摘 要： 提出一種基于Android平臺的腦電無線采集與警覺度監測終端的設計。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對采集設備的參數設置、無線連接、數據接收、波形顯示、數據分析和文件存儲。Android手機端通過Wi-Fi與下位機建立通信，實時接收Wi-Fi模塊發送的腦電數據，繪成腦電圖，并能通過手機端向下位機發送控制命令，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，在系統中加入基于Android系統的傳輸控制方法，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。
關鍵詞： Android；Wi-Fi；腦電采集；無線傳輸
腦電信號（EEG）是由腦神經活動產生的一種電活動，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測駕駛人員偏勞狀態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。傳統腦電采集設備大部分被應用在醫院、實驗室等特殊場合，在精度上能夠滿足醫療和研究的要求，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信號采集與監控系統具有重要的意義和價值。
移動通信等技術的發展為臨床診斷和治療帶來了更多的技術方法[1-2]。Android手機以其成本低、用戶體驗好等優點已經在智能手機市場占有90%左右的份額，目前以Android為系統的智能手機、平板電腦等已經廣泛應用于健康醫療、遠程控制等領域，如YUNGKOOK J[3-4]等就將智能手機應用到心電信號監護系統中，用于對心電信號的實時監護、自我診斷等；Song Weibo等[5]設計了基于Android手機的身體監護系統，用戶可以通過手機屏幕觀察采集到的人體生理數據。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，取代了傳統有線傳輸方式，實現了無線采集的功能，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的實現。
本文結合Android和Wi-Fi兩者的優勢，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送的數據，最后對數據進行算法分析，實現了整個采集過程以及警覺度的監控。
1 系統總體結構
系統總體結構如圖1所示，包括ADS1299采集前端[8]、Wi-Fi處理發送模塊、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/數轉換器，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，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轉換的腦電數據、接收到的AP的信號強度的信息進行處理，然后通過WLAN CPU將數據打包成符合IEEE 802.11協議的數據無線發送出去；在接收端，無線接入點AP接收無線載波發送過來的數據，然后傳送給手機控制端，手機對接收過來的數據解包并作數據處理。
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）接收下位機采集數據并作數據處理；（3）建立警覺度水平的離線和在線分析系統。控制功能的實現過程為：通過手機發送帶有控制命令的數據包到Wi-Fi模塊，Wi-Fi的WLAN CPU接收數據，解析自定義數據格式數據包得到命令，將命令通過SPI接口發送給ADS1299采集前端。手機接收Wi-Fi模塊發送過來的數據包，解析得到反饋的信息或者有用的EEG數據，實時處理數據。
2 Android終端軟件設計與實現
Android是一個基于Linux平臺的操作系統[10]，主要應用于智能手機、平板電腦等手持設備。Android的架構圖如圖2所示，Android的架構主要由應用程序層、應用程序框架層、庫、Android運行時庫、Linux內核組成。
Android應用程序以Java為開發語言，以Eclipse作為開發環境，并配合Android SDK、Java JDK和ADT插件完成對軟件的開發與調試。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試。
2.1 通信協議設計
通信協議是通信雙方進行溝通的語言，協議的設計應該簡單明了，避免增加冗余度，通信協議的定義與傳輸的數據被編排成字節數組的格式。本設計規定手機端為通信的客戶端，GS1011為通信服務端。表1為定義的數據幀格式。
（1）報頭：固定為55AD兩個字節，表示一個幀的開始。
（2）操作指令：是用來區分控制命令，它與ack組合用來表示各種操作和具體類型。“L”代表連接服務器；“C”代表配置ADS1299相關寄存器；“A”代表采集操作，如開始、停止等。協議的具體內容如表2所示。
（3）數據包長度：從報頭到數據段的最后一個字節的總和。
（4）數據：代表操作的具體數據，如往寄存器里寫入的數據、采集到的數據等，如果沒有數據設為0。
服務端使用C語言開發，采用結構體封裝數據，對于Android客戶端，由于Java語言沒有結構體這種類型，因此可以先將各種類型的數據進行轉換，模擬結構體，然后將數據打包發送。
2.2 界面顯示模塊
界面顯示模塊主要通過Activity嵌套Fragement實現。根據功能的需求，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有較大優勢；（2）采集配置界面用來設置ADS1299的參數；（3）為了提高系統的集成性，將Wi-Fi管理模塊從手機內部集成到采集終端軟件中來，方便對Wi-Fi網絡的管理；（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據，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，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 網絡通信模塊
本系統采用UDP傳輸協議，UDP（User Datagram Protocol）是一種無連接的傳輸層協議，通信流程圖如圖3所示，它不保證數據傳送的可靠性[11]，也正是由于它的這一特點，使得UDP協議有著快速、簡單、便捷的優點，適于進行實時性要求高、數據量大的數據傳輸。本文利用UDP協議傳輸速率快、實時性高的特性，將采集到的腦電數據傳輸到上位機進行數據處理。
當手機與GS1011處在同一個局域網之后，開始進行數據交互。系統利用基于C/S工作模式的Socket通信接口來實現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（通信數據的數據報類）。DatagramSocket是Android系統提供的一個公共類，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（）。在接收和發送數據時，需要構造一個DatagramPacket對象，它有幾種構造方法，這里用于接收數據的DatagramPacket帶有byte[]和int length兩個參數，發送數據時DatagramPacket帶有4個參數：byte[]sendbuff、int length、InetAddress serverAddr和int serverPort。
發送數據主要代碼為：
DatagramPaeket packrSend=new DatagramPacket（sendbuff，
Sendbuff.length，serverAddr，portNumber）；
ds．send（packetSend）；
接收數據主要代碼：
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算法分析和數據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，移植到手機內部，用于對采集到的數據進行實時和模擬實時分析。極限學習機是根據單隱含層前饋神經網絡（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為無限可微函數，可以隨機選擇和調整隱含層節點的參數，使SLFN從復雜的非線性系統變成簡單的線性系統[14]，較好地解決傳統神經網絡訓練時間長、參數難確定等問題。
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絡結構由輸入層、隱含層和輸出層三部分組成：輸入層的n個神經元對應n個輸入變量；隱含層p個節點；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組數據，圖4為極限學習機網絡結構圖。
設輸入層第i個變量與隱含層各個節點間的連接權值為wi=[wi1，wi2，…，xia]T，隱含層神經元的閾值為b=[b1，b2，…，ba]T，隱含層節點與輸出變量的連接權值為，隱含層神經元的激活函數為g（x）。則具有p個隱含層節點的ELM模型的決策函數可以表示為：
式（2）還可以表示為：H?茁=T′，H為神經網絡隱含層的輸出矩陣。ELM模型的輸入權重w和隱含層神經元的閾值b可隨機選擇，并且激活函數g（x）無限可微時，ELM的參數無需全部調整。隱含層節點與輸出節點的連接權值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，可使網絡的訓練誤差最小。
2.5 數據存儲模塊
采集到的腦電數據量比較大，此時可以將腦電數據存儲到手機的存儲卡中。點擊保存按鈕，首先使用new File（file）創建一個File對象，形參file指定了文件夾的路徑，再調用對象的exist（）方法判斷文件夾是否存在，如果不存在會調用File對象的mkdirs（）方法在SD卡內建立一個文件夾，最后調用系統的日歷類Calendar類獲取當前的時間，以時間作為保存文件的文件名，將接收到的字節數據保存到txt文件中。
2.6 權限設置
Android應用程序對手機的重要組件的訪問有著嚴格的限制，當涉及如Wi-Fi操作、訪問網絡、SD卡操作時，必須在Android開發目錄下的AndroidManifest.xml文件中加入權限申請。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庫等。由于本文要用到Wi-Fi、網絡、SD卡的操作，因此要在AndroidManifest.xml文件中加入以下權限：Wi-Fi、網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測終端的設計和關鍵技術，包括Android系統的架構，腦電信號采集系統的整體結構，應用層幀格式的定義，傳輸協議的設計，算法模塊的集成，以及軟件的設計。系統可以克服傳統腦電采集設備的缺點，應用小巧靈活、性能優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.智慧醫療：物聯網在醫療衛生領域的應用[J].信息化博覽，2010（5）：56-57.
[3] 張志軍，王娟，何輝.基于Android的心電監護終端的設計與實現[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設計[J].現代電子技術，2013，36（6）：150-153.
[10] 朱桂英.Android實例開發完全手冊[M].北京：人民郵電出版社，2012．
[11] 周麗娟.基于UDP協議的Socket網絡編程[J].計算機工程應用技術，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.