1、目录 摘要 . 2 Abstract. 2 1.引言 . 4 1.1 生物医学信号的特点 . 4 1.2 生物医学信号的分类 . 4 2. 生物医学信号的检测处理方法概述 . 5 2.1 生物医学信号检测方法 . 5 2.1.1 信号检测的步骤 . 5 2.1.2 生物医学信号的检测技术的分类 . 5 2.2 生物医学信号检测系统 . 6 2.3 生物医学信号处理方法 . 6 2.4 信号的滤波 . 7 3.生物医学信号的处理技术 . 8 3.1 时域方法 AEV 方法 . 8 3.2 频域滤波方法 . 8 3.3 自适应滤波方法 . 8 3.4 混沌和分形方法 . 9 3.5 小波分析方法
2、. 9 3.6 人工神经网络分析方法 . 10 4. 心电测量举例 . 11 4.1 单周期心电图波形 . 11 4.2 心电信号处理 . 12 4.2.1 消除基准漂移 . 12 4.2.2 消除宽带噪声 . 15 5.结束语 . 17 参考文献 . 18 摘要 生物医学信号处理是生物医学工程学的一个重要研究领域，也是近年来迅速发展的数字信号处理技术的一个重要的应用方面，正是由于数字信号处理技术和生物医学工程的紧密结合，才使得我们在生物医学信号特征的检测、提取及临床应用上有了新的手段，因而也帮助我们加深了对人体自身的认识。 生物医学仪器包括了诊断仪器和治疗仪器两大类。在诊断仪器中要寻找对诊断
3、有意义的具有某种特征的信号或信号的某种特征量。在治疗仪器中同样需要确定特征信号的存在或信号特征量的大小去控制治疗部分的工作 。一般说来，信号并不能直接提供这些信息，它们需要应用信号处理方法去提取。生物医学信号属于强噪声背景下的低频微弱信号 ,它是由复杂的生命体发出的不稳定的自然信号 ,从信号本身特征、检测方式到处理技术 ,都不同于一般的信号。 关键词 :生物医学；信号处理；强噪声；低频微弱 Abstract Biomedical Signal Processing Biomedical Engineering is an important area of research, but also
4、 the rapid development in recent years, digital signal processing technology, an important application, precisely because digital signal processing technology and the close integration of biomedical engineering, it makes us in biomedical signal feature detection, extraction and clinical applications
5、 with new tools, and thus help us to deepen their understanding of the human body. Biomedical instrumentation includes equipment diagnostic instruments and treatment of two categories. Diagnostic instrument in the diagnosis to look for some characteristics of a meaningful signal or a signal of some
6、kind of characteristic quantities. In the treatment of the instrument features the same need to determine signal characteristics signal the presence or amount of treatment to control the size of some of the work. In general, the signal does not directly provide this information, they require the app
7、lication of signal processing methods to extract. Biomedical signal is strong noise in the low-frequency signal, which is issued by the complexity of life on the instability of the natural signals from the signal itself, characteristics, test methods to processing, are different from the signal. Key
8、words: Biomedical; signal processing; strong noise; low-frequency weak 1.引言 1.1 生 物医学信号的特点 生物医学信号由于受到人体诸多因素的影响 ,因而有着一般信号所没有的特点。 (1)信号弱。例如从母体腹部取到的胎儿心电信号 1050 V，脑干听觉诱发响应信号小于 1 V。 (2)噪声强。由于人体自身信号弱 ,加之人体又是一个复杂的整体 ,因此信号易受噪声的干扰。如胎儿心电混有很强噪声 ,它一方面来自肌电、工频等干扰；另一方面 ,在胎儿心电中不可避免地含有母亲心电 ,母亲心电相对我们要提取的胎儿心电则变成了噪声。 (
9、3)频率范围一般较低。除心音信号频谱成份稍高外 ,其他电生理信号频谱一般较低。 (4)随机性强。生物 医学信号不但是随机的 ,而且是非平稳的。正是因为生物医学信号的这些特点 ,使得生物医学信号处理成为当代信号处理技术最可发挥其威力的一个重要领域。 1.2 生物医学信号的分类 生物信号如从电的性质来讲 ,可以分成电信号和非电信号。如心电、肌电、脑电等属于电信号 ;其它如体温、血压、呼吸、血流量、脉搏、心音等属于非电信号 ,非电信号又可分为 :(1)机械量 ,如振动 (心音、脉搏、心冲击、血管音等 )、压力 (血压、气压和消化道内压等 )、力 (心肌张力等 );(2)热学量 ,如体温 ;(3)光学
10、量 ,如光透射性 (光电脉波、血氧饱和度等 );(4)化学量 ,如血液的 pH 值、呼吸气体等。如从处理的维数来看 ,可以分成一维信号和二维信号 ,如体温、血压、呼吸、血流量、脉搏、心音等属于一维信号 ;而脑电图、心电图、肌电图、 X 光片、超声图片、 CT 图片、核磁共振 (MRI)图像等则属于二维信号。 2. 生物医学信号的检测处理方法 2.1 生物医学信号检测方法 生物医学信号检测是对生物体中包含生命现象、状态、性质、变量和成份等信息的信号进行检测和量化的技术。生物医学信号处理的研究 ,是根据生物医学信号的特点 ,对所采集到的生物医学信号进行分析、解释、分类、显示、 存贮和传输 ,其研究
11、目的一是对生物体结构与功能的研究 ,二是协助对疾病进行诊断和治疗。 2.1.1 信号检测的步骤 生物医学信号通过电极拾取或通过传感器转换成电信号，经放大器及预处理器进行信号放大和预处理，然后经 A/D 转换器进行采样，将模拟信号转变为数字信号，输入计算机，然后通过各种数字信号处理算法进行信号分析处理，得到有意义的结果。 图 2-1 2.1.2 生物医学信号的检测技术的分类 生物医学信号检测技术是生物医学工程学科研究中的一个先导技术 ,由于研究者所站的立场、目的以及采用的检测方法不同 ,使生物医学信号的 检测技术的分类呈现多样化 ,具体介绍如下 :（ 1）无创检测、微创检测、有创检测 ;（ 2）
12、在体检测、离体检测 ;（ 3）直接检测、间接检测 ;（ 4）非接触检测、体表检测、体内检测 ;（ 5）生物电检测、生物非电量检测 ;（ 6）形态检测、功能检测 ;（ 7）处于拘束状态下的生物体检测、处于自然状态下的生物体检测 ;（ 8）透射法检测、反射法检测 ;（ 9）一维信号检测、多维信号检测 ;（ 10）一次量检测、二次量分析检测 ;（ 11）分子级检测、细胞级检测、系统级检测。 2.2 生物医学信号检测系统 生物医学传感器是获取生物医学信息并将其转换成易于测 量和处理的信号的关键器件。生物医学信号检测技术的研究已涉及生物体各层次的广泛的生物信息。 应用电极可检测心电、脑电、肌电、眼电和神
13、经电等各种生物电信号；物理传感器已用于血压、血流、体温，心音、脉搏、呼吸等各种生理量的测量；应用化学传感器可检测血、尿等体液中多种离子浓度；用于检测酶、抗原、抗体、神经递质、激素、受体、 DNA 和 RNA 等生物活性物质的生物传感器亦在研究及迅速发展之中；心磁、脑磁等生物磁信号的检测方法的研究正在受到重视。 生物医学信号检测技术已广泛应用于医学研究、临床检查、病人监护、治疗控制、以及 人工器官和运动医学等领域，是一种基础性技术。 生物医学信号检测的发展趋向是：发展微型化、多参数生物医学传感器，特别是加强化学传感器和生物传感器的实用化研究；发展以生物电和生物磁为代表的无创检测技术；发展植入式、
14、动态监测式技术和生物遥测技术；发展细胞和分子水平的检测技术。 2.3 生物医学信号处理方法 生物医学信号处理是研究从被干扰和噪声淹没的信号中提取有用的生物医学信息的特征并作模式分类的方法。由于生物医学信号具有随机性强和噪声背景强的特点，采用了诸多数字处理技术进行分析： 1 对信号时域分析的相干平均算法、 相关技术； 2 信号频域分析的快速傅立叶变换算法、各种数字滤波算法； 3 平稳随机信号分析的功率谱估计算法、参数模型方法； 4 非平稳随机信号分析的短时傅立叶变换、时频分布（维格纳分布）、小波变换、 5 变参数模型、自适应处理等算法； 6 信号的非线性处理方法如混沌与分形、人工神经网络算法等。
15、 这些方法在生物医学信号分析、医学图像技术和医学仪器中已得到了广泛的应用。例如： 1 采用相干平均技术已成功提取诱发脑电、希氏束电和心室晚电位等微弱信号； 2 在心电和脑电体表标测中采用计算机进行多道信号同步处理并推求原始信号源的活 动（逆问题）； 3 在心电、脑电、心音、肺音等信号的自动识别分析中应用了多种信号处理方法进行特征提取与自动分类； 4 在生理信号数据压缩和模式分类中引入了人工神经网络方法； 5 在脑电、心电、神经电活动、图像分割处理、三维图像表面特征提取及建模等方面引入混沌与分形理论等，已取得了许多重要的研究成果并得到了广泛的临床应用。 2.4 信号的滤波 在对医学信号进行检测分
16、析时，由于生物医学信号总是不可避免的伴随着不同频率的噪声干扰，为了有效的提取信号，抑制噪声，需要使用相应的滤波器进行滤波。数字滤波器是数字信号处理中使 用的最广泛的一种线性系统，是数字信号处理的重要基础。 数字滤波器作为一个线性系统，系统的输入 x(t)包含信号 s(t)和干扰 n(t)，如果 s(t)和 n(t)在频谱上不重叠，即可通过一个特定的滤波器系统滤除干扰n(t)，得到的输出 y(t)近似地等于 s(t)。 图 2-2 3.生物医学信号的处理技术 自然界中广泛的生物医学信号是连续的 ,人们处理生物医学信号的程序一般是先经 A/D 转换 ,将其转换成数字信号 ,然后送到计算机中进行处理
17、。 3.1 时域方法 AEV 方法 AEV 方法原是通信研究中用于提高信噪比的 一种叠加平均法 ,在医学研究中也叫平均诱发反应法 ,简称 AEV(averaged evoked response)方法。所谓诱发反应就是肌体对某个外加刺激所产生的反应 ,AEV 方法常用来检测那些微弱的生物医学信号 ,如希氏束电图、脑电图、耳蜗电图等。希氏束电图的信号幅度仅 110 V,它们在用 AEV 方法检测之前 ,几乎或完全淹没在很强的噪声中 ,这些噪声包括自发反应、外界干扰、仪器噪声。 AEV 方法要求噪声是随机的 ,并且其协方差为零 ,信号是周期或重复产生的 ,这样经过 N平方次叠加 ,信噪比可提高 N
18、倍 ,使用AEV 方法的关键是寻 找叠加的时间基准点。 3.2 频域滤波方法 频域滤波是数字滤波中常用的一种方法 ,是消除生物医学信号中噪声的另一种有效方法。当信号频谱与噪声频谱很小时 ,可用频域滤波的方法来消除干扰 ,频域滤波器可分为两类 :FIR(FiniteImpulseResponse)滤波器 , FIR 滤波器的设计方法主要有 :窗函数法 ,频率采样法 ; IIR( Infinite ImpulseResponse)滤波器 , IIR 滤波器的主要设计方法有 :冲激响应不变法 ,双线性变换法。 3.3 自适应滤波方法 自适应滤波器能够跟踪和适应系统或环境的 动态变化 ,它不需要事先知
19、道信号或噪声的特性 ,通过采用期望值和负反馈值进行综合判断的方法来改变滤波器的参数。自适应滤波器的设计有两种最优准则 ,一种准则是使滤波器的输出达到最大的信噪比 ,称为匹配滤波器 ;另一种准则是使滤波器的输出均方估计误差为最小 ,这就是维纳 (W iener)滤波器。维纳滤波器是从噪声中提取信号的一种有效的方法 ,它是根据全部过去和当前的观测数据来估计信号的当前值 ,维纳滤波器要求解著名的 WienerHopf 方程 ,它是期望存在情况下的线性最优滤波 器。卡尔曼 (Kalman)从状态空间模型出发 ,提出了 基于状态空间模型的线性最优滤波器即卡尔曼滤波器。 Kalman 滤波理论是 W ie
20、ner 滤波理论的发展 ,它最早用于随机过程的参数估计 ,后来很快在各最优滤波和最优控制问题中得到了广泛的应用。值得提出的 Kalman 滤波器提供了推导称作递推最小二乘滤波器的一大类自适应滤波器的统一框架 ,实际上广泛使用的最小二乘算法即是 kalman 算法的一个特例。 3.4 混沌和分形方法 混沌和分形理论是一种非线性动力学课题 ,混沌系统的最大特点是初值敏感性和参数敏感性 ,即所谓的蝴蝶效应。混沌学研究的是无序中的有序 ,许多现象即使遵循严格的 确定性规则 ,但大体上仍是无法预测的 ,比如大气中的湍流、人心脏的跳动等。混沌事件在不同的时间标度下表现出相似的变化模式 ,与分形在空间标度下
21、表现十分相象 ,但混沌主要讨论非线性动力系统的不稳、发散的过程。混沌与分形在脑电信号处理的应用中尤为引人注目。自本世纪二十年代发现脑电信号以来 ,人们对其已进行了大量的研究 ,然而由于脑电信号的随机性很强 ,始终难以找到其规律性 ,无法使脑电信号成为认识大脑思维以及某些属性的有用信息。究其原因是脑电信号是神经元动作电位的无规则的脑电活动 ,实际上只由少数独立的动力学变量控制着 ,因此可以 用研究混沌动力学的方法来研究人脑的功能。 3.5 小波分析方法 小波分析是传统傅里叶变换的继承和发展。由于小波的多分辨分析(Multi-resolution Analysis)具有良好的空间域和频率域局部化特
22、性 ,对高频采用逐渐精细的时域或空域取样步长 ,可以聚焦到分析对象的任意细节 ,从这个意义上讲 ,它已被人们誉为数学显微镜。目前 ,在心电数据的压缩、生物医学信号的信噪分离、 QRS 波的综合检测、脑电图 EEG 的时频分析、信号的提取与奇异性检测等方面有了广泛的应用。 3.6 人工神经网络分析方法 人工神经网络是一种模 仿生物神经元结构和神经信息传递机理的信号处理方法 ,是由大量简单的基本单元 (神经元 )相互广泛联接构成的自适应非线性动态系统 ,其特点是：（ 1）并行计算 ,因此处理速度快 ;（ 2）分布式存贮 ,因此容错能力较好 ;（ 3）自适应学习。生物医学工程工作者采用神经网络的方法来解释许多复杂的生理现象 ,例如心电和脑电的识别 ,心电信号的压缩和医学图像的识别和处理。神经网络在微弱生理电信号的检测和处理应用主要集中在对自发脑电 EEG的分析和脑干听觉诱发电位的提取。
