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聯(lián)方式,，從而達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，且無法提供快速準確的測量,。由于其對監(jiān)測對象的條件約束,，也限制了其應用的范圍。

    對睡眠質(zhì)量進行監(jiān)測,，非接觸式設計顯得必要,。本文采用非接觸式檢測，秉承算法硬件化設計思路,，通過主要成分分析提取BCG信號的特征值,；流水線設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設計減少了系統(tǒng)的面積，縮短了睡眠模式識別的時間,，準確率可達97%,。

1 非接觸式睡眠識別算法

1.1 算法和設計流程

    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行有效分離,。基于標準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)機模式設計，用純Verilog代碼編寫,，在always語句的引導下循環(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)和自適應閾值

    經(jīng)過主成分分析和10 s數(shù)據(jù)分段之后,，PC1_{R_PVDF}和PC1_RESP被劃分為6個10 s周期信號,。在自適應閾值判決前，每段來自PC1_RESP的10 s數(shù)據(jù)集會通過標準差公式進行計算,，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的閾值,，從而使得誤判率極大減小，自適應閾值計算公式如下：

1.4 睡眠模式判斷

    利用參數(shù)σ_i和σ_j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：σ_i>40%×最大電壓輸出(肢體律動)

    條件2：σ_j>70%×最大電壓輸出(正常呼吸)

    條件3：10%×σ_v<σ_j<70%×最大電壓輸出(呼吸暫停)

    條件4：σ_j<10%×σ_v(離開)

2 算法硬件化實現(xiàn)

2.1 系統(tǒng)框架與設計流程

    系統(tǒng)的整體設計如圖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進行硬件化設計,，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)的設計流程為：首先用Altium Designer完成硬件系統(tǒng)的電路設計,、芯片布局，然后使用Verilog HDL在Quartus平臺上完成邏輯控制,、算法的硬件化設計,、訓練、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，通常電壓強度在0~20 mV之間,。因此需要對生理信號進行放大和濾波,。

    前端信號處理電路采用LMV602低噪聲運算放大器，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,，省去后級單獨設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 硬件加速設計

    算法的硬件化過程采用流水線設計，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乘法器進行平方根運算,，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。

    設計語言采用硬件描述語言Verilog HDL,，整個設計流程在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%以上的識別準確率,。本設計突破了傳統(tǒng)穿戴式醫(yī)療儀器的復雜穿戴性，具有體積小,、實時性強的特點,，并為預防、診斷呼吸暫停綜合癥提供參考依據(jù),，非常適合用在醫(yī)療嵌入式應用方面,。

參考文獻

[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)設計[J]．北京生物醫(yī)學工程，2012,，31(3)：293-296．

[2] 王琛磊．基于DSP的睡眠監(jiān)測系統(tǒng)設計與實現(xiàn)[D]．廣州：華南理工大學,，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 物理科學與技術(shù)學院,，湖北 武漢430072）