第11章 医学数据获取与医学信号处理

第11章

医学数据获取与医学信号处理本章主要内容生物医学信号的主要类型及其典型特征生物医学数据获取与检测技术概述生物医学信号常用处理方法生物医学信号生物医学信号：由生命体获得的信号，包括生理过程自发产生的，以及外界施加于生物体后再由生物体响应后产生出来的。生物医学信号的主要类型： 1) 电生理信号 2) 非电量医学信号 3) 医学成像(被动信号)生物医学信号生物医学信号的典型特征： 1) 信号微弱 2) 干扰强 3)频率范围较低 4) 非平稳信号/随机信号生物医学信号处理生物医学信号处理：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。生物医学信号处理的过程：

信号的获取→信号的预处理

→信号的特征提取→模式分类→诊断结论信号的获取与检测信号的处理生物医学信号的获取与检测技术信号特点传感器/电极数据采集电路嵌入式数据获取系统无线传感器网络传感器生物信息：能表征生命体生理状态、结构和功能的信息。生物医学传感器：那些能将生物体各种不同的生命信息转换为生物测量和医学仪器可用信号的器件或装置。生物医学传感器能感知生物体内各种生理的、生化的和病理的信息，把它们传递出来并转换为容易处理的电信号。它是医学测量的第一个环节，是医学仪器设计制造的一个关键环节。生物医学测量的各种参数位移血管内、外径，主动脉、腔动脉尺寸，肢体容积变化，胸廓变化，心脏收缩变化，骨骼肌收缩变化，肠蠕动等器官几何结构心脏几何形状、胃几何形状、肾几何形状等速度血流速度，排尿速度，分泌速度，发汗速度，流泪速度，呼吸气流速，神经传导速度等振动（加速度）心音、呼吸音、血管音，脉搏、心尖搏动、心瓣膜振动、手颤、颈动脉搏动、脉象、语音、肠鸣音等压力血压、眼压、心内压、颅内压、胃内压、食道压、膀胱压、子宫内压、胸腔内压、脊髓压、血管内压、肠内压、咬合压等力心肌力、肌肉力、咬合力、骨骼负载力、血液黏滞力、手握力等流量血流量、呼吸流量、尿流量、心输出量等温度体表温、口腔温、直肠温、皮肤温、体核温、心内温、肿物温、中耳膜内温、脏器温、血液温等生物电细胞电位、心电、脑电、肌电、眼电、胃电、神经电、脑干电、皮肤电化学成分O2、CO2、CO、H2O、NH3、K+、Na+、Ca2+、Cl-、H+等生物物质乳酸、血糖、蛋白质、胆固醇、酶、抗原、抗体、受体、激素、神经递质、DNA、RNA生物磁心磁、脑磁、胃磁等在医学上，传感器的主要用途有：提供诊断信息监护临床检验生物控制生物医学传感器的用途生物医学传感器的分类按被测量分类--最基础、最本质的宏观分类方法。物理传感器化学传感器生物传感器按人的感觉功能分类：视觉传感器、听觉传感器、触觉传感器、嗅觉传感器和味觉传感器。这种分类方法有利于仿生学的发展，对推动新型生物医学传感器的开发也是有利的。生物医学传感器具有如下特殊性：检测距离越远越好非接触与无损伤或低损伤体内传感器生物医学传感器的优化生物医学传感器的设计适应各种对象和环境生物医学传感器的特殊性部分生物电和生物磁信号的幅度范围被测信号幅值范围心电（皮肤电极）50µV～5mV脑电（头皮电极）10µV～300µV肌电20µV～10mV细胞电位-100µV～+200µV视网膜电位0～1mV眼电0.05mV～5mV肾电位10µV～80mV心磁10-10T量级脑磁10-12T量级眼磁10-11T量级肺磁10-8T量级部分常见生理信号的频率范围生理信号频率范围（Hz）心电0.01～250脑电0～150肌电0～10000眼电/视网膜电0～50胃电0.05～20血流量0～30动脉血压0～100静脉血压0～50脉搏波0.1～50心音2～2000呼吸率0.1～10

传感器的包封材料应该有很好的生物相容性，能耐受体液的长期腐蚀，不凝血，不溶血，不受生物排异反应的影响；传感器的形状、尺寸和结构应适应被测部分的解剖结构，使用时不应损伤组织；传感器要由足够的牢固性，在引入被测部位时，传感器不能损坏；传感器和人体要由足够的电绝缘，即使在传感器损坏的情况下，人体受到的电压必须低于安全值，不安全的电压决不能加到人体上；传感器不能给生理活动带来负担，也不应干扰正常的生理功能；对于植入体内长期使用的传感器，不应引起赘生物；在结构上要便于消毒。生物医学传感器的安全性生物医学传感器的标定传感器的标定指当一个传感器装配完成后，得到精度足够高的基准测量设备，对传感器的输入、输出关系进行校验的过程。校准指在使用过程中或长期储存后进行的性能与精度的定期复测。标定与校准在本质上是相同的。标定的基本方法：将由标准设备产生的大小已知的模拟生理量（如压力、温度等）作为传感器的输入，然后测量传感器的输出，它可能是电压、电流，也可能是电表、记录仪或示波器上显示的幅度。生物医学传感器的标定根据传感器的类型和用途，标定可以是静态的，也可以是动态的。由于要得到一个已知的动态信号源是很困难的，因此，动态标定常常建立在静态标定的基础上。如果传感器的输出及显示系统与输入信号之间是线性关系，则单点标定就足够了，但若传感器给出的是非线性结果，则需要进行多点标定，以获得一组标定曲线，使显示幅度与待测生理量一一对应。但是，通常不论系统是线性的还是非线性的，都应绘制出其响应曲线。动态标定还需要绘出其频响曲线以及阶跃响应曲线。新型生物医学传感器及系统新型生物医学传感器：仿生化学传感器阵列系统—电子鼻及电子舌基于激光技术的生物传感器纳米传感器数据采集（dataacquisition）：就是将要获取的信息通过传感器转换为信号，并经过信号调理、采样、量化、编码和传输等步骤，最后送到计算机系统中进行处理、分析、存储和显示，数据采集系统是计算机与外部世界联系的桥梁，是获取信息的重要途径。数据采集系统追求的主要目标有两个：一是精度，二是速度。对于任何量值的测试都要有一定的精确要求，否则将失去采集的意义；提高数据采集的速度不仅仅可以提高工作效率，更主要的是扩大数据采集系统的使用范围，便于实现动态测试。生物医学数据采集数据采集系统数据采集系统包括硬件和软件两大部分，其中硬件部分又可分为模拟部分和数字部分。计算机数据采集系统的硬件基本组成如下图所示：计算机数据采集系统的硬件基本组成前置放大器：前置放大器用来放大和缓冲输入信号。由于传感器输出的信号较小，因此需要加以放大以满足大多数A/D转换器的满量程输入（5～10V）要求。此外，某些传感器内阻比较大，输出功率较小，放大器还要起阻抗变换器的作用以缓冲输入信号。滤波器：传感器以及后续处理电路中的器件常会产生噪声，人为的发射源也可以通过各种耦合渠道使信号通道感染上噪声，例如工频信号就可以成为一种人为的干扰源。为了提高模拟输入信号的信噪比，常常需要使用滤波器对噪声信号进行一定的衰减。数据采集系统多路模拟开关：多路模拟开关可以分时选通来自多个输入通道中的某一路通道。采样/保持器：多路模拟开关之后是模拟通道的转换部分，包括采样/保持器和A/D转换器。A/D转换器：采样/保持器输出的信号送至A/D转换器，A/D转换器是模拟输入通道的关键电路。计算机系统：计算机系统是整个计算机数据采集系统的核心。计算机控制整个计算机数据采集系统的正常工作，并且把A/D转换器输出的结果读入到内存，进行必要的数据分析和数据处理。数据采集系统嵌入式数据采集系统：以嵌入式系统为平台的数据采集系统。嵌入式数据采集系统的特点：具有可移植性、可裁剪性、系统服务、中断管理、稳定性和可靠性等优点。嵌入式数据采集系统的发展趋势：现阶段以Internet为代表的网络技术的出现，为数据采集、测量及仪器技术带来了前所未有的发展空间和机遇，网络化数据采集技术与具备网络通讯功能的新型采集、处理系统应运而生。嵌入式数据采集系统生物医学无线传感器网络无线传感器网络节点结构图生物医学无线传感器网络的关键技术：路由协议

MAC协议拓扑控制定位技术时间同步技术安全技术数据融合技术无线传感器网络的关键技术无线体域网又可称为生物医疗传感器网络(biomedicalsensornetwork)和无线体域网传感网(wirelessbodyareasensornetwork,WNASN或bodyareanetwork,BAN)。作为无线传感器网络的一个分支，是人体上的生理参数收集传感器或移植到人体内的生物传感器共同形成的一个无线网络；是附着在人体身上的一种网络，由一套小巧可移动、具有通信功能的传感器和一个身体主站(或称BAN协调器)组成。无线体域网无线体域网无线体域网本章主要内容生物医学信号的主要类型及其典型特征生物医学数据获取与检测技术概述生物医学信号常用处理方法常用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：如对信号时域分析的相干平均算法、相关技术；对信号频域分析的快速傅立叶变换算法、各种数字滤波算法；对平稳随机信号分析的功率谱估计算法、参数模型方法；对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）、小波变换、时变参数模型、自适应处理等算法；对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。时域分析在时域内对信号进行相关性分析等处理，称为信号的时域分析。通过时域分析方法，可以有效提高信噪比，求取信号波形在不同时刻的相似性和关联性。常用的时域分析方法有：信号周期的提取、特征点的检测等。下面主要介绍相干平均算法和相关技术。相干平均算法相干平均(coherentaverage)法又称叠加平均技术，常用以提取被背景信号淹没的目标信号，如各种诱发电位和事件相关电位的提取。相干平均技术理论假设：如果待检测的医学信号与噪声重叠在一起，信号如果可以重复出现，特征（幅度、频率、相位）不变的确定信号，干扰是均值为零的白噪声，可以采用叠加法提高信噪比，从而提取有用的信号。相干平均算法效果估计：

其中yi(t)为含有噪声的待检测信号，其中s(t)为重复出现的有用信号，ni(t)为随机噪声。经N次叠加后求平均，则：若信号s(t)的功率为P，噪声ni(t)的方差为δ2，那么对每一个yi(t)，其信噪比为P/δ2

。经N次平均后，噪声的方差变为δ2/N，所以平均后信号的信噪比为N•P/δ2

，提高了N倍。例如心室晚电位为μV级，淹没在噪声里，如按心动周期以R峰点对齐，进行叠加平均，则可检出微弱的心室晚电位信号。相关技术信号的相关函数反映了两个信号之间的相互关联的程度。设有两个信号x(n)和y(n)，定义它们的互相关函数（across-correlationfunction）rxy为：它表示x(n)不动，将y(n)在时间轴上左移或右移（m为正数时左移，m为负数时右移）m个时间间隔后分别与x(n)逐点对应相乘后求和，得到该m点时刻的相关函数值rxy(m)。以m为横轴，rxy(m)为纵轴可画出相关函数曲线，该曲线反映了x(n)和y(n)的相似程度。相关技术一个信号x(n)的自相关函数（autocorrelationfunction）rxx定义为：其中，rxx(0)反映了信号x(n)自身的能量。rxx(m)是偶函数，rxx(0)是其中的最大值。自相关函数曲线可反映信号自身的周期性和噪声水平。相关技术应用范围很广，例如，我们可以利用相关判断在一个含有噪声的记录中有无我们所希望得到的信号。设记录到的信号：相关技术应用其中s(n)为信号，η(n)为白噪声(白噪声指频谱均匀一非零的噪声)，现在我们不知道当前记录到的y(n)中是否存在s(n)，但我们根据以前的工作已知道关于s(n)的先验知识，因此我们可以做y(n)与s(n)的互相关：通常我们认为信号与白噪声是不相关的，因此rηs(m)等于零，于是rys(m)=rss(m)。因此我们可以根据互相关函数rys(m)与自相关函数rys(m)是否相等来判断在y(n)中是否含有信号s(n)。经典谱分析理论(非参数法)由布莱克曼-图基（Blackman-Turkey）于1958年提出。傅里叶变换：周期图法和Black-Tukey法。修正周期图、对周期图平均、对修正周期图平均以及对周期图平滑等方法。现代谱估计理论(参数法)以随机过程的参数模型为基础。自回归模型法、线性预测法和最大熵法等。频域分析对于一个周期信号，如正弦波信号：y=sin(ωt)，具有一个单一的频谱值ω。而对于任意一个周期信号f(t)都可用傅立叶级数表示为：

其中，

即任何一个周期函数都可以展开成为频率值为基频ω和其m次倍频mω的三角函数和的形式，系数am即为信号f(t)所包含的该频率成分的频谱。傅里叶变换与离散频谱进一步推广，若取实际的有限长离散采样信号x(n)，可以将该有限长信号看