浅谈生物医学信号应用与发展

鲜星宇

【摘要】 数字信号处理技术一诞生就显示了强大的生命力，展现了极为广阔的应用前景。主要讨论数字信号处理技术中小波分析、人工神经网络、维格纳分布在生物医学工程中的应用，并对数字信号处理技术在生物医学工程中的应用前景进行了展望。

【关键词】 数字信号处理； 小波分析； 人工神经网络； 维格纳分布

【中图分类号】R46 【文献标识码】B【文章编号】1004-4949（2015）03-0520-01

1 引言

自20世纪60年代以来，随着计算机和信息学科的飞速发展，大量的模拟信息被转化为数字信息来处理。于是就逐步产生了一门近代新兴学科——数字信号处理（Digital Signal Processing，简称DSP）技术。经过几十年的发展，数字信号处理技术现已形成了一门以快速傅里叶变换和数字滤波器为核心，以逻辑电路为基础，以大规模集成电路为手段，利用软硬件来实现各种模拟信号的数字处理，其中包括信号检测、信号变换、信号的调制和解调、信号的运算、信号的传输和信号的交换等各种功能作用的独立的学科体系。而生物医学工程就是应用物理学和工程学的技术去解决生物系统中所存在的问题，特别是人类疾病的诊断、治疗和预防的科学。它包括工程学、医学和生命科学中的许多学科。本文主要讨论数字信号处理技术中小波分析、人工神经网络、维格纳分布在生物医学工程中的应用。

2 数字信号处理在生物医学工程中的应用

2.1 小波分析在生物医学工程中的应用

近年来，小波的研究受到数学家，理论物理学家和工程学家们的关注，特别是在信号处理，图象处理，语音分析，模式识别，量子物理及众多非线性科学等应用领域，被认为是近年来在工具及方法上的重大突破。所謂的小波变换是指把某一被称为基本小波（motherwavelet）的函数ψ（ t） 作位移τ后，再在不同尺度α下与待分析信号x （ t） 作内积：

其中α为伸缩因子，τ为平移因子。等效的频域表示：

式中X （ω） ，Ψ （ω） 分别是x （ t） ，ψ（ t） 的傅里叶变换。

任何变换都必须能进行反变换才有实际意义，但反变换未必一定存在，对小波变换而言，所采用的小波必须满足允许条件可推论出Ψ （ω） = 0或∫ψ（ t） d t = 0，即小波变换必须具有带通性质。本来满足允许条件的ψ（ t） 便可作为基本小波，但考虑到频域上的局域要求， 条件就更苛刻一些：即要求小波在频域上局域性能好， 应要求ψ（ t） 的前n阶矩为零，也就是∫tnψ（ t） d t = 0，且n越大越好。在频域上这相当于要求Ψ （ω） 在ω = 0处有n阶零点。

小波分析方法具有以下特点： （ 1）时频局部化特点，即可以同时提供时域和频域局部化信息。（2）多分辨率，即多尺度的特点，可以由粗到细逐步观察信号。（3）带通滤波的特点，可以根据中心频率的变化调节带宽，中心频率的高低与带宽成反向变化，可以观测出信号的低频缓变部分和高频突变部分。这种变焦特性决定了它对非平稳信号处理的特殊功能。在生物医学工程中的信号处理，信号压缩，医学图象处理中，小波变换均有用武之地。

适当地选择小波基，可以方便地检测出信号的奇异点，观测信号的瞬态变化以及时域分析中信号不见的信息；此外利用带通特性，将信号分解成不同频带低频分解波和高频分解波，并提取出信号中的非平稳信号。

2.2 人工神经网络（ANN）在生物医学工程中的应用

人工神经网络是指由大量简单元件（即神经元，可以用电子元件，光学元件等模拟）广泛相互连接而成的复杂网络系统。神经网络有很多具体模型，其共同的基本特征是： （1）以大规模并行处理为主； （2）采用分布式存储，具有很强的容错性和联想功能； （ 3）强调自适应过程和学习（训练）过程。

人工神经网络的最新发展使其成为信号处理的强有力工具，对于那些用其它信号处理技术无法解决的问题，人工神经网络的应用开辟了新的领域，许多ANN的算法和它们的应用已广泛的在自然科学的各个领域被报道，在这些网络模型中，多层感知器被认为是最有用的学习模型，广泛应用于脑电信号，心电信号的处理中。

20世纪80年代末， 90年代初，神经网络的研究在国际上形成一股热潮，其原因是由于神经网络可将人脑的智能原理应用来解决工程技术及社会管理的许多复杂问题。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、病理现象，例如：心电、脑电、肌电、胃肠电等信号的识别，心电信号的压缩，医学图像的识别和处理等。人工神经网络是由大量的简单处理单元连接而成的自适应动力学系统，具有巨量并行性，分布式存贮，自适应学习的自组织等功能，可以用来解决生物医学信号分析处理中，用常规方法难以解决或无法解决的问题，神经网络在生物医学信号检测与处理中的应用主要集中在对脑电信号的分析，听觉诱发电位信号的提取；用于Holter系统的心电信号数据的压缩算法；医学图像的数据压缩算法等等。这些应用大多数都是基于神经网络的多层前馈网络反向传播算法（即BP算法）训练三层网络， 该方法能解决许多信号处理中的难题，如语言合成与识别，视觉模式识别。从输出层开始，连接到第一隐层的连接权用如下算法校正：

ΔWij =ηδj Xj

Wij （ t + 1） = Wij （ t） +ηδj Xj

其中， Wij （ t） 对应时刻t输出层i到隐层节点j的连接权， Xj 隐层第j个节点的输出；η为学习率控制常数，δj是误差。

由于神经网络可以把专家知识和先验知识结合进一个数学框架来完成提取特征和分类识别等功能，而不需要任何对数据和噪声的先验统计假设，也不需要把专家知识和经验归纳成严密清晰的条文，所以最适应于研究和分析生物医学信号。

W igne分析不需要假设信号是静止的，比FFT及AR分析有更高的分辨率。限制Wigner分布分析应用的不利特征为它只适用于单一成分的信号，如果信号中两种或者多种成分同时存在，函数中将产生伪峰，成为交叉项。

经过应用数学界几十年的努力，维格纳分布的理论已逐步趋于成熟。进入20世纪80年代以来，许多学者采用维格纳分布对多种非平稳信号进行了分析。由于生物医学信号的非平稳性比较突出，因近年来国内外都有人希望采用维格纳分布来较好地表现它们的频率特性随时间的变化，特别对较微弱的电生理信号。维格纳分布在生物医学信号分析中的应用及发展主要包括生理节律、心电信号、血流速率波信号、体感诱发电位、超声多普勒信号、听神经电活动信号、声音信号、脑电信号、第一心音、心室晚电位、心率，血压和呼吸信号等方面。

3 前景展望

数字信号处理技术的产生和发展时间并不长，但由于其处理问题的特殊技巧和特殊效果已成为理论研究和工程实际应用中强有力的工具。生物医学信号是一种相当复杂的信号，其主要特点是随机性和噪声背景都比较强，随机性强是因为影响生物信号的因素很多。生物信号作为随机信号的显著特点是它的非平稳性，也即信号的统计特征随时间而变，这是因为生物系统在外因素的影响下具有适应力，使得信号的统计特征自动变化。背景强噪声是生物医学电信号的另一特点，从强背景噪声中提取有用信息并对信号的某些部分进行局部定位是医学分析和诊断所提出的要求，而数字信号处理技术的特殊处理能力使其在生物医学电信号的检测、分析和处理中显示出极大的优越性。我们相信随着数字信号处理技术的飞速发展，数

字信号处理这一新兴的理论也将不断地丰富和完善， 各种新算法、新理论将不断地被提出，可以预计，在以后的时间里，数字信号处理在生物医学工程中的应用将得到更快的发展。

参考文献

[1] 高关心，夏慧琳. 生物医学工程学与最新发展技术[J]. 医疗设备信息. 2011（08）

[2] 何炳蔚. 具有程控增益的数据采集装置的开发[J]. 电子技术应用. 2014（11）

[3] 刘强，胡戎. TI新型运算放大器[J]. 电子技术应用. 1998（09）