崔紅巖，胡 勇，徐圣普，馮 莉，謝小波

0 引言

體感誘發(fā)電位（somatosensory evoked potentials，SEP）可以檢測到脊髓功能的改變，是脊髓監(jiān)護中最常應用的電生理技術。然而，在實時監(jiān)測及診斷中，術中SEP信號不僅受到患者自身產(chǎn)生的各種噪聲（如心電、腦電、肌電等）的干擾，更多地受到手術室中其他因素的干擾，如各種手術和監(jiān)護設備以及醫(yī)生在操作過程中的干擾，使得SEP的信噪比（signaltonoise ratio，SNR）非常低（一般為-20～-30 dB）[1-3]，分析和解釋十分困難。

目前，臨床監(jiān)護普遍采用的平均疊加技術耗時長、缺乏動態(tài)變異信息[4]，檢測時間的延誤可能錯過術者進行補救的最佳時機，出現(xiàn)不可逆的脊髓功能損害。因此，需要盡量減少信號疊加次數(shù)，實現(xiàn)動態(tài)提取體感誘發(fā)電位。

自適應濾波技術已應用于誘發(fā)電位處理領域。早期主要是單一的自適應噪聲減法器（adaptive noise canceller，ANC）和自適應增強器（adaptive signalenhancer，ASE），近年來許多學者對該技術進行了改進[5-10]。然而，SEP是非確定性平穩(wěn)信號，每次刺激的響應波形是變化的，現(xiàn)有技術無法迎合SEP的非線性特征，影響濾波效果。

本研究針對體感誘發(fā)電位的特征，基于前期的研究基礎[9-10]，利用徑向基函數(shù)神經(jīng)網(wǎng)絡的非線性處理優(yōu)勢，基于現(xiàn)場可編程門陣列（field programmable gate array，F(xiàn)PGA）平臺，設計徑向基函數(shù)自適應減法器硬件算法，提高信號信噪比，保證其性能穩(wěn)定、可靠，在算法上實現(xiàn)SEP的快速提取。

1 自適應濾波器設計

1.1 原理與方法

如圖1所示，基于徑向基函數(shù)的自適應減法器（ANC-RBF）由ANC與徑向基函數(shù)（radialbasis function，RBF）神經(jīng)網(wǎng)絡構成。輸入信號經(jīng)ANC消噪后初步提高SEP信噪比，然后經(jīng)RBF對信號進行非線性處理。其中，ANC和RBF的結構與文獻[10]相同。

圖1 基于徑向基函數(shù)的自適應信號減法器工作原理

1.2 基于FPGA的ANC-RBF設計

研究中，以FPGA作為SEP快速提取算法的硬件載體。如圖2所示，ANC-RBF由ANC模塊和RBF模塊構成，帶噪信號s（n）與相關噪聲r（n）經(jīng)自適應消噪后，將誤差信號e1輸入RBF進行逼近，得到進一步去除噪聲的信號z（n），即濾波器最終輸出。2個模塊均采用最小均方算法（leastmean square，LMS）更新濾波器（finite impulse response，F(xiàn)IR）權值，以RBF作為神經(jīng)網(wǎng)絡激勵函數(shù)。

圖2 ANC-RBF在FPGA中的實現(xiàn)

對于LMS算法，不同的FPGA硬件結構算法在運算速度和資源消耗等方面有顯著差異。為加大運算速度，采用串并結合的結構來實現(xiàn)LMS算法[10]，如圖3所示。對于FIR算法，采用并行FPGA硬件結構，即不同階的數(shù)據(jù)同時運算，不共用乘法器和加法器，這種結構器件使用效率更高。

圖3 LMS自適應算法硬件實現(xiàn)

基于FPGA的徑向基函數(shù)神經(jīng)網(wǎng)絡設計，關鍵是如何有效減少資源的消耗。研究中，徑向基函數(shù)硬件算法如圖4所示。由于SEP是周期信號，假設信號周期為T，隱單元數(shù)為N。簡化徑向基函數(shù)：取徑向基函數(shù)神經(jīng)網(wǎng)絡中心和寬度分別為bj=（j-1），使徑向基函數(shù)在不同的隱單元處以ci為中心，且波形相同[10]。

圖4 徑向基函數(shù)硬件實現(xiàn)

1.3 仿真實驗設計

本研究基于FPGA（Xilinx公司的Spartan3e系列）設計信號處理系統(tǒng)。利用Matlab的動態(tài)系統(tǒng)仿真工具Simulink，對5例接受脊柱側彎手術患者的原始SEP信號進行仿真實驗，并與以自適減法器和徑向基函數(shù)為基礎構造的濾波器（ANC-RBF）提取SEP的性能進行評價。術中SEP監(jiān)護采用NicoletViking IV電生理監(jiān)護系統(tǒng)（美國Nicolet公司），頻率為5.1Hz，脈寬為0.3ms，以恒流方波電脈沖刺激正中神經(jīng)，刺激強度為25mA，刺激持續(xù)時間為3ms；記錄電極放置于與脊柱C5～C7位置平行的頸部皮膚表面，濾波器帶寬為 20～3 000 Hz，掃描時間為 100ms，采樣率為5 kHz，模數(shù)轉(zhuǎn)換分辨率為16位。

仿真實驗中，將600次刺激響應的SEP做總體平均，得到的信號作為標準的SEP模板。本研究用由白噪聲生成的腦電圖（electroencephalogram，EEG）和50Hz工頻干擾來模擬干擾SEP的噪聲[11]，采用5階ANC濾波器，原始SEP信號經(jīng)過ANC消噪后，使徑向基函數(shù)網(wǎng)絡的節(jié)點數(shù)降低，N取26，β按經(jīng)驗值取 0.8[8]。在信噪比分別為-15、-25、-30 dB 時，利用信噪比和失真因子評價自適應減法器與徑向基函數(shù)減法器提取體感誘發(fā)電位的性能[10]。

2 結果

2.1 信噪比分析

圖 5為不同信噪比（-15、-25、-30 dB）條件下，F(xiàn)PGA中實現(xiàn)的ANC和ANC-RBF對噪聲（工頻干擾、EEG噪聲）進行消除后輸出信號信噪比的比較。結果顯示：隨著輸入信號信噪比的降低，各濾波器輸出信號的信噪比也相應降低（同一顏色柱比較），但ANC-RBF和ANC收斂后，輸出信號的信噪比均大于0 dB；對同一輸入信號信噪比，ANC-RBF對工頻干擾、EEG噪聲濾波后的信噪比均大于ANC濾波后的信噪比。這說明ANC-RBF和ANC輸出信噪比均得到改善，但是ANC-RBF對誘發(fā)電位的去噪效果更好。

圖5 FPGA中實現(xiàn)的ANC與ANC-RBF輸出信號信噪比比較

2.2 失真因子分析

圖 6為不同信噪比（-15、-25、-30 dB）條件下，F(xiàn)PGA中實現(xiàn)的ANC和ANC-RBF對噪聲（工頻干擾、EEG噪聲）進行消除后輸出信號信噪比的比較。由圖6可知：對于工頻去噪，隨著輸入信號信噪比的降低，各濾波器工頻去噪后的輸出信號相對于模板信號的失真因子相應增大，但輸入信噪比為-15 dB時，ANC輸出相對于模板信號的失真比ANC-RBF小；對于EEG去噪，雖然輸入信噪比為-15 dB時，ANC輸出相對于模板信號的失真比ANC-RBF小，但輸入信噪比增大時，ANC輸出相對于模板信號的失真比ANC-RBF大。同時，不同輸入信噪比條件下，ANC-RBF對EEG去噪的輸出相對于模板信號的失真變化不大，而ANC對于EEG去噪的穩(wěn)定性不好。輸入信噪比為-15 dB時，ANC對工頻干擾、EEG去噪的效果較好，但輸入信號信噪比較低時，ANC-RBF相對于模板信號的失真度更小。這說明在信噪比低的情況下，RBF的加入可以將ANC中的高頻噪聲成分濾除，彌補了ANC的不足，保證了對信號特征的擬合。

圖6 FPGA中實現(xiàn)的ANC與ANC-RBF輸出信號失真因子比較

2.3 波形分析

在臨床SEP監(jiān)護中，SEP信號的波幅和潛伏期是判斷脊髓損傷的關鍵指標。圖7、8分別為輸入信噪比為-30 dB時，F(xiàn)PGA中實現(xiàn)的ANC和ANCRBF輸出波形與SEP模板信號的比較結果。由圖7、8可知：ANC和ANC-RBF均能較好地提取出SEP信號的波形特征，可以更準確地識別SEP信號的波幅和潛伏期。但ANC-RBF提取的SEP雖然波形比較平滑，但與模板信號相比存在一定的差別，在一些不太重要的位置出現(xiàn)了一定的波形失真。然而，表1中的ANC-RBF對于模板信號的變異系數(shù)遠小于ANC，說明這種失真比較穩(wěn)定?？梢?，由于節(jié)點數(shù)限制，ANC-RBF并未很好地擬合出信號的峰值特征，但并不影響其對SEP信號的模擬效果。

圖7 FPGA中實現(xiàn)的ANC輸出波形與SEP模板信號比較（-30 dB）

圖8 FPGA中實現(xiàn)的ANC-RBF輸出波形與SEP模板信號比較（-30 dB）

表1 5個病例SEP輸出信號誤差分析

3 結論

在基于FPGA的濾波器設計中，選擇合理的硬件結構可以簡化徑向基函數(shù)神經(jīng)網(wǎng)絡，降低硬件資源消耗?；趶较蚧瘮?shù)的自適應減法器比單一自適應減法器對術中體感誘發(fā)電位的去噪效果更好，不僅提取出的信號失真度較小，而且波形更為平滑，使SEP信號的潛伏期和幅值更易識別，可為術中監(jiān)護提供更為準確的監(jiān)護參數(shù)。本研究可為術中自動監(jiān)護儀器的開發(fā)提供基礎。

[1] NuwerM R.Spinalcord monitoring with somatosensory techniques[J].Clin Neurophysiol，1998，15（3）：183-193.

[2] Guerit JM.Neuro monitoring in the operating room： why，when，and how to monitor[J].Electroencephalo Clin Neurophysiol，1998，106（1）：1-21.

[3] CUIHong-yan，Keith D L，HUYong.Effects of physiological parameters on intraoperative somatosensory evoked potential monitoring：results from a multi factoranalysis[J].Medical Science Monitor，2009，15（5）：226-230.

[4] Thakor N V，ZHU Y S.Applications of adaptive filtering to ECG analysis：noise cancellation and arrhythmia detection [J].IEEE Transactionson Biomedical Engineering，1991，38（8）：785-794.

[5] Benny SC，HU Yong，Keith D K L，et al.Multi-adaptive filtering technique for surface somatosensory evoked potentials processing[J].Med Eng&Physics，2005，27：257-266.

[6] Lam BSC，HUYong，LuaWW，etal.Multi-adaptive filtering technique for surface somatosensory evoked potentials processing[J].Medical Engineering&Physics，2005，2： 257-266.

[7] Fung K S，Chan FH，Lam FK，etal.A tracing evoked potentialestimator[J].Med Biol EngComput，1999，37（2）：218-227.

[8] QIUWei，CHANGChun-qi，LIUWen-qing，etal.Real-time datareusing adaptive learning of a radialbasis function network for trackingevoked Potentials[J].IEEE Trans Biomed Eng，2006，53（2）：226-237.

[9] Lam B SC，Hu Y，LuWW，etal.Valid of adaptive signal enhancer in intraoperative somatosensory evoked potentials monitoring[J].Journal of Clinical Neurophysiology，2004，21（6）：409-417.

[10] 崔紅巖，謝小波，徐圣普，等.徑向基函數(shù)網(wǎng)絡在體感誘發(fā)電位實時監(jiān)測中的應用[J].國際生物醫(yī)學工程雜志，2012，35（3）：137-141.

[11] Chan FHY，Lam FK.Detection of brainstem auditory evoked potentialbyadaptive filtering[J].Medical&Biological Engineering&Computing，1995，33：69-75.