生物醫學信號的處理分析

生物醫學信號處理是國內外近年來迅速發展的一個數字信號領域，以下是小編蒐集整理的一篇關於生物醫學信號處理探究的論文範文，供大家閱讀查看。

在生物醫學研究中有各種各樣待提取和處理的信號。生物醫學信號可以定義爲源於一個生物系統的一類信號，像心音，腦電，肌電信號等，這些信號通常包含有與生物系統生理和機構狀態信息相關的信息，它由於受到人體諸多因素的影響，因而有着一般信號所沒有的特點，主要特點是隨機性和強背景噪聲。本文從生物醫學信號處理的發展過程，發展現狀的角度，着重於對生物醫學信號的提取濾波和處理分析兩個方面，研究探索數字信號處理技術的發展及其所起的作用，並探索未來數字信號處理技術在生物醫學信號處理的發展方向和發展前景。

　一、生物醫學信號的提取濾波

1、常規濾波。噪聲與信號的結合方式對濾波的處理方式有個根本性的影響。通常情況下將信號看作是噪聲與信號本身兩者的加法性結合，即接收到的信號a(t)=信號x(t)+噪聲n(t)。如果兩者頻譜不混疊或者交疊範圍很小，那麼用常規的濾波器就可以取得很好的效果。最常用的是頻域濾波法。

頻域濾波器分爲兩類：線性相位FIR數字濾波器，它的設計方法主要有窗函數法，頻率採樣法等。還有一種是IIR濾波器，它的主要設計方法爲脈衝響應不變法和雙線性變換設計法。但這種方法的前提是信號的頻率是已知的。

2、相干平均法。相干平均法是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方法。

AEV方法是可保證信號不失真從噪聲中分離出信號的數字技術。它的原理是信號平均將重疊的時間位置求和。若信號的時間位子十分一致，則信號將直接組合在一起，另一方面，無關聯的噪聲被平均，從而信噪比得到提高。AEV方法常用來檢測醫學微弱的生物醫學信號，如希氏束電圖，腦電圖等。

該方法要求噪聲是隨機的，並且協方差爲零。信號是週期或重複出現的，這樣經過N次平方疊加，信噪比將提高N倍。

3、自適應濾波。近年來，自適應處理技術受到人們重視，在數字信號處理領域發展十分迅速。它的特點是在沒有關於待提取信息的先驗統計知識的條件下，直接利用觀測的數據根據某種判據在觀測過程中不斷地遞歸更新處理參數以逐步逼近某一最優處理結果。

二、生物醫學信號的處理分析

1、傅里葉變換。傳統的信號處理方法一般採用傅里葉變換，從本質上將，傅里葉變換就像一個三棱鏡，它將一個信號函數分解成多個頻率成分，吧信號從時域變爲頻域上研究，其理論描述爲

傅里葉變換可以獲得信號的整體頻譜，但卻不能將二者有機的結合起來，信號的時域波形中不包含任何的頻域信息，而傅里葉譜是信號的統計特性，是時域內的積分，積分區間爲無窮大，沒有局部化分析信號的功能，由於這個侷限性，它對生物醫學信號這種非平穩型很強的處理功能很差。

2、小波變換。像心電信號這種具有較強的隨機性和強背景噪聲，而且又屬於非平穩非線性的弱信號的生物醫學信號的處理，小波分析較之傅里葉變換顯示出了強大的優越性。

小波變換定義如下：

如果某函數滿足一下條件：

葉變換)，我們就說ψ(t)滿足小波變換的允許條件，小波變換是指把這一基本小波的函數ψ(t)作位移之後，再在不同尺度下與待分析信號x(t)作內積。

3、人工神經網絡。信息科學與生命科學的.相互交叉，相互滲透和相互促進是近代科學技術發展的一個顯着特點，人工神經網絡是在現代神經生物學研究成果的基礎上發展起來的一種模擬人腦信息處理機制的網絡系統，它以大規模並行處理爲主，不但具有處理數值數據的一般計算能力，而且還具有處理只是的思維，學習和記憶能力。近年來，人工神經網絡的迅速發展使其成爲信號處理強有力的工具，由於神經網絡可以把專家知識和先驗知識結合成一個數學框架來完成提取和識別功能，不需要任何對數據和噪聲的先驗假設，所以最適合用於研究和分析生物醫學信號。

三、發展前景

對數字信號處理技術的未來發展，在生物醫學信號處理方面，我認爲應減小其應用的侷限性，加強對人工神經網絡和小波分析的研究，研究分析利用小波理論開發具有真正意義的生物醫學信號分析軟件。面對現在就醫難，醫院病牀緊張的問題，應致力於以小波變換的數據壓縮技術及遠程醫療和家庭醫療監護數據的存儲問題，讓一些病人可以在家裏完成監護功能，緩減醫院病牀緊張問題。

參考文獻：

[1]劉海龍生物醫學信號處理化學工業出版社2006

[2]eyBurrus,nath機械工業出版社2008

[3]劉明才小波分析及其應用清華大學出版社2005