摘 要： 提出一種基于Android平臺的腦電無線采集與警覺度監(jiān)測終端的設計。采用Wi-Fi作為無線通信方案，以Android手機作為上位機，在手機上設計應用程序，通過手機應用程序可以方便地實現(xiàn)對采集設備的參數(shù)設置、無線連接、數(shù)據(jù)接收、波形顯示、數(shù)據(jù)分析和文件存儲。Android手機端通過Wi-Fi與下位機建立通信，實時接收Wi-Fi模塊發(fā)送的腦電數(shù)據(jù)，繪成腦電圖，并能通過手機端向下位機發(fā)送控制命令，再將基于極限學習機的腦電信號分類算法通過Java編碼移植到手機內(nèi)部，分析腦電信號所攜帶的警覺度信息。立足便攜式腦電信號無線采集系統(tǒng)，在系統(tǒng)中加入基于Android系統(tǒng)的傳輸控制方法，并植入訓練速度快、分類效果好的算法程序，為便攜式腦電信號采集提供了一個新方案。
關(guān)鍵詞： Android；Wi-Fi；腦電采集；無線傳輸
腦電信號（EEG）是由腦神經(jīng)活動產(chǎn)生的一種電活動，它含有大量的大腦活動信息，隨著社會的快速進步，交通事故在日常傷亡事件中占有較大比重，為此采集腦電信號并實時監(jiān)測駕駛?cè)藛T偏勞狀態(tài)對于預防由于駕駛員疲勞和警覺度不高造成的交通事故尤為重要。傳統(tǒng)腦電采集設備大部分被應用在醫(yī)院、實驗室等特殊場合，在精度上能夠滿足醫(yī)療和研究的要求，但無法應用到日常生活中，尤其是在駕駛活動當中，并且成本昂貴、體積較大、移動不便。因此設計出一款體積較小、便攜性較好的EEG信號采集與監(jiān)控系統(tǒng)具有重要的意義和價值。
移動通信等技術(shù)的發(fā)展為臨床診斷和治療帶來了更多的技術(shù)方法[1-2]。Android手機以其成本低、用戶體驗好等優(yōu)點已經(jīng)在智能手機市場占有90%左右的份額，目前以Android為系統(tǒng)的智能手機、平板電腦等已經(jīng)廣泛應用于健康醫(yī)療、遠程控制等領(lǐng)域，如YUNGKOOK J[3-4]等就將智能手機應用到心電信號監(jiān)護系統(tǒng)中，用于對心電信號的實時監(jiān)護、自我診斷等；Song Weibo等[5]設計了基于Android手機的身體監(jiān)護系統(tǒng)，用戶可以通過手機屏幕觀察采集到的人體生理數(shù)據(jù)。大部分Android手機都自帶有藍牙、Wi-Fi通信功能，如李高尚等人[6-7]使用藍牙作為無線傳輸方式，取代了傳統(tǒng)有線傳輸方式，實現(xiàn)了無線采集的功能，但存在傳輸速率低和傳輸距離短等缺點，不便于遠距離采集系統(tǒng)的實現(xiàn)。
本文結(jié)合Android和Wi-Fi兩者的優(yōu)勢，在手機上設計移動應用軟件，通過手機完成對采集前端的控制并接收無線模塊發(fā)送的數(shù)據(jù)，最后對數(shù)據(jù)進行算法分析，實現(xiàn)了整個采集過程以及警覺度的監(jiān)控。
1 系統(tǒng)總體結(jié)構(gòu)
系統(tǒng)總體結(jié)構(gòu)如圖1所示，包括ADS1299采集前端[8]、Wi-Fi處理發(fā)送模塊、Android智能手機終端應用。前端采集模塊選用TI公司的ADS1299作為腦電采集的模/數(shù)轉(zhuǎn)換器，ADS1299以其便攜性、緊湊性、低功耗性被專門用來進行腦電信號采集。無線傳輸模塊采用Gain Span公司的超低功耗無線芯片GS1011[9]，GS1011是1個具有超低功耗的Wi-Fi無線片上系統(tǒng)，它包含1個802.11射頻前端、媒體控制器和基帶處理器，片上Flash和片上SRAM，2個ARM7處理器。GS1011的APP CPU將ADS1299轉(zhuǎn)換的腦電數(shù)據(jù)、接收到的AP的信號強度的信息進行處理，然后通過WLAN CPU將數(shù)據(jù)打包成符合IEEE 802.11協(xié)議的數(shù)據(jù)無線發(fā)送出去；在接收端，無線接入點AP接收無線載波發(fā)送過來的數(shù)據(jù)，然后傳送給手機控制端，手機對接收過來的數(shù)據(jù)解包并作數(shù)據(jù)處理。
本文主要論述手機移動終端軟件的設計，手機終端的程序主要包括三個功能：（1）控制下位機采集；（2）接收下位機采集數(shù)據(jù)并作數(shù)據(jù)處理；（3）建立警覺度水平的離線和在線分析系統(tǒng)。控制功能的實現(xiàn)過程為：通過手機發(fā)送帶有控制命令的數(shù)據(jù)包到Wi-Fi模塊，Wi-Fi的WLAN CPU接收數(shù)據(jù)，解析自定義數(shù)據(jù)格式數(shù)據(jù)包得到命令，將命令通過SPI接口發(fā)送給ADS1299采集前端。手機接收Wi-Fi模塊發(fā)送過來的數(shù)據(jù)包，解析得到反饋的信息或者有用的EEG數(shù)據(jù)，實時處理數(shù)據(jù)。
2 Android終端軟件設計與實現(xiàn)
Android是一個基于Linux平臺的操作系統(tǒng)[10]，主要應用于智能手機、平板電腦等手持設備。Android的架構(gòu)圖如圖2所示，Android的架構(gòu)主要由應用程序?qū)印贸绦蚩蚣軐?、庫、Android運行時庫、Linux內(nèi)核組成。
Android應用程序以Java為開發(fā)語言，以Eclipse作為開發(fā)環(huán)境，并配合Android SDK、Java JDK和ADT插件完成對軟件的開發(fā)與調(diào)試。Android的SDK提供了可視化的模擬器，同時Android平臺提供了2D的圖形支持，在完成程序代碼的編寫后，可以將程序發(fā)布到模擬器上運行，如果應用程序涉及藍牙、攝像頭等操作，此時需要在真機上進行調(diào)試。
2.1 通信協(xié)議設計
通信協(xié)議是通信雙方進行溝通的語言，協(xié)議的設計應該簡單明了，避免增加冗余度，通信協(xié)議的定義與傳輸?shù)臄?shù)據(jù)被編排成字節(jié)數(shù)組的格式。本設計規(guī)定手機端為通信的客戶端，GS1011為通信服務端。表1為定義的數(shù)據(jù)幀格式。
?。?）報頭：固定為55AD兩個字節(jié)，表示一個幀的開始。
?。?）操作指令：是用來區(qū)分控制命令，它與ack組合用來表示各種操作和具體類型?！癓”代表連接服務器；“C”代表配置ADS1299相關(guān)寄存器；“A”代表采集操作，如開始、停止等。協(xié)議的具體內(nèi)容如表2所示。
?。?）數(shù)據(jù)包長度：從報頭到數(shù)據(jù)段的最后一個字節(jié)的總和。
?。?）數(shù)據(jù)：代表操作的具體數(shù)據(jù)，如往寄存器里寫入的數(shù)據(jù)、采集到的數(shù)據(jù)等，如果沒有數(shù)據(jù)設為0。
服務端使用C語言開發(fā)，采用結(jié)構(gòu)體封裝數(shù)據(jù)，對于Android客戶端，由于Java語言沒有結(jié)構(gòu)體這種類型，因此可以先將各種類型的數(shù)據(jù)進行轉(zhuǎn)換，模擬結(jié)構(gòu)體，然后將數(shù)據(jù)打包發(fā)送。
2.2 界面顯示模塊
界面顯示模塊主要通過Activity嵌套Fragement實現(xiàn)。根據(jù)功能的需求，手持終端應用程序設置了4個主要功能界面：波形顯示界面、Wi-Fi管理界面、ADS1299配置界面、算法分析界面和文件列表界面。（1）主界面主要嵌套了用于波形顯示的SurfaceView以及一些功能按鈕，由于采集頻率較高，一般的ImageView很難滿足實時顯示波形的需求，SurfaceView采用雙緩沖模式，在高速刷新界面方面較其他View有較大優(yōu)勢；（2）采集配置界面用來設置ADS1299的參數(shù)；（3）為了提高系統(tǒng)的集成性，將Wi-Fi管理模塊從手機內(nèi)部集成到采集終端軟件中來，方便對Wi-Fi網(wǎng)絡的管理；（4）算法分析界面中，第一個Spinner選擇控件用來選擇模擬實時或者實時模式，另一個Spinner控件用來選擇算法，本文中暫時集成了極限學習機的分類算法，文件界面用于顯示保存的歷史數(shù)據(jù)，主要使用ListView分條展示。整個界面由1個Activity嵌套了4個Fragement來實現(xiàn)，使用中可以通過屏幕左右滑動選擇要使用的界面，布局由XML文件完成。
2.3 網(wǎng)絡通信模塊
本系統(tǒng)采用UDP傳輸協(xié)議，UDP（User Datagram Protocol）是一種無連接的傳輸層協(xié)議，通信流程圖如圖3所示，它不保證數(shù)據(jù)傳送的可靠性[11]，也正是由于它的這一特點，使得UDP協(xié)議有著快速、簡單、便捷的優(yōu)點，適于進行實時性要求高、數(shù)據(jù)量大的數(shù)據(jù)傳輸。本文利用UDP協(xié)議傳輸速率快、實時性高的特性，將采集到的腦電數(shù)據(jù)傳輸?shù)缴衔粰C進行數(shù)據(jù)處理。
當手機與GS1011處在同一個局域網(wǎng)之后，開始進行數(shù)據(jù)交互。系統(tǒng)利用基于C/S工作模式的Socket通信接口來實現(xiàn)上下位機之間的通信，手機作為客戶端，無線采集設備作為服務端，客戶端連接到服務端至少需要服務端的IP和端口號，建立UDP Socket連接主要用到兩個類：DatagramSocket（端到端通信的類）和DatagramPacket（通信數(shù)據(jù)的數(shù)據(jù)報類）。DatagramSocket是Android系統(tǒng)提供的一個公共類，它可以和任何可用或者指定的端口進行連接。在兩個端點的通信中需要用到的方法有Receive（DatagramPacket packet）、send（DatagramPacket pack）和close（）。在接收和發(fā)送數(shù)據(jù)時，需要構(gòu)造一個DatagramPacket對象，它有幾種構(gòu)造方法，這里用于接收數(shù)據(jù)的DatagramPacket帶有byte[]和int length兩個參數(shù)，發(fā)送數(shù)據(jù)時DatagramPacket帶有4個參數(shù)：byte[]sendbuff、int length、InetAddress serverAddr和int serverPort。
發(fā)送數(shù)據(jù)主要代碼為：
DatagramPaeket packrSend=new DatagramPacket（sendbuff，
Sendbuff.length，serverAddr，portNumber）；
ds．send（packetSend）；
接收數(shù)據(jù)主要代碼：
DatagramPacket packRec=new DatagramPacket（recbuffer，recbuffer.length）；
ds.receive（packRec）；
2.4 算法分析模塊
對于算法模塊，考慮到移動平臺警覺度分析的特殊性，尤其是手機資源和配置還很有限，并且考慮到最終需要實現(xiàn)算法分析和數(shù)據(jù)采集的同步性和實時性，希望算法的運算過程較快速，占有資源較少。為此，本文提出基于極限學習機的腦電信號警覺度的分類算法，并將算法進行了Java編碼，移植到手機內(nèi)部，用于對采集到的數(shù)據(jù)進行實時和模擬實時分析。極限學習機是根據(jù)單隱含層前饋神經(jīng)網(wǎng)絡（SLFN）提出的一個新算法[12-13]，極限學習機令隱含層的激活函數(shù)為無限可微函數(shù)，可以隨機選擇和調(diào)整隱含層節(jié)點的參數(shù)，使SLFN從復雜的非線性系統(tǒng)變成簡單的線性系統(tǒng)[14]，較好地解決傳統(tǒng)神經(jīng)網(wǎng)絡訓練時間長、參數(shù)難確定等問題。
給定訓練樣本：
P={（xi，y）|xi∈Rd，y∈R，i=1，2，…，n}（1）
xi=[xi1，xi2，…，xim]∈R，y=[y1，y2，…，ym]∈R
極限學習機分類模型的網(wǎng)絡結(jié)構(gòu)由輸入層、隱含層和輸出層三部分組成：輸入層的n個神經(jīng)元對應n個輸入變量；隱含層p個節(jié)點；本文為單輸出問題，令輸出層為1個輸出變量，輸入輸出變量均有m組數(shù)據(jù)，圖4為極限學習機網(wǎng)絡結(jié)構(gòu)圖。
設輸入層第i個變量與隱含層各個節(jié)點間的連接權(quán)值為wi=[wi1，wi2，…，xia]T，隱含層神經(jīng)元的閾值為b=[b1，b2，…，ba]T，隱含層節(jié)點與輸出變量的連接權(quán)值為，隱含層神經(jīng)元的激活函數(shù)為g（x）。則具有p個隱含層節(jié)點的ELM模型的決策函數(shù)可以表示為：
式（2）還可以表示為：H?茁=T′，H為神經(jīng)網(wǎng)絡隱含層的輸出矩陣。ELM模型的輸入權(quán)重w和隱含層神經(jīng)元的閾值b可隨機選擇，并且激活函數(shù)g（x）無限可微時，ELM的參數(shù)無需全部調(diào)整。隱含層節(jié)點與輸出節(jié)點的連接權(quán)值β可通過求解以下線性方程組的最小二乘解來獲得：
其中，解β具有唯一性，可使網(wǎng)絡的訓練誤差最小。
2.5 數(shù)據(jù)存儲模塊
采集到的腦電數(shù)據(jù)量比較大，此時可以將腦電數(shù)據(jù)存儲到手機的存儲卡中。點擊保存按鈕，首先使用new File（file）創(chuàng)建一個File對象，形參file指定了文件夾的路徑，再調(diào)用對象的exist（）方法判斷文件夾是否存在，如果不存在會調(diào)用File對象的mkdirs（）方法在SD卡內(nèi)建立一個文件夾，最后調(diào)用系統(tǒng)的日歷類Calendar類獲取當前的時間，以時間作為保存文件的文件名，將接收到的字節(jié)數(shù)據(jù)保存到txt文件中。
2.6 權(quán)限設置
Android應用程序?qū)κ謾C的重要組件的訪問有著嚴格的限制，當涉及如Wi-Fi操作、訪問網(wǎng)絡、SD卡操作時，必須在Android開發(fā)目錄下的AndroidManifest.xml文件中加入權(quán)限申請。AndroidManifest是Android工程目錄下都有的一個清單文件，它包含了應用程序的基本信息，這些信息包括應用程序需要的許可、程序運行需要的API級別、程序運行所需要的硬件支持和函數(shù)庫等。由于本文要用到Wi-Fi、網(wǎng)絡、SD卡的操作，因此要在AndroidManifest.xml文件中加入以下權(quán)限：Wi-Fi、網(wǎng)絡訪問和外部存儲卡訪問。運行程序，界面如圖5所示。
本文介紹了基于Android平臺下的無線腦電采集與監(jiān)測終端的設計和關(guān)鍵技術(shù)，包括Android系統(tǒng)的架構(gòu)，腦電信號采集系統(tǒng)的整體結(jié)構(gòu)，應用層幀格式的定義，傳輸協(xié)議的設計，算法模塊的集成，以及軟件的設計。系統(tǒng)可以克服傳統(tǒng)腦電采集設備的缺點，應用小巧靈活、性能優(yōu)越的手機終端作為上位機，配合PC完成腦電信號的實時采集，并在手機系統(tǒng)中加入極限學習機智能分類算法來進行腦電信號警覺度的分析，這個系統(tǒng)的設計為提高腦電采集設備的便攜性、可操作性以及未來疲勞駕駛預測提供了一套可行的方案。
參考文獻
[1] 張嘯飛，胡大一，丁榮晶，等.中國心腦血管疾病死亡現(xiàn)狀及流行趨勢[J].中華心血管病雜志，2012，40（3）：179-185.
[2] 薛青.智慧醫(yī)療：物聯(lián)網(wǎng)在醫(yī)療衛(wèi)生領(lǐng)域的應用[J].信息化博覽，2010（5）：56-57.
[3] 張志軍，王娟，何輝.基于Android的心電監(jiān)護終端的設計與實現(xiàn)[J].自動化與儀器儀表，2013（5）：183-185.
[4] JEON Y， LEE J D， CHOI J. Design and Implementation of a Wearable ECG System[J]. International Journal of Smart Home， 2013，7（2）：61-69.
[5] Song Weibo， Yu Hong， Liang Ce， et al. Body monitoring system design based on Android smartphone[C]. 2012 World Congress， Trivandrum： Information and Communication Technologies， 2012：1147-1151.
[6] 李高尚，沈巍.一種應用于移動健康醫(yī)療的Android客戶端的研究[J].電子測試，2012（2）：64-67.
[7] 張莉，周子龍.基于Android智能手機平臺的便攜式心電監(jiān)護儀的設計[J].中南民族大學學報（科學版），2012，31（4）：88-92.
[8] TI.ADS1299Datasheet[EB/OL].[2013-01].http：//www.ti.com.cn/cn/lit/ds/symlink/ads1299.pdf.
[9] 謝宏，董洋洋，姚楠，等.基于ADS1298與WIFI的腦電信號采集與傳輸系統(tǒng)設計[J].現(xiàn)代電子技術(shù)，2013，36（6）：150-153.
[10] 朱桂英.Android實例開發(fā)完全手冊[M].北京：人民郵電出版社，2012．
[11] 周麗娟.基于UDP協(xié)議的Socket網(wǎng)絡編程[J].計算機工程應用技術(shù)，2008（34）：1867-1868．
[12] Andrés Bueno-Crespo， Pedro J. García-Laencin， José-Luis Sancho-Gómez. Neural architecture design based on extreme learning machine[J]. Neural Networks， 2013， 48：19-24.
[13] HORATA P， CHIEW CHANWATTANA S， SUNAT K. Robust extreme learning machine[J]. Neurocomputing， 2013，102（15）：31-44.
[14] Fre′nay Beno′t， Mark van Heeswijk， et al. Feature selection for nonlinear models with extreme learning machines[J]. Neurocomputing， 2013， 102：111-124.