医学电信号的提取和处理

摘　要：摘要：人体中的电信号能够反映出人体某方面的生理状况，能够通过这些信号及时的发现人体的一些病变，对临床疾病的治疗有重要的指导意义。这些信号极其微弱，而且都淹没在各种的噪声中，信号的提取和处理都非常复杂。目前对系统信号分析处理的方法都在生物医学工程领域有了很好的应用，本文对此做一下简 要分析。

关键词：关键词：医学电信号 信号提取 信号处理 信号识别

中图分类号：TP721    文献标识码：A     文章编号：

    1．人体的医学电信号
    人体中具有医学诊断意义的电信号，主要包括心电（ECG）、脑电(EEG)和肌电(EMG)这三种。心电简单的来说就是心脏窦房结中所有P细胞兴奋时所产生的电信号，然后再通过传导路径依次兴奋心房和心室，使心脏的产生节律性搏动。脑电是大脑皮层活动时所产生的电位变化，反映的是大脑皮层不同部位的兴奋性。肌电信号是在运动神经元的末梢传递的动作信号作用下，引起肌纤维产生去极化和电位扩散的过程。这三种生理电信号对人体某些疾病的诊断和治疗有重要的指导意义。
    2．心电、脑电和肌电信号的特点
    人体系统是一个非常复杂的有源系统，而且信号源具有不可触及性，我们很难直接测量到这些电信号，所以只能间接的在人体不同部位安放不同电极，然后测量这些电极间的电位变化，进而分析实际的电活动信号。除此之外，这三种电信号还有如下特点：
    2.1 信号较弱，幅值较小：ECG体表电极可测得的电压值范围为10 ～4 ，EEG头皮电极可测得的电压值范围为 10～300 ，EMG针电极可测得的电压值范围是0.1 ～5 。
    2.2 皮率比较低：ECG的频率范围是0.05～250Hz，主要集中在17Hz；EEG的频率范围是0.5～100Hz，主要集中在0～13Hz；EMG的频率范围是5～2000Hz。
    2.3 噪声强：这些微弱的电信号很容易受到来自人体、供电电源和测量设备的干扰。比如人在呼吸或身体姿势改变时带来的干扰，50Hz的工频干扰，不需要观察的人体电信号对要观察的人体电信号的干扰等。
    2.4 信号的随机性比较强：人体的电信号不具有规律性、不能准确预测、不能用某一关系明确的数学表达式描述。
    人体电信号的以上几种特性，造成了对这些电信号的检测和处理相当困难，几乎一切信号处理的新理论和新方法都在该领域得了很好的到应用。
    3．人体医学号的提取
    由于人体的电信号比较微弱，容易受到各种干扰，同时由于安放的电极和人体之间有非常大的电阻，所以在提取信号的最前级，一定要用高输入阻抗、高共模抑制比和高放大倍数的电路。在实际应用中常采用的是高输入阻抗的差分放大电路，图（1）是由运放组成的差分放大电路，下面简要介绍一下：
    从图（1）可以看到A1、A2两个同相运放电路共同构成输入级，再与放大器A3串联组成三运放差分放大电路。 电路中有关电阻保必须持严格对称, 该电路具有以下几个特点:
    (1)互补对称的输入级提高了差模信号与共模信号之比, 即提高了信噪比；
    (2)在保证该电路严格对称的条件下,各电阻阻值的误差对该电路的共模抑制比几乎没有影响；
    (3)该电路对输入的共模信号几乎没有放大作用, 共模电压增益接近零。
    该电路中 R 1=R 2 、R 3=R4、R5=R 6，故可导出两级差模总增益为：
 
 
                                                        图（1）
    4、信号的处理技术
    人体的电信号都是连续变化的模拟信号，必须进行A/D转换，将转换成的数字信号输入到计算机中，再进行后续的处理。计算机对数字信号的处理方法主要有以下几种：
    1、频域滤波方法
    频域滤波是数字滤波最常见的一种方法,在生物医学信号处理中也是常用方法之一。当信号频谱与噪声频谱都很小时,可用频域滤波的方法来处理信号，消除干扰。频域滤波技术中的关键是设计一个适当的滤波传递函数H(u，v)，凡是我们感兴趣的频率分量对应的H（u，v）=1或k（k大于1的常数）；凡是我们不需要的频率分量对应的H（u，v）=0或h(0＜h＜1)。这样就可以凸显出我们所要提取信号的特性，而滤除其他的干扰信号。
    2、时域方法——AEV方法
    对于一些随机干扰信号，我们可以采用时域滤波的方法。AEV方法一种用于提高信号信噪比的叠加平均法,在医学信号处理中也被称为平均诱发反应法AEV(averaged evoked response)。诱发反应就是肌体对某个外加刺激所产生的反应，AEV方法常被用来检测那些比较微弱的生物医学信号,比如脑电。脑电图的信号幅度仅10 ～ 300，在利用AEV方法检测之前,脑电信号几乎完全淹没在很强的噪声中,这些噪声包括自发反应、工频干扰、仪器噪声等。
    3、自适应滤波方法
    自适应滤波器能够根据输入信号自动调整性能进行数字信号处理的数字滤波器。对于一些应用来说，由于事先并不知道所需要处理的参数，所以要求使用自适应的系统来处理。人体的电信号大多是随机信号，我们事先并不能确定这些信号的发生发展过程，因此，利用自适应滤波器的自适应特性，能够很好的追踪信号的特性，提取出我们所感兴趣的信号特征。
    4、人工神经网络(ArtificialNeuralNetworks)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）系统能够实现并行计算，因此处理速度快；（2）信息实现分布式储存,因此容错能力较好；（3）系统具有自适应学习能力。生物医学工程师采用神经网络的方法来进行心电和脑电的识别,心电信号的压缩和医学图像的处理。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的分析和提取。
    5、小波分析(WaveletAnalysis)方法
    小波分析是在傅里叶变换的基础上发展而来。与Fourier变换相比，小波变换是时间(空间)和频率的局部化分析，它通过伸缩平移运算对信号逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节，解决了Fourier变换的困难问题，成为继Fourier变换以来在科学方法上的重大突破。有人把小波变换称为“数学显微镜”。目前,在心电数据的压缩、脑电图EEG的时频分析、QRS波的综合检测等方面有广泛的应用。
    6、混沌和分形的计算方法
    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，混沌学主要研究的是无序中的有序。混沌和分形的计算方法在脑电处理中的应用最为经典。自从人们发现脑电信号以来，人们对其的研究 已经越来越深入，然而由于脑电信号的随机性很强，始终很难找到它的规律性，人们无法解读脑电信号中所携带的有用信息。其主要原因是因为脑神经元动作电位是没有规则的，实际上只由少数独立的动力学变量控制着，因此可以采用混沌分形的方法来研究人大脑的电信号特性。
    5、小结
    人体系统中电信号的复杂性决定了处理这些信号不可能采用单一的方法，为了取得比较理想的目标信号，往往在一个信号处理系统中采用了多种处理方法。目前有比较多的信号处理工具可以供人们选择，比如MATLAB和LabView，如果能好好利用这些工具，将会大大提高我们的工作效率。
参考文献
[1] 胡广书，《数字信号处理》, 清华大学出版社, 2003.8
[2] 童诗白、华成英，《模拟电子技术基础》, 高等教育出版社, 2001
[3]管致中, 《信号与线性系统》, 高等教育出版社, 2004.1
[4]《利用小波包消除心电信号的基线漂移》, 工程、计算和技术学报，2004年12月，第三卷.
[5]《QRS监测的软件原理》, IEEE制药与生物工程, 2002年1/2月.