基于DSP生物医学信号处理论文.doc

《基于DSP生物医学信号处理论文.doc》由会员分享，可在线阅读，更多相关《基于DSP生物医学信号处理论文.doc（18页珍藏版）》请在沃文网上搜索。

1、目录摘要2Abstract21.引言41.1生物医学信号的特点41.2生物医学信号的分类42. 生物医学信号的检测处理方法概述52.1 生物医学信号检测方法52.1.1信号检测的步骤52.1.2生物医学信号的检测技术的分类52.2生物医学信号检测系统62.3 生物医学信号处理方法62.4 信号的滤波73.生物医学信号的处理技术83.1时域方法AEV方法83.2频域滤波方法83.3自适应滤波方法83.4混沌和分形方法93.5小波分析方法93.6人工神经网络分析方法104. 心电测量举例114.1单周期心电图波形114.2 心电信号处理124.2.1 消除基准漂移124.2.2 消除宽带噪声155

2、.结束语17参考文献18摘要生物医学信号处理是生物医学工程学的一个重要研究领域，也是近年来迅速发展的数字信号处理技术的一个重要的应用方面，正是由于数字信号处理技术和生物医学工程的紧密结合，才使得我们在生物医学信号特征的检测、提取及临床应用上有了新的手段，因而也帮助我们加深了对人体自身的认识。生物医学仪器包括了诊断仪器和治疗仪器两大类。在诊断仪器中要寻找对诊断有意义的具有某种特征的信号或信号的某种特征量。在治疗仪器中同样需要确定特征信号的存在或信号特征量的大小去控制治疗部分的工作。一般说来，信号并不能直接提供这些信息，它们需要应用信号处理方法去提取。生物医学信号属于强噪声背景下的低频微弱信号,它

3、是由复杂的生命体发出的不稳定的自然信号,从信号本身特征、检测方式到处理技术,都不同于一般的信号。关键词:生物医学；信号处理；强噪声；低频微弱AbstractBiomedical Signal Processing Biomedical Engineering is an important area of research, but also the rapid development in recent years, digital signal processing technology, an important application, precisely because digita

4、l signal processing technology and the close integration of biomedical engineering, it makes us in biomedical signal feature detection, extraction and clinical applications with new tools, and thus help us to deepen their understanding of the human body. Biomedical instrumentation includes equipment

5、 diagnostic instruments and treatment of two categories. Diagnostic instrument in the diagnosis to look for some characteristics of a meaningful signal or a signal of some kind of characteristic quantities. In the treatment of the instrument features the same need to determine signal characteristics

6、 signal the presence or amount of treatment to control the size of some of the work. In general, the signal does not directly provide this information, they require the application of signal processing methods to extract. Biomedical signal is strong noise in the low-frequency signal, which is issued

7、 by the complexity of life on the instability of the natural signals from the signal itself, characteristics, test methods to processing, are different from the signal. Keywords: Biomedical; signal processing; strong noise; low-frequency weak1.引言1.1生物医学信号的特点生物医学信号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。(1)信号弱。

8、例如从母体腹部取到的胎儿心电信号1050V，脑干听觉诱发响应信号小于1V。(2)噪声强。由于人体自身信号弱,加之人体又是一个复杂的整体,因此信号易受噪声的干扰。如胎儿心电混有很强噪声,它一方面来自肌电、工频等干扰；另一方面,在胎儿心电中不可避免地含有母亲心电,母亲心电相对我们要提取的胎儿心电则变成了噪声。(3)频率范围一般较低。除心音信号频谱成份稍高外,其他电生理信号频谱一般较低。(4)随机性强。生物医学信号不但是随机的,而且是非平稳的。正是因为生物医学信号的这些特点,使得生物医学信号处理成为当代信号处理技术最可发挥其威力的一个重要领域。1.2 生物医学信号的分类生物信号如从电的性质来讲,可以

9、分成电信号和非电信号。如心电、肌电、脑电等属于电信号;其它如体温、血压、呼吸、血流量、脉搏、心音等属于非电信号,非电信号又可分为:(1)机械量,如振动(心音、脉搏、心冲击、血管音等)、压力(血压、气压和消化道内压等)、力(心肌张力等);(2)热学量,如体温;(3)光学量,如光透射性(光电脉波、血氧饱和度等);(4)化学量,如血液的pH值、呼吸气体等。如从处理的维数来看,可以分成一维信号和二维信号,如体温、血压、呼吸、血流量、脉搏、心音等属于一维信号;而脑电图、心电图、肌电图、X光片、超声图片、CT图片、核磁共振(MRI)图像等则属于二维信号。2. 生物医学信号的检测处理方法2.1 生物医学信号

10、检测方法生物医学信号检测是对生物体中包含生命现象、状态、性质、变量和成份等信息的信号进行检测和量化的技术。生物医学信号处理的研究,是根据生物医学信号的特点,对所采集到的生物医学信号进行分析、解释、分类、显示、存贮和传输,其研究目的一是对生物体结构与功能的研究,二是协助对疾病进行诊断和治疗。2.1.1信号检测的步骤生物医学信号通过电极拾取或通过传感器转换成电信号，经放大器及预处理器进行信号放大和预处理，然后经A/D转换器进行采样，将模拟信号转变为数字信号，输入计算机，然后通过各种数字信号处理算法进行信号分析处理，得到有意义的结果。 图2-12.1.2生物医学信号的检测技术的分类生物医学信号检测技

11、术是生物医学工程学科研究中的一个先导技术,由于研究者所站的立场、目的以及采用的检测方法不同,使生物医学信号的检测技术的分类呈现多样化,具体介绍如下:（1）无创检测、微创检测、有创检测;（2）在体检测、离体检测;（3）直接检测、间接检测;（4）非接触检测、体表检测、体内检测;（5）生物电检测、生物非电量检测;（6）形态检测、功能检测;（7）处于拘束状态下的生物体检测、处于自然状态下的生物体检测;（8）透射法检测、反射法检测;（9）一维信号检测、多维信号检测;（10）一次量检测、二次量分析检测;（11）分子级检测、细胞级检测、系统级检测。2.2生物医学信号检测系统生物医学传感器是获取生物医学信息并

12、将其转换成易于测量和处理的信号的关键器件。生物医学信号检测技术的研究已涉及生物体各层次的广泛的生物信息。应用电极可检测心电、脑电、肌电、眼电和神经电等各种生物电信号；物理传感器已用于血压、血流、体温，心音、脉搏、呼吸等各种生理量的测量；应用化学传感器可检测血、尿等体液中多种离子浓度；用于检测酶、抗原、抗体、神经递质、激素、受体、DNA和 RNA等生物活性物质的生物传感器亦在研究及迅速发展之中；心磁、脑磁等生物磁信号的检测方法的研究正在受到重视。生物医学信号检测技术已广泛应用于医学研究、临床检查、病人监护、治疗控制、以及人工器官和运动医学等领域，是一种基础性技术。生物医学信号检测的发展趋向是：发

13、展微型化、多参数生物医学传感器，特别是加强化学传感器和生物传感器的实用化研究；发展以生物电和生物磁为代表的无创检测技术；发展植入式、动态监测式技术和生物遥测技术；发展细胞和分子水平的检测技术。2.3 生物医学信号处理方法生物医学信号处理是研究从被干扰和噪声淹没的信号中提取有用的生物医学信息的特征并作模式分类的方法。由于生物医学信号具有随机性强和噪声背景强的特点，采用了诸多数字处理技术进行分析：1对信号时域分析的相干平均算法、相关技术；2信号频域分析的快速傅立叶变换算法、各种数字滤波算法；3平稳随机信号分析的功率谱估计算法、参数模型方法；4非平稳随机信号分析的短时傅立叶变换、时频分布（维格纳分布

14、）、小波变换、5变参数模型、自适应处理等算法；6信号的非线性处理方法如混沌与分形、人工神经网络算法等。 这些方法在生物医学信号分析、医学图像技术和医学仪器中已得到了广泛的应用。例如：1采用相干平均技术已成功提取诱发脑电、希氏束电和心室晚电位等微弱信号；2在心电和脑电体表标测中采用计算机进行多道信号同步处理并推求原始信号源的活动（逆问题）；3在心电、脑电、心音、肺音等信号的自动识别分析中应用了多种信号处理方法进行特征提取与自动分类；4在生理信号数据压缩和模式分类中引入了人工神经网络方法；5在脑电、心电、神经电活动、图像分割处理、三维图像表面特征提取及建模等方面引入混沌与分形理论等，已取得了许多重

15、要的研究成果并得到了广泛的临床应用。 2.4 信号的滤波在对医学信号进行检测分析时，由于生物医学信号总是不可避免的伴随着不同频率的噪声干扰，为了有效的提取信号，抑制噪声，需要使用相应的滤波器进行滤波。数字滤波器是数字信号处理中使用的最广泛的一种线性系统，是数字信号处理的重要基础。数字滤波器作为一个线性系统，系统的输入x(t)包含信号s(t)和干扰n(t)，如果s(t)和n(t)在频谱上不重叠，即可通过一个特定的滤波器系统滤除干扰n(t)，得到的输出y(t)近似地等于s(t)。图2-23.生物医学信号的处理技术自然界中广泛的生物医学信号是连续的,人们处理生物医学信号的程序一般是先经A/D转换,将

16、其转换成数字信号,然后送到计算机中进行处理。3.1时域方法AEV方法AEV方法原是通信研究中用于提高信噪比的一种叠加平均法,在医学研究中也叫平均诱发反应法,简称AEV(averaged evoked response)方法。所谓诱发反应就是肌体对某个外加刺激所产生的反应,AEV方法常用来检测那些微弱的生物医学信号,如希氏束电图、脑电图、耳蜗电图等。希氏束电图的信号幅度仅110V,它们在用AEV方法检测之前,几乎或完全淹没在很强的噪声中,这些噪声包括自发反应、外界干扰、仪器噪声。AEV方法要求噪声是随机的,并且其协方差为零,信号是周期或重复产生的,这样经过N平方次叠加,信噪比可提高N倍,使用AE

17、V方法的关键是寻找叠加的时间基准点。3.2频域滤波方法频域滤波是数字滤波中常用的一种方法,是消除生物医学信号中噪声的另一种有效方法。当信号频谱与噪声频谱很小时,可用频域滤波的方法来消除干扰,频域滤波器可分为两类:FIR(FiniteImpulseResponse)滤波器, FIR滤波器的设计方法主要有:窗函数法,频率采样法; IIR( Infinite ImpulseResponse)滤波器, IIR滤波器的主要设计方法有:冲激响应不变法,双线性变换法。3.3自适应滤波方法自适应滤波器能够跟踪和适应系统或环境的动态变化,它不需要事先知道信号或噪声的特性,通过采用期望值和负反馈值进行综合判断的方

18、法来改变滤波器的参数。自适应滤波器的设计有两种最优准则,一种准则是使滤波器的输出达到最大的信噪比,称为匹配滤波器;另一种准则是使滤波器的输出均方估计误差为最小,这就是维纳(W iener)滤波器。维纳滤波器是从噪声中提取信号的一种有效的方法,它是根据全部过去和当前的观测数据来估计信号的当前值,维纳滤波器要求解著名的WienerHopf方程,它是期望存在情况下的线性最优滤波器。卡尔曼(Kalman)从状态空间模型出发,提出了基于状态空间模型的线性最优滤波器即卡尔曼滤波器。Kalman滤波理论是W iener滤波理论的发展,它最早用于随机过程的参数估计,后来很快在各最优滤波和最优控制问题中得到了广

19、泛的应用。值得提出的Kalman滤波器提供了推导称作递推最小二乘滤波器的一大类自适应滤波器的统一框架,实际上广泛使用的最小二乘算法即是kalman算法的一个特例。3.4混沌和分形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。混沌学研究的是无序中的有序,许多现象即使遵循严格的确定性规则,但大体上仍是无法预测的,比如大气中的湍流、人心脏的跳动等。混沌事件在不同的时间标度下表现出相似的变化模式,与分形在空间标度下表现十分相象,但混沌主要讨论非线性动力系统的不稳、发散的过程。混沌与分形在脑电信号处理的应用中尤为引人注目。自本世纪二十年代发现脑电

20、信号以来,人们对其已进行了大量的研究,然而由于脑电信号的随机性很强,始终难以找到其规律性,无法使脑电信号成为认识大脑思维以及某些属性的有用信息。究其原因是脑电信号是神经元动作电位的无规则的脑电活动,实际上只由少数独立的动力学变量控制着,因此可以用研究混沌动力学的方法来研究人脑的功能。3.5小波分析方法小波分析是传统傅里叶变换的继承和发展。由于小波的多分辨分析(Multi-resolution Analysis)具有良好的空间域和频率域局部化特性,对高频采用逐渐精细的时域或空域取样步长,可以聚焦到分析对象的任意细节,从这个意义上讲,它已被人们誉为数学显微镜。目前,在心电数据的压缩、生物医学信号的

21、信噪分离、QRS波的综合检测、脑电图EEG的时频分析、信号的提取与奇异性检测等方面有了广泛的应用。3.6人工神经网络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）并行计算,因此处理速度快;（2）分布式存贮,因此容错能力较好;（3）自适应学习。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现象,例如心电和脑电的识别,心电信号的压缩和医学图像的识别和处理。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的分析和脑干听觉诱发电位的提取。4. 心电测量举例

22、4.1单周期心电图波形心电图是一种记录心脏产生的生物电流的技术。临床医生可以利用心电图对患者的心脏状况进行评估，并做出进一步诊断。ECG记录是通过对若干电极(导联)感知到的生物电流进行采样获得的。图4-1中显示了典型的单周期心电图波形。图4-1 典型的单周期心电图波形4.2 心电信号处理通常说来，记录的心电信号会被噪声和人为引入的伪影所污染，这些噪声和伪影在我们感兴趣的频段内，并且与心电信号本身有着相似的特性。为了从带有噪声的心电信号中提取出有用的信息，我们需要对原始的心电信号进行处理。心电信号预处理心电信号预处理可以帮助用户去除心电信号中的污染。广义上讲，心电信号污染可以分为如下几类：1、电

23、源线干扰2、电极分离或接触噪声3、病人电极移动过程中人为引入的伪影4、肌电（EMG）噪声5、基准漂移在这些噪声中，电源线干扰和基准漂移是最为重要的，可以强烈地影响心电信号分析。除了这两种噪声，其它噪声由于可能是宽频带的且复杂的随机过程，也会使心电信号失真。电源线干扰是以60 Hz (或 50 Hz)为中心的窄带噪声，带宽小于1Hz。通常，心电信号的采集硬件可以消除电源线干扰。但是，基准漂移和其它宽带噪声通过硬件设备很难抑制。而软件设计则成为更为强大而可行的离线式心电信号处理方法。用户可以使用以下方法来消除基准漂移和其它宽带噪声。4.2.1 消除基准漂移基准漂移的产生通常源于呼吸，频率在0.15

24、 到 0.3 Hz之间，可以通过使用高通数字滤波器进行抑制。用户还可以使用小波变换通过消除心电信号的趋势来消除基准漂移。1. 数字滤波器方法LabVIEW 的DFDT工具箱提供了图形化和交互式的方法，用于快速而高效地图4-2高通滤波器的消除基准漂移设计和实现有限冲击响应(FIR)或无限冲击响应(IIR)滤波器。例如，用户可以使用Classical Filter DesignExpress VI设计Kaiser窗FIR高通滤波器消除基准漂移。图4-2显示了一个高通滤波器的实例，用户可以使用这个实例VI的程序框图来消除基准漂移。2小波变换方法除了数字滤波器，小波变换也是一种消除指定频带内信号的有效

25、方法。LabVIEW ASPT工具箱提供了WA Detrend VI，它可以消除信号的低频趋势。图4-3显示了使用WA Detrend VI消除基准漂移的实例。图4-3 使用WA Detrend VI消除基准漂移这个实例使用了Daubechies6 (db06)小波，因为这种小波与实际的心电信号相似。在这个实例中，心电信号的采样周期为60秒，共1200个采样点。这样根据如下公式，趋势级别为0.5： 其中，t是采样周期而N为采样点数。图4-4显示了原始的心电信号，以及由基于数字滤波器方法和基于小波变换方法处理后得到的心电信号。你可以看到处理后的心电信号在保持原有心电信号主要特性的同时，几乎不含有

26、基准漂移信息。你还可以注意到基于小波变换的方法更具优势，因为这种方法不引入延时，而且比基于数字滤波器方法的失真更小。图4-4 基于数字滤波器和基于小波变换的方法比较4.2.2 消除宽带噪声在消除了基准漂移后，得到的心电信号比原来的信号更加清晰和稳定。但是，其它类型的噪声仍然会影响心电信号的特征提取。这些噪声是宽频带的复杂随机过程，所以不能使用传统的数字滤波器。为了消除宽带噪声，需要使用Wavelet Denoise Express VI。这种Express VI首先应用小波变换将心电信号分解到各个子带，然后利用阈值或收缩功能调整小波系数，最后重建出消除噪声后的信号。下图显示了对心电信号使用非抽

27、样小波变换(UWT)的实例。图4-5 利用UWT消除心电信号中的宽带噪声UWT相比于离散小波变换(DWT)，在平滑度和精度之间有着更好的折中。通过将去噪后的心电信号和未经去噪的心电信号相比较，如图4-6所示，可以发现宽带噪声被极大地抑制而心电信号的细节则保持不变。图4-6 UWT去噪前及去噪后的心电信号5.结束语自二十世纪60年代以来，随着计算机和信息学科的飞速发展，数字信号处理(Digital Signal Processing DSP)技术应运而生并迅速发展，目前DSP技术可说是应用最快、成效最为显著的新学科之一，在语音、雷达、声纳、地震、图像、通信系统、系统控制、生物医学工程、机械振动、

28、航空航天、故障检测、自动化仪表等众多领域都获得了极其广泛的应用，它有效地推动了众多工程技术领域的技术改造和学科发展。因此，数字信号处理已成为现代信号处理的主要方式。本篇论文是在数字信号处理基础上来研究生物医学信号处理，主要从四方面对进行了研究。分别是：首先对生物医学信号的特点、分类进行大概的了解，以及对生物医学信号的检测处理方法进行概述；再接着是分析了生物医学信号处理的六个基本技术；最后分析了单周期心电图，以及怎样消除基准漂移和其它宽带噪声。在完成论文过程中我也学会了很多论文以外的东西，比如：我对计算机的操作更加熟练、懂得如何更快的搜集资料等的实际操作， 这次经历让我受益不少，我将以这次的实际经验作为我以后学习的动力，让我对以后的学习生活充满信心。参考文献1基于多分辨率小波变换的ECG特征提取, IEEE 制药与生物工程, 27界年会。2QRS监测的软件原理, IEEE制药与生物工程, 2002年1/2月。3 用于心电信号基准漂移监测和噪声消除的小波方法, IEEE 2005年汇刊, 制药与生物工程, 27界年会。4用于心电信号数据分析的高斯方法和工具, Artech House Publisers出版。5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。18