關鍵詞：研究概況

生物醫學信號屬于強噪聲背景下的低頻微弱信號，它是由復雜的生命體發出的不穩定的自然信號，從信號本身特征、檢測方式到處理技術，都不同于一般的信號。

1 生物醫學信號的特點

生物醫學信號由于受到人體諸多因素的影響，因而有著一般信號所沒有的特點。①信號弱，例如從母體腹部取到的胎兒心電信號10~50μV。腦干聽覺誘發響應信號小于1μV。②噪聲強，由于人體自身信號弱，加之人體又是一個復雜的整體，因此信號易受噪聲的干擾。如胎兒心電混有很強噪聲，它一方面來自肌電、工頻等干擾，另一方面，在胎兒心電中不可避免地含有母親心電，母親心電相對我們要提取的胎兒心電則變成了噪聲。③頻率范圍一般較低，除心音信號頻譜成份稍高外，其他電生理信號頻譜一般較低。④隨機性強，生物醫學信號不但是隨機的，而且是非平穩的。正是因為生物醫學信號的這些特點，使得生物醫學信號處理成為當代信號處理技術最可發揮其威力的一個重要領域。

2 生物醫學信號的分類

生物信號如從電的性質來講，可以分成電信號和非電信號，如心電、肌電、腦電等屬于電信號；其它如體溫、血壓、呼吸、血流量、脈博、心音等屬于非電信號，非電信號又可分為：①機械量，如振動（心音、脈搏、心沖擊、Korotkov音等）、壓力（血壓、氣血和消化道內壓等）、力（心肌張力等）；②熱學量，如體溫；③光學量，如光透射性（光電脈波、血氧飽和度等）；④化學量，如血液的pH值、血氣、呼吸氣體等。如從處理的維數來看，可以分成一維信號和二維信號，如體溫、血壓、呼吸、血流量、脈博、心音等屬于一維信號；而腦電圖、心電圖、肌電圖、X光片、超聲圖片、CT圖片、核磁共振（MRI）圖像等則屬于二維信號。

3 生物醫學信號的檢測方法

生物醫學信號檢測是對生物體中包含生命現象、狀態、性質、變量和成份等信息的信號進行檢測和量化的技術。生物醫學信號處理的研究，是根據生物醫學信號的特點，對所采集到的生物醫學信號進行分析、解釋、分類、顯示、存貯和傳輸，其研究目的一是對生物體系結構與功能的研究，二是協助對疾病進行診斷和治療。生物醫學信號檢測技術是生物醫學工程學科研究中的一個先導技術，由于研究者所站的立場、目的以及采用的檢測方法不同，使生物醫學信號的檢測技術的分類呈現多樣化，具體介紹如下：①無創檢測、微創檢測、有創檢測；②在體檢測、離體檢測；③直接檢測、間接檢測；④非接觸檢測、體表檢測、體內檢測；⑤生物電檢測、生物非電量檢測；⑥形態檢測、功能檢測；⑦處于拘束狀態下的生物體檢測、處于自然狀態下的生物體檢測；⑧透射法檢測、反射法檢測；⑨一維信號檢測、多維信號檢測；⑩遙感法檢測、多維信號檢測；一次量檢測、二次量分析檢測；分子級檢測、細胞級檢測、系統級檢測。

4 生物醫學信號的處理

技術自然界中廣泛的生物醫學信號是連續的，人們處理生物醫學信號的程序一般是先經A/D轉換，將其轉換成數字信號，然后送到計算機中進行處理。本文對一維信號的處理方法進行探討。

4.1 時域方法——AEV方法AEV方法原是通信研究中用于提高信噪比的一種疊加平均法，在醫學研究中也叫平均誘發反應法，簡稱AEV（averaged evoked response）方法。所謂誘發反應就是肌體對某個外加刺激所產生的反應，AEV方法常用來檢測那些微弱的生物醫學信號，如希氏束電圖、腦電圖、耳蝸電圖等。希氏束電圖的信號幅度僅1~10μV，它們在用AEV方法檢測之前，幾乎或完全淹沒在很強的噪聲中，這些噪聲包括自發反應、外界干擾、儀器噪聲。AEV方法要求噪聲是隨機的，并且其協方差為零，信號是周期或重復產生的，這樣經過N平方次疊加，信噪比可提高N倍，使用AEV方法的關鍵是尋找疊加的時間基準點。

4.2 頻域濾波方法頻域濾波是數字濾波中常用的一種方法，是消除生物醫學信號中噪聲的另一種有效方法。當信號頻譜與噪聲頻譜很小時，可用頻域濾波的方法來消除干擾，頻域濾波器可分為兩類：FIR（Finite Impulse Response）濾波器，FIR濾波器的設計方法主要有：窗函數法，頻率采樣法；IIR(Infinite Impulse Response）濾波器，IIR濾波器的主要設計方法有：沖激響應不變法，雙線性變換法。

4.3 自適應濾波方法自適應濾波器能夠跟蹤和適應系統或環境的動態變化，它不需要事先知道信號或噪聲的特性，通過采用期望值和負反饋值進行綜合判斷的方法來改變濾波器的參數。自適應濾波器的設計有兩種最優準則，一種準則是使濾波器的輸出達到最大的信噪比，稱為匹配濾波器；另一種準則是使濾波器的輸出均方估計誤差為最小，這就是維納（Wiener）濾波器。維納濾波器是從噪聲中提取信號的一種有效的方法，它是根據全部過去和當前的觀測數據來估計信號的當前值，維納濾波器要求解著名的WienerHopf方程，它是期望存在情況下的線性最優濾波器。卡爾曼（Kalman）從狀態空間模型出發，提出了基于狀態空間模型的線性最優濾波器即卡爾曼濾波器。 Kalman濾波理論是Wiener濾波理論的發展，它最早用于隨機過程的參數估計，后來很快在各最優濾波和最優控制問題中得到了廣泛的應用。值得提出的Kalman濾波器提供了推導稱作遞推最小二乘濾波器的一大類自適應濾波器的統一框架，實際上廣泛使用的最小二乘算法即是Kalman算法的一個特例。

4.4 混沌（Chaos）和分形（Fractal）方法混沌和分形理論是一種非線性動力學課題，混沌系統的最大特點是初值敏感性和參數敏感性，即所謂的蝴蝶效應。混沌學研究的是無序中的有序，許多現象即使遵循嚴格的確定性規則，但大體上仍是無法預測的，比如大氣中的湍流、人心臟的跳動等。混沌事件在不同的時間標度下表現出相似的變化模式，與分形在空間標度下表現十分相象，但混沌主要討論非線性動力系統的不穩、發散的過程。混沌與分形在腦電信號處理的應用中尤為引人注目。自本世紀二十年代發現腦電信號以來，人們對其已進行了大量的研究，然而由于腦電信號的隨機性很強，始終難以找到其規律性，無法使腦電信號成為認識大腦思維以及某些屬性的有用信息。究其原因是腦電信號是神經元動作電位的無規則的腦電活動，實際上只由少數獨立的動力學變量控制著，因此可以用研究混沌動力學的方法來研究人腦的功能。

4.5 小波分析（Wavelet Analysis）方法小波分析是傳統傅里葉變換的繼承和發展。由于小波的多分辨分析（Multiresolution Analysis）具有良好的空間域和頻率域局部化特性，對高頻采用逐漸精細的時域或空域取樣步長，可以聚焦到分析對象的任意細節，從這個意義上講，它已被人們譽為數學顯微鏡。目前，在心電數據的壓縮、生物醫學信號的信噪分離、QRS波的綜合檢測、腦電圖EEG的時頻分析、信號的提取與奇異性檢測等方面有了廣泛的應用。

4.6 人工神經網絡（Artificial Neural Networks）分析方法人工神經網絡是一種模仿生物神經元結構和神經信息傳遞機理的信號處理方法，是由大量簡單的基本單元（神經元）相互廣泛聯接構成的自適應非線性動態系統，其特點是：①并行計算，因此處理速度快；②分布式存貯，因此容錯能力較好；③自適應學習。生物醫學工程工作者采用神經網絡的方法來解釋許多復雜的生理現象，例如心電和腦電的識別，心電信號的壓縮和醫學圖像的識別和處理。神經網絡在微弱生理電信號的檢測和處理應用主要集中在對自發腦電EEG的分析和腦干聽覺誘發電位的提取。