelerde kullanılan ekipmanlar temelde yurt dışından ithal ediliyor, pahalı ve teknik olarak gizli ... Yerli ürünlerin doğruluk ve güvenilirlik açısından benzer yabancı ürünlerin standartlarını karşılaması her zaman zordur.
Bu makale, son görüntü indeksi olarak entropiyi alır ve yazılım ve donanımı üç kısımda birleştiren eksiksiz bir anestezi derinlik algılama sistemi seti tasarlar: ön uç devre tasarımı, algoritma işleme ve arayüz ekranı.
1 sistem yapısı
Tüm sistemin çalışma süreci şu şekildedir: Hastanın alnının orta, sol ve sol mastoid kısımlarına sırasıyla 3 adet ön uç elektrot takılır, bir zemin referans elektrot, diğer ikisi diferansiyel giriş olarak kullanılır. Diferansiyel giriş sinyali, 1 ~ 100 Hz bandında saptanabilir bir sinyal elde etmek için çok aşamalı olarak güçlendirilir ve filtrelenir ve daha sonra STM32 tek çipli mikrobilgisayarın AD'si tarafından toplanır.Veri, seri port veya Bluetooth aracılığıyla üst Android arayüzüne gönderilir ve permütasyon entropi algoritması tarafından işlenir. APP, mevcut EEG'yi, entropi trendini ve entropi değeri dönüşümünü gerçek zamanlı olarak görüntüler. Sistem yapısı Şekil 1'deki gibi gösterilmiştir.
2 tasarım ve uygulama
Tüm sistemin gerçekleştirilmesi, ön uç edinim modülü tasarımını ve arka uç veri işleme yazılım tasarımını içerir. Ön uç, toplama çekirdeği olarak STM32 tek yongalı mikro bilgisayarı kullanır ve arka uç, çekirdek olarak S5PV210 olan bir Android sistemidir.
2.1 Donanım tasarımı
2.1.1 Ön amplifikatör
Çünkü insan beyni elektrik sinyali, V düzeyinde çok zayıftır ve burada ilgilenilen frekans bandı 1-100 Hz'dir. İdeal bir EEG sinyali elde etmek için önce büyük miktarda gürültü girişiminin üstesinden gelinmesi gerekir, bu nedenle ön uç devresinin yüksek giriş empedansı, yüksek ortak mod reddetme oranı ve düşük gürültü paraziti özelliklerine sahip olması gerekir [4]. Bu makalede kullanılan enstrümantasyon amplifikatörünün yapısı Şekil 2'de gösterilmektedir.
2.1.2 Diğer amplifikatörler
Diğer iki aşamalı amplifikatörler, Şekil 3'te gösterildiği gibi, amplifikasyon faktörünü değiştirmek için bir tane daha kontrol terminali ile nispeten basittir.
2.1.3 Aşırı gerilim alarm devresi
İnsan vücudu iyi bir iletken olduğu için, rastgele olarak nispeten yüksek bir voltaj oluşturacak ve bu da daha sonra toplanan verilere müdahale edecektir. Bu nedenle sadece aşırı gerilimi önlemek için değil, zamanla aşırı gerilimi algılayan devrenin ayarlanması da gereklidir Devre Şekil 4'te gösterilmiştir.
2.1.4 AD edinim devresi
Bu makale, üç adet 12 bitlik ardışık yaklaşım ADC'ye sahip olan AD edinim yongası olarak STM32'yi kullanır, maksimum dönüşüm oranı 1 MHz'dir, Şekil 5'te gösterilen devrenin bir parçası olan örnekleme gereksinimlerini tam olarak karşılar [5].
2.2 Yazılım tasarımı
2.2.1 Algoritma tasarımı
Christoph Bandt ve arkadaşları, tek boyutlu zaman serilerinin karmaşıklığının performansını yansıtması açısından LyaPulloy indeksine benzeyen tek boyutlu zaman serisi-Permütasyon Entropisinin (PE) [6] karmaşıklığını ölçmek için bir indeks önermiş ve LyaPulloy indeksi ve fraktal boyut gibi karmaşıklık parametreleriyle karşılaştırıldığında, basit hesaplama ve güçlü anti-gürültü girişim özelliklerine sahiptir [7]. Temel süreç Şekil 6'da gösterilmektedir.
Algoritmanın temel prensibi aşağıdaki gibidir:
Bir veri dizisi, orijinal bir sinyalin ayrı ayrı alınmasıyla elde edilirse, eşit uzunluktaki alt sinyal bölümlerine bölünür. Herhangi bir alt sinyal segmentini {x (i), i = 1,2,3, ... N} olarak tanımlayın; burada N, verilerin uzunluğudur. Bu alt sinyal segmentinin permütasyon entropisini aşağıdaki yönteme göre hesaplayın:
(1) Sırayı m-boyutlu faz uzayında sırayla yeniden yapılandırın, burada m gömme boyutu ve L gecikme süresi:
(2) Yeniden yapılandırılmış sıradaki (formül (1)) öğeleri artan sırada düzenleyin:
Bunların arasında, iki eleman eşit olduğunda, yani x (i + (ji1 -1) L) = x (i + (ji2 -1) L) olduğunda, şunlar vardır:
Daha sonra x, j'nin boyutuna göre, yani ji1 olduğunda sıralanır. < Ji2 olduğunda, x (i + (ji1 -L)) x (i + (ji2-L)).
Bu nedenle, herhangi bir Xi vektörünün yeniden yapılandırılmasından sonra, bir dizi simge dizisi elde edilir:
(3) m-boyutlu faz uzayı için toplam m! Farklı düzenleme vardır, yani m! Farklı semboller vardır ve F (g) sadece bir düzenlemedir. Aynı düzenleme sırasına sahip tüm F (g) 'yi tek bir grupta gruplayın, Pk olasılığını elde etmek için N-m + 1 dizi gruplarını karşılaştırın, her dizi grubunun sayısı NUM1, NUM2, NUM3, ..., NUMk, Bunların arasında jm !.
(4) Permütasyon entropisini Shannon entropisi şeklinde hesaplayın:
Hp, zaman serilerinin rastgelelik derecesini yansıtır. Hp değeri ne kadar küçükse, zaman serisi o kadar düzenli olur, yani Hp ne kadar küçükse anestezi o kadar derin olur. Algoritmayı istatistiksel olarak anlamlı kılmak için, N boyutunun uygun olması gerekir, genellikle N 1000 ila 10000'dir; m 3 ila 15'tir. Simülasyonun hatayı olabildiğince azaltmasını sağlamak için histerez süresi L genellikle 1 veya 2'dir.
2.2.2 Algoritma JNI Tasarımı
Bu makaledeki algoritma Android platformu altında uygulanacağı için uygulama geliştirme Java'ya dayalıdır. Java dili, demontajdan sonra kaynak kod dosyasını elde etmek kolaydır.Temel parametrelerin çalınmamasını sağlamak için, önemli etkileşimli işlevler yerine C kodu kullanılabilir [8] ve C, Java'dan çok daha verimlidir.
Permütasyon entropisinin algoritması, temeldeki C koduna erişmek için JNI [9] işlevini çağırarak gerçekleştirilir. JNI işlevleri, arabirim işaretçileri aracılığıyla elde edilir. Arabirimin işaretçisi JNI işlevi işaretçi dizisine işaret eder ve işaretçi dizisindeki her öğe tanımlanmış bir arabirim işlevine işaret eder. Şekil 7, arayüz işaretçilerinin organizasyonunu göstermektedir.
Bu makalede özelleştirilmiş algoritma arayüz işlevleri aşağıdaki gibidir:
özel yerel çift permütasyonEntropyJNI (int data ], int lenth, int per_len);
Uygulanması:
JNIEXPORT jdouble JNICALL Java_com_wqeeg_MainActivity_permutationEntropyJNI (JNIEnv * env, jobject obj, jintArray intArray, jint lenth, jint per_len) {};
Spesifik uygulama süreci Şekil 8'de gösterilmektedir.
Son olarak, bir PermuationEntropyJni.so dosyası oluşturulur ve programın başında Sistem kullanılır. 1oadLibrary yöntemi, gerekli dinamik bağlantı kitaplığını yükler.
2.2.3 Ekran arayüz tasarımı
İyi bir insan-makine arayüzüne sahip olmak için, bu makale tasarım için Android grafik motoru AChartEngine'i kullanıyor. AChartEngine, çeşitli grafikler çizmek için kullanılabilen, özellikle Android sistemi için tasarlanmış bir grafik kütüphanesidir.
Bu makale iki çizelge ve bir sayısal görüntüleme penceresi tasarlayacaktır Grafik penceresi AChartEngine tarafından tasarlanmıştır ve sayısal değer TextView denetimi tarafından görüntülenir. Her grafik bir veri kümesine (Veri Kümesi) ve bir dizi oluşturucuya (Oluşturucu) ihtiyaç duyar. Yapı, Şekil 9'da gösterilmektedir.
AChartEngine ile ilgili sınıfların açıklaması aşağıdaki gibidir:
ChartFactory: Grafik oluşturma fabrika sınıfı, veri kümesini ve oluşturucuyu geçirin, GraphicalView veya GraphicalActivity oluşturun;
XYMultipleSeriesDataset: grafiğin gerektirdiği verileri paketleyin;
XYSeries: Grafik veri kümesinin bir bölümüne aittir, her biri bir veri kümesini temsil eder;
XYMultipleSeriesRenderer: grafikteki birden çok eğri için bir oluşturucu;
XYSeriesRenderer: Grafikte birden çok eğri veya histogram olabilir ve tüm oluşturucular bir dizi oluşturucu oluşturmak için bir araya getirilir.
Android'de TextView denetimini kullanmak nispeten basittir: İlk olarak, XML düzeninde, başlatma sırasında metin nesnesini elde etmek için text = (TextView) findView ById (R.id.income_data) kullanın; son olarak ihtiyacınız olanı görüntülemek için text.set Text ("" + f1) yöntemini kullanın Entropi değeri f1 (tabii ki, yasadışı değer tespiti, sabit ondalık sayıların tutulması vb. Gibi bazı işlemlerden geçmesi gerekir).
3 deneysel test
Bu yazıda önerilen anestezi derinliği tasarımının etkinliği, MATLAB simülasyonu ve gerçek veri testi mevcut sonuçlarla karşılaştırılarak doğrulanmıştır. Bunlar arasında sinüzoidal sinyal, rastgele sinyal ve uyku EEG sinyalinin üç sinyali MATLAB tarafından test edildi. Sinüzoidal sinyal, genliği 100 mV ve frekansı 100 Hz olan bir sinyaldir; rastgele sinyalin maksimum değeri de 100 mV'dir; gerçek uyku EEG verileri, bir gün boyunca deneğin EEG'sinin MIT-BIH fizyolojik sinyal veritabanını (MIT-BIH) kullanır. Veri. Spesifik deneysel sonuçlar Tablo 1'de gösterilmektedir.
EEG sinyali Şekil 10-11'de gösterilmektedir.
Deneysel sonuçlardan, bir sinüzoidal sinyal yüklendiğinde, entropi değerinin yaklaşık 1.37'de stabil olduğu, bu da EEG sinyali ne kadar düzenli olursa entropi değerinin o kadar küçük olduğunu gösterir. Rastgele bir sinyal yüklendiğinde, entropi değeri yaklaşık 4.75'te sabittir, bu da EEG sinyali ne kadar düzensizse, entropi değerinin o kadar büyük olduğunu gösterir. Şekil 10, 12: 00'den itibaren 24 saat içinde bir kişinin EEG sinyaliyle yüklenmiştir; bu, kişi uyanıkken entropi değerinin her zaman 4,6 civarında olduğunu ve kişi yavaş yavaş bir uyku durumuna girdiğinde, şekilde gösterildiği gibi entropi değerinin 4,6'dan önemli ölçüde daha düşük olduğunu gösterir. 11 gösterilmektedir.
Hastanın uyanma durumunu gerçek üründe net ve zamanında yansıtmak için, iyi bir insan-bilgisayar etkileşimi arayüzü tasarlamak gerekir. Bir EEG görüntüleme penceresi, bir entropi değişim eğilimi görüntüleme penceresi ve bir entropi görüntüleme penceresi içerir. Bu makalenin insan-bilgisayar etkileşimi arayüzü Şekil 12'de gösterilmektedir.
4. Sonuç
Uyanma ve uyku veya anestezi durumundaki bir kişinin EEG sinyalleri arasında net bir fark vardır.Bir kişi uyanık olduğunda, EEG sinyalleri daha aktiftir ve düzensiz görünür; kişi uyku veya anestezi durumundayken EEG sinyalleri daha fazla görünür Düzenli. Bu temel farka dayanarak, bu makale EEG sinyalini analiz etmek ve işlemek için permütasyon entropi algoritmasını kullanır ve EEG sinyalinin özelliklerini doğrulamak için üzerinde simülasyon deneyleri yapar ve ayrıca anestezi hastalarını izlemek için permütasyon entropi algoritmasının kullanılmasının mümkün olduğunu gösterir. .
Hastanın anestezi durumunu daha iyi izlemek için bu makale, algoritma parametrelerinin uyarlanabilir seçimi gibi daha fazla araştırma yapacaktır.Farklı aşamalardaki EEG verileri nedeniyle, parametre seçiminin nihai sonuç üzerinde belirli bir etkisi vardır; ikinci olarak, nispeten yüksek sinyal nedeniyle Doğrudan sıralama entropisini kullanan büyük rastgelelik ve gürültü paraziti, algılama etkisini etkileyebilir. Gelecekte, parametreleri belirlemek için genetik algoritma gibi optimizasyon algoritmaları kullanılabilir ve anormal sinyallerin girişimini ortadan kaldırmak için dalgacık gürültüsü azaltma, sinir ağı vb.
Referanslar
1 MYLES P S. Anestezi sırasında farkındalığın önlenmesi J. Best Practical and Research Clinical Anesthesiology, 2007, 21 (3): 345-355.
[2] Shen Minfen, Shen Fenglin, Xu Chongtao, vb. Farklı eyaletlerdeki EEG sinyallerinin bispektrum analizi J. Chinese Journal of Biophysics, 1998, 14 (1): 51-56.
3 Liang Zhenhu. EEG entropi algoritması ve anestezi durum izleme uygulama araştırması D. Qinhuangdao: Yanshan Üniversitesi, 2012.
4 Chen Dan, Wen Yuqiao, Tan Xi, ve diğerleri. Sıralama entropi algoritmasına dayalı anestezi derinlik algılama sistemi tasarımı J. Elektronik Cihazlar, 2015 (2): 429-435.
[5] Zhong Wenhua, ARM tabanlı EEG sinyal toplama sistemi J Elektronik Tasarım Mühendisliği, 2008 (2): 13-15.
6 BANDT C, POMPE B. Örnek entropi: zaman serileri için doğal bir karmaşıklık ölçüsü measure J. Phys. Rev. Lett., 2002,17 (88): 21-24.
7 PINCUS S M, SINGER B H. Rasgelelik ve düzensizlik derecesi J. Ulusal Bilimler Akademisi Bildirileri, 1996,93 (5): 2083-2088.
[8] Li Ning. Android Derin Keşif (HAL ve Sürücü Geliştirme) [M] Pekin: Halk Mesajları ve Telekomünikasyon Basını, 2013.
[9] Ren Junwei, Lin Dongdai. Platformlar arası geliştirme sağlamak için JNI teknolojisi üzerine araştırma J. Bilgisayar Uygulama Araştırması, 2005, 22 (7): 180-184.
