生物医学信号的处理分析

生物医学信号的处理分析
　　生物医学信号处理是国内外近年来迅速发展的一个数字信号领域。在生物医学研究中有各种各样待提取和处理的信号。生物医学信号可以定义为源于一个生物系统的一类信号，像心音，脑电，肌电信号等，这些信号通常包含有与生物系统生理和机构状态信息相关的信息，它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，主要特点是随机性和强背景噪声。本文从生物医学信号处理的发展过程，发展现状的角度，着重于对生物医学信号的提取滤波和处理分析两个方面，研究探索数字信号处理技术的发展及其所起的作用，并探索未来数字信号处理技术在生物医学信号处理的发展方向和发展前景。http://www.751com.cn

　　一、生物医学信号的提取滤波

　　1、常规滤波。噪声与信号的结合方式对滤波的处理方式有个根本性的影响。通常情况下将信号看作是噪声与信号本身两者的加法性结合，即接收到的信号 a（t）= 信号 x（t）+ 噪声 n（t）。 如果两者频谱不混叠或者交叠范围很小，那么用常规的滤波器就可以取得很好的效果。最常用的是频域滤波法。

　　频域滤波器分为两类：线性相位 FIR 数字滤波器，它的设计方法主要有窗函数法，频率采样法等。还有一种是IIR滤波器，它的主要设计方法为脉冲响应不变法和双线性变换设计法。但这种方法的前提是信号的频率是已知的。

　　2、相干平均法。相干平均法是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方法。

　　AEV 方法是可保证信号不失真从噪声中分离出信号的数字技术。它的原理是信号平均将重叠的时间位置求和。若信号的时间位子十分一致，则信号将直接组合在一起，另一方面，无关联的噪声被平均，从而信噪比得到提高。AEV 方法常用来检测医学微弱的生物医学信号，如希氏束电图，脑电图等。

　　该方法要求噪声是随机的，并且协方差为零。信号是周期或重复出现的，这样经过N次平方叠加，信噪比将提高N倍。

　　3、自适应滤波。近年来，自适应处理技术受到人们重视，在数字信号处理领域发展十分迅速。它的特点是在没有关于待提取信息的先验统计知识的条件下，直接利用观测的数据根据某种判据在观测过程中不断地递归更新处理参数以逐步逼近某一最优处理结果。

　　二、生物医学信号的处理分析

　　1、傅里叶变换。传统的信号处理方法一般采用傅里叶变换，从本质上将，傅里叶变换就像一个三棱镜，它将一个信号函数分解成多个频率成分，吧信号从时域变为频域上研究，其理论描述为
 

　　傅里叶变换可以获得信号的整体频谱，但却不能将二者有机的结合起来，信号的时域波形中不包含任何的频域信息，而傅里叶谱是信号的统计特性，是时域内的积分，积分区间为无穷大，没有局部化分析信号的功能，由于这个局限性，它对生物医学信号这种非平稳型很强的处理功能很差。

　　2、小波变换。像心电信号这种具有较强的随机性和强背景噪声，而且又属于非平稳非线性的弱信号的生物医学信号的处理，小波分析较之傅里叶变换显示出了强大的优越性。

　　小波变换定义如下：

　　如果某函数满足一下条件：

　　叶变换 ），我们就说ψ（t）满足小波变换的允许条件，小波变换是指把这一基本小波的函数ψ（t）作位移 之后，再在不同尺度下与待分析信号x（t）作内积。

　　3、人工神经网络。信息科学与生命科学的相互交叉，相互渗透和相互促进是近代科学技术发展的一个显着特点，人工神经网络是在现代神经生物学研究成果的基础上发展起来的一种模拟人脑信息处理机制的网络系统，它以大规模并行处理为主，不但具有处理数值数据的一般计算能力，而且还具有处理只是的思文，学习和记忆能力。近年来，人工神经网络的迅速发展使其成为信号处理强有力的工具，由于神经网络可以把专家知识和先验知识结合成一个数学框架来完成提取和识别功能，不需要任何对数据和噪声的先验假设，所以最适合用于研究和分析生物医学信号。

　　三、发展前景

　　对数字信号处理技术的未来发展，在生物医学信号处理方面，我认为应减小其应用的局限性，加强对人工神经网络和小波分析的研究，研究分析利用小波理论开发具有真正意义的生物医学信号分析软件。面对现在就医难，医院病床紧张的问题，应致力于以小波变换的数据压缩技术及远程医疗和家庭医疗监护数据的存储问题，让一些病人可以在家里完成监护功能，缓减医院病床紧张问题。

　　参考文献：
　　[1] 刘海龙 生物医学信号处理 化学工业出版社 2006
　　[2] C.Sidney Burrus ,Ramesh A.Gopinath 机械工业出版社 2008
　　[3] 刘明才 小波分析及其应用 清华大学出版社 2005