[发明专利]一种基于ESP32-S3 AI加速和振幅整合脑电图的便携式新生儿惊厥监护系统

权利要求书

1.一种基于ESP32-S3 AI加速和振幅整合脑电图的便携式新生儿惊厥监护系统，其特征在于，在嵌入式环境下能够快速可靠地采集16导联生物电信号，可将信号传输至PC端实时显示，亦可存储在本地TF卡中，方便做数据的后处理分析；系统支持多种硬件设置，如采样率、波特率、SRB1、SRB2、BIAS等；系统还带有加速度传感器，实时检测患者的身体状态，支持阻抗测量功能，用于检测电极与皮肤的接触状况等；该系统为了实现新生儿惊厥检测，基于ESP32-S3芯片的AI加速功能，实时计算振幅整合脑电，在PC端应用机器学习算法，训练可靠模型，后在嵌入式系统下可快速准确地作自动识别惊厥症状的预测。

2.根据权利要求1所述的便携式新生儿监护系统，其特征在于，上下位机可以通过USB、WIFI、BLUETOOTH三种通信方式完成数据传输和命令交互，可以满足多种场景下的实时监护需求；下位机可独立工作，即脱离上位机控制，使用TF卡实时记录采集的信号或者保存预测结果，方便之后取出做数据的后处理分析，同时也满足了被监护者携带采集设备远离监护PC的场景需求。

3.根据权利要求1所述的便携式新生儿监护系统，其特征在于，系统装有三维加速度传感器，主控MCU实时地采集三维加速度数据，记录被监护者的身体状态；系统支持阻抗测量功能，主要利用采集芯片ADS1299内置的交流电流源，通过滤波积分等方式，实时地计算阻抗，可以用来检测电极与人体皮肤的接触状况。

4.根据权利要求1所述的便携式新生儿监护系统，其特征在于，包含惊厥预测训练系统，训练系统基于aEEG信号，提取线性特征，非线性特征和复杂网络特征，应用机器学习算法，从多个指标综合评估，得出可靠预测模型，其基本步骤如下：

步骤一、提取线性特征，包括幅度平均值，方差，偏度，峰度，上边界值和下边界值；

步骤二、提取非线性特征，非线性特征熵作为一种非线性指标可用于刻画大脑的混沌行为；

步骤三、提取复杂网络特征，包括度平均值，度分布，集聚系数，分类系数和平均最短路径长度；

步骤四、确立评价指标，从准确率，灵敏度，特异性，精准率和F₁指标(F₁Score)5个角度去刻画预测效果；

步骤五、特征有效性分析，分别对提取的线性特征、非线性特征和复杂网络特征进行验证，主要从统计学差异和特征重要度角度评估惊厥组和正常组的特征量是否存在显著差异；

步骤六、正负样本不平衡调节，从数据集角度，使用Borderline-SMOTE技术对数据进行不平衡调节实验，获得一个较为均匀的数据分布；

步骤七、分类器参数调优，用于得到最佳的分类训练模型，用于最终模型的分类域学习。

5.根据权利要求1所述的便携式新生儿监护系统，其特征在于，在嵌入式环境下实时计算aEEG信号和完成惊厥预测；信号采集与预测系统搭载ESP32-S3芯片，在其AI加速支持下，可以实时计算aEEG信号，再基于信号显示与训练系统训练的可靠模型，可以实时得到惊厥预测结果。