[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

说明书

本发明为一种基于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。系统采集16导联生物电信号，可将信号实时地传输到PC端显示，亦可存储在本地TF卡中。装有三维加速度传感器，实时记录被监护者的身体状态，支持阻抗测量，以检测电极与人体皮肤接触状况。系统搭载ESP32‑S3主控芯片，利用其AI加速可以实时计算振幅整合脑电，基于振幅整合脑电，提取线性特征，非线性特征以及复杂网络特征，应用机器学习算法训练得到预测模型，便可在嵌入式系统下快速准确地识别惊厥症状。该系统体积小，惊厥预测准确率高，可以满足多场景下的监护需求。

技术领域

本发明主要涉及医疗检测领域和数字信号处理领域，尤其涉及一种基于振幅整合脑电信号实现的便携式新生儿惊厥监护系统。

背景技术

新生儿惊厥发作是新生儿中枢神经系统功能障碍最常见的临床表现，其特征表现为阵发性、重复性和定型性的癫痫事件，如果不加以治疗，可能会导致婴儿的重大发病和死亡，幸存者也有长期神经发育障碍的风险。新生儿惊厥发作的病因多种多样，包括颅内出血、脑畸形和缺氧缺血性脑病等，其死亡风险很高。临床研究表明，在早产儿和重症新生儿中，新生儿癫痫长期发作可能增加智力残疾和脑瘫的风险，因此快速准确的诊断可以避免不必要的长期抗癫痫药物治疗，具有非常重要的意义。

带有振幅整合脑电(Amplitude-integrated EEG，aEEG)记录的脑功能监护仪(Cerebral Function Monitor，CFM)在新生儿长期床边监护中发挥着重要的作用。相比于传统的多电极脑电检测方式，aEEG的解释和操作相对简单，对于有惊厥发作的新生儿来说，aEEG仍将是有用的筛查工具，也是传统脑电图宝贵的补充工具。目前，基于aEEG信号的新生儿惊厥发作检测方法非常具有挑战，通常情况下，医务人员仅依据aEEG波形特点和振幅变化来作人工分类，增加工作负担的同时，还容易丢失一部分重要的病灶信息。随着机器学习和深度学习技术的发展，这些新兴技术将被引入到aEEG解读中，得出的客观aEEG分类将有助于明确新生儿惊厥的一些特殊病例的aEEG特征。

目前市场上很多新生儿监护设备体积庞大，重量较重，设备不方便移动，不支持无线传输，医生需要实时去被监护者床边观察，同时患者也不能在监护状态下携带设备移动，给医生和患者都带来诸多不便。此外，很多监护设备采用220V交流供电，干扰信号较大以至于使采集到的脑电信号误差较大，从而影响医生诊断。

发明内容

本发明要解决的问题是：针对上述现有技术的不足，实现一个较为完善的便携式新生儿惊厥监护系统，在嵌入式环境下可以快速可靠地预测惊厥症状。

技术方案：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。整个监护系统包括上下位机两部分，下位机是信号采集和计算预测系统，上位机是信号显示和训练系统。整个系统可以快速可靠地采集16导联生物电信号，可通过多种传输方式将采集信号传输至PC端实时显示，亦可将信号存储在本地TF卡中，方便取出查看波形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，以满足多种场景下的功能需求。系统带有加速度传感器，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。系统采用双锂电池自动切换的方式供电，避免交流干扰信号影响采集效果。可以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。

信号采集和计算预测系统主要包括数据采集，数据传输，BDF存储，阻抗检测，aEEG计算，惊厥预测，电量检测，声光提示，按键控制等模块。主要完成对生物电信号的采集，传输和存储，以及对惊厥症状的预测，系统支持声光提示来表征系统状态，支持阻抗测量判断电极线与人体皮肤接触状况，支持采集三维加速度数据表征用户身体状态，支持按键控制完成开关机和模式切换。主控使用ESP32-S3，支持用于加速神经网络计算和信号处理等工作的向量指令，在AI加速支持下，可以实时计算aEEG信号。最终信号采集和计算预测系统基于信号显示和训练系统训练好的可靠模型实时给出惊厥预测结果，保存至本地TF卡中。