生物醫學信號處理是指據生物醫學信號特點，應用資訊科學的基本理論和方法，研究如何從擾和噪聲淹沒的觀察記錄中提取各種生物醫學信號中所攜帶的資訊，並對它們進步分析、解釋和分類。以下是小編精心準備的生物醫學信號處理方法論文，大家可以參考以下內容哦！
摘 要：生物醫學信號是人體生命資訊的集中體現，深入進行生物醫學信號檢測與處理的理論與方法的研究對於認識生命運動的規律、探索疾病預防與治療的新方法都具有重要的意義。
關鍵詞：生物醫學信號 信號檢測 信號處理
1 概述
1。1 生物醫學信號及其特點
生物醫學信號是一種由複雜的生命體發出的不穩定的自然信號，屬於強噪聲背景下的低頻微弱信號，信號本身特徵、檢測方式和處理技術，都不同於一般的信號。生物醫學信號可以爲源於一個生物系統的一類信號，這些信號通常含有與生物系統生理和結構狀態相關的資訊。生物醫學信號種類繁多，其主要特點是：信號弱、隨機性大、噪聲背景比較強、頻率範圍一般較低，還有信號的統計特性隨時間而變，而且還是非先驗性的。
1。2 生物醫學信號分類
按性質生物信號可分爲生物電信號（Bioelectric Signals），如腦電、心電、肌電、胃電、視網膜電等;生物磁信號（Biomagnetic Signals），如心磁場、腦磁場、神經磁場;生物化學信號（Biochemical Signals），如血液的pH值、血氣、呼吸氣體等;生物力學信號（Biomechanical Signals），如血壓、氣血和消化道內壓和心肌張力等;生物聲學信號（Bioacoustic Signal），如心音、脈搏、心衝擊等。
按來源生物醫學信號可大致分爲兩類：（1）由生理過程自發產生的主動信號，例如心電（ECG）、腦電（EEG）、肌電（EMG）、眼電（EOG）、胃電（EGG）等電生理信號和體溫、血壓、脈博、呼吸等非電生信號;（2）外界施加於人體、把人體作爲通道、用以進行探查的被動信號，如超聲波、同位素、X射線等。
2 生物醫學信號的檢測及方法
生物醫學信號檢測是對生物體中包含的生命現象、狀態、性質和成分等資訊進行檢測和量化的技術，涉及到人機接口技術、低噪聲和抗干擾技術、信號拾取、分析與處理技術等工程領域，也依賴於生命科學研究的進展。信號檢測一般需要透過以下步驟（見圖1）。
①生物醫學信號透過電極拾取或透過傳感器轉換成電信號;②放大器及預處理器進行信號放大和預處理;③經A/D轉換器進行採樣，將模擬信號轉變爲數字信號;④輸入計算機;⑤透過各種數字信號處理算法進行信號分析處理，得到有意義的結果。
生物醫學信號檢測技術包括：（1）無創檢測、微創檢測、有創檢測;（2）在體檢測、離體檢測;（3）直接檢測、間接檢測;（4）非接觸檢測、體表檢測、體內檢測;（5）生物電檢測、生物非電量檢測;（6）形態檢測、功能檢測;（7）處於拘束狀態下的生物體檢測、處於自然狀態下的生物體檢測;（8）透射法檢測、反射法檢測;（9）一維信號檢測、多維信號檢測;（10）遙感法檢測、多維信號檢測;（11）一次量檢測、二次量分析檢測;（12）分子級檢測、細胞級檢測、系統級檢測。
3 生物醫學信號的處理方法
生物醫學信號處理是研究從擾和噪聲淹沒的信號中提取有用的生物醫學資訊的特徵並作模式分類的方法。生物醫學信號處理的目的是要區分正常信號與異常信號，在此基礎上診斷疾病的存在。近年來隨着計算機資訊技術的飛速發展，對生物醫學信號的處理廣泛地採用了數字信號分析處理方法：如對信號時域分析的相干平均算法;對信號頻域分析的快速傅立葉變換算法和各種數字濾波算法;對平穩隨機信號分析的功率譜估計算法和參數模型方法;對非平穩隨機信號分析的短時傅立葉變換、時頻分佈（維格納分佈）、小波變換、時變參數模型和自適應處理等算法;對信號的非線性處理方法如混沌與分形、人工神經網絡算法等。下面介紹幾種主要的處理方法。
3。1 頻域分析法
信號的頻域分析是採用傅立葉變換將時域信號x（t）變換爲頻域信號X（f），從而將時間變量轉變成頻率變量，幫助人們瞭解信號隨頻率的變化所表現出的特性。信號頻譜X（f）描述了信號的頻率結構以及在不同頻率處分量成分的大小，直觀地提供了從時域信號波形不易觀察得到頻率域資訊。頻域分析的'一個典型應用即是對信號進行傅立葉變換，研究信號所包含的各種頻率成分，從而揭示信號的頻譜、帶寬，並用以指導最優濾波器的設計。
3。2 相干平均分析法
生物醫學信號常被淹沒在較強的噪聲中，且具有很大的隨機性，因此對這類信號的高效穩健提取比較困難。最常用的常規提取方法是相干平均法。相干平均（Coherent Average）主要應用於能多次重複出現的信號的提取。如果待檢測的醫學信號與噪聲重疊在一起，信號如果可以重複出現，而噪聲是隨機信號，可用疊加法提高信噪比，從而提取有用的信號。這種方法不但用在誘發腦電的提取，也用在近年來發展的心電微電勢（希氏束電、心室晚電位等）的提取中。
3。3 小波變換分析法
小波分析是傳統傅里葉變換的繼承和發展，是20世紀80年代末發展起來的一種新型的信號分析工具。目前，小波的研究受到廣泛的關注，特別是在信號處理、圖像處理、語音分析、模式識別、量子物理及衆多非線性科學等應用領域，被認爲是近年來在工具及方法上的重大突破。小波分析有許多特性：多分辨率特性，保證非常好的刻畫信號的非平穩特徵，如間斷、尖峯、階躍等;消失矩特性，保證了小波係數的稀疏性;緊支撐特性，保證了其良好的時頻局部定位特性;對稱性，保證了其相位的無損;去相關特性，保證了小波係數的弱相關性和噪聲小波係數的白化性;正交性，保證了變換域的能量守恆性;所有上述特性使小波分析成爲解決實際問題的一個有效的工具。小波變換在心電、腦電、脈搏波等信號的噪聲去除、特徵提取和自動分析識別中也已經取得了許多重要的研究成果。
3。4 人工神經網絡
人工神經網絡是一種模仿生物神經元結構和神經資訊傳遞機理的信號處理方法。目前學者們提出的神經網絡模型種類繁多。概括起來，其共性是由大量的簡單基本單元（神經元）相互廣泛聯接構成的自適應非線性動態系統。其特點是：（1）並行計算，因此處理速度快;（2）分佈式存貯，因此容錯能力較好;（3）自適應學習（有監督的或無監督的自組織學習）。
參考文獻
[1] 邢國泉，徐洪波。生物醫學信號研究概況。咸寧學院學報（醫學版），2006，20：459～460。
[2] 楊福生。論生物醫學信號處理研究的學科發展戰略。國外醫學生物醫學工程分冊，1992，4（15）：203～212。