生物医学信号处理及其仪器应用讲座课件.pptx

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,,,‹#›,,生物医学信号处理及其仪器应用,生物医学信号处理及其仪器应用,1,生物医学,仪器研制原理,,利用数据采集技术，采集人体的各种生物电信号，如心电、脑电、胃电、肌电等，借助虚拟仪器技术，记录、显示各种生物电波形，并利用虚拟仪器技术的开放性和柔性，集成先进的信号分析方法来有效提取各种生物电信号中包含的特征参数，从而为医生提供更加丰富的临床诊断信息病人,生物医学,传感器,生物医电,放大系统,数据,采集卡,虚拟式生物,医学仪器,,,,,生物医学仪器研制原理 利用数据采集技术，采集人,2,1,心电图仪的研制,寻求,准确的特征波识别和起止点定位算法,，这,是心电图仪能否有效应用的关键心电图仪是检测和诊疗心血管疾病的重要工具，它的准确与否在很大程度上取决于其中的心电分析算法目前对于心电信号分析方法的相关文献尽管较多，但对于心电特征波起止点定位的分析还不理想；,,探索,更好的综合心电预处理方法,，降低信号滤波后的失真度，为心电信号的准确分析提供更好的基础；,,开发,出,检测灵活的心电图,检测分析仪,，并使其成为可用于临床的产品,。

1,） 研究的目的,1 心电图仪的研制寻求准确的特征波识别和起止点定位算法，这是,3,生物医学信号处理及其仪器应用讲座课件,4,2,）,研究的主要内容,研究三,种综合抑止心电噪声的方法研究小波变换,对奇异信号检测的原理，在此基础,上形成基于,小波变换的心电特征波联合检测算法对心律失常的分类和自动识别技术进行了研究并给,出常见,的心律失常自动识别方法对,HRV,信号分别从时域和频域角度进行了研究探讨了其时域评价指标和散点图的实现引入三维“色谱图”展现,HRV,信号的能量分布状况2）研究的主要内容研究三种综合抑止心电噪声的方法对HRV信,5,3,）国内外研究现状,心电信号预处理研究现状,,三种方式,,硬件滤波：,专用模拟陷波电路滤工频、耦合电路去基线漂移软件滤波：,,Levkov,法、简单整系数滤波法、估计合成法；,级联滤波器法、神经网络法、小波变换法、形态滤波法等；,频率抽样滤波器、自适应模板法；,,软硬结合,:,,将软件滤波算法固化到,DSP,器件中3）国内外研究现状心电信号预处理研究现状,6,心电特征波检测算法研究现状,,,QRS,复合波：,,小波形态联合,法,基于经验逻辑的检测,基于数学形态的检测,基于数学模型的检测,,模板匹配法,,峰值检测法,,滤波器法,可变斜率阈值法,,句法算法,,,小波分析法,,神经网络法,,概率估计法,,形态变换法,,,,,,,,,,,P,、,T,波,:,,句法模板法； 演化算法；,小波变换结合神经网络法；小波变换结合翼形函数法等。

心电特征波检测算法研究现状小波形态联合基于经验逻辑的检测基于,7,心电检测分析仪开发现状,静态,ECG,系统主要功能是检测病人安静状态下的心脏功能，用于医院病房动态,ECG,，也常称,Holter,系统对病人在正常生理和外,界,环境下的,ECG,进行长期记录心律失常检测及监护,ECG,系统用于冠心病，外科手术，,急救中心,等对心律失常节拍检测，或对病人,ECG,进行实,时,监护运动,ECG,系统在病人完成一系列规定运动后测量其,ECG,以诊断其冠状动脉疾病国外：,美国,GE,公司、强生公司、安捷伦公司，日本光 电，荷兰,Philip,公司等国内：,北京美高仪、深圳迈瑞、成都恒升等心电检测分析仪开发现状静态ECG系统主要功能是检测病人安静,8,4,）,心电信号预处理研究,主要干扰,,工频：,50/60Hz,及其谐波,,,,,基线漂移：一般低于,1Hz,,,,,肌电干扰：一般在,5,～,2KHz,之间,4）心电信号预处理研究主要干扰,9,几种快速预处理技术,,平滑滤波法,滤波器传函：,几种快速预处理技术滤波器传函：,10,(a),原始,ECG,波形,(b),滤波后的,ECG,波形,(c),被滤除的工频干扰,,特点,：快捷简单，适合监护仪，检测心率。

但对,QRS,复合波有一,定的衰减a) 原始ECG波形 (b) 滤波后的ECG波形 (c,11,梳状滤波器,,,a\b\c,为,H(z),的,幅频响应曲线,、相频响应曲线和极零图,梳状滤波器a\b\c 为H(z)的幅频响应曲线、相频响应曲线,12,特点：运算量小，可以滤除工频及其高次谐波，被广泛采用不,能滤基线漂移特点：运算量小，可以滤除工频及其高次谐波，被广泛采用不,13,曲线拟合法,,,曲线拟合法,14,特点：由于心电信号的,TP,段是真正的零电位段，因此拟合点应选择,在,TP,段这需要先探测出,R,波位置，来确定,TP,段简洁快速，,只能除基线漂移特点：由于心电信号的TP段是真正的零电位段，因此拟合点应选择,15,基于窗函数的,FIR,带通滤波器设计,,,特点,：,只有,零,点，系统总是稳定的；,它容易实现线性相位；,允许设计多通带（或多阻带）滤波器基于窗函数的FIR带通滤波器设计 特点：只有零点，系统总是稳,16,自适应相干模板法及其改进算法,,自适应模板算法,采样心电信号：,,模板信号：,去噪心电信号：,自适应相干模板法及其改进算法自适应模板算法采样心电信号：,17,特点：利用改进的自适应相干模板法，可以有效地消除工频干扰和基线漂移。

图中,b,）是使用改进前的自适应相干模板法所得结果；图中,c,）是使用改进后的自适应相干模板法所得结果可以看出，改进后，更能有效的滤除工频干扰和基线漂移特点：利用改进的自适应相干模板法，可以有效地消除工频干扰和基,18,小波与自适应滤波器相结合的算法,小波消噪原理,原 信 号 频 带,低频,高频,低频,高频,低频,高频,,,,,,,连续变换,离散变换,,小波变换,,心电信,号,,,,高尺度下低频信息,,高频信息,,置零,小波重构,消噪心电信号,,,,,小波与自适应滤波器相结合的算法小波消噪原理原 信 号 频 带,19,问题：直接对高尺度下的低频信息置零，导致心电信号中低频,特征波的部分信息丢失，表现为滤波后心电低频特征波,波形失真小波消噪实验,问题：直接对高尺度下的低频信息置零，导致心电信号中低频小波消,20,小波与自适应滤波相结合,输入信号,x(j):,心电信号小波变换后的高尺度下低频信号；,参考信号,d(j):,常量序列小波与自适应滤波相结合输入信号x(j): 心电信号小波变换后,21,,心电信,号,,,小波变换,,,低频信息,j=8,尺度,高频信息,j=1~8,尺度,自适应滤波器,小波重构,,消噪心电信号,,,,,小波与自适应滤波相结合，最大限度的保证了滤波后,ECG,信号低频信息不失,真，这为保持心电,P,波和,T,波信息的完整性提供了基础。

为心电检测分析仪,准确分析,ST,段偏移、,QT,离散度等其他重要指标提供了保证低频信息高频信息自适应滤波器小波重构小波与自适应滤波相结合，,22,5,）心电特征波信息提取研究,心电主要的特征波,P,波：反映了心房肌去极化过程的电位变化情况QRS,波：反映了心室肌去极化过程的电位变化情况T,波：代表心室肌晚期复极过程所引起的电位变化情况特征波信息提取即对,P,波、,QRS,波、,T,波以及,PR,间期、,QT,间期、,ST,段等相关参数的幅值或宽度信息的提取5）心电特征波信息提取研究心电主要的特征波P 波：反映了心,23,目前基于小波变换的心电检测算法浅析,小波阈值法,:,通过设置合适的阈值来判断模极大值对，进而检测出对应的特征波小波结合神经网络法：,先用小波分析提取心电图概貌信息，然后将其作为神经网络的输入，对心电信号特征波进行识别和分类小波结合数学形态学法：小波变换后探测模极大值对过零点，当利用,RR,间期或其他判据判别（如,QRS,宽度）认为小波检测可疑时，则转入形态峰谷检测以上算法均可以很好识别,QRS,波，但是对于,QRS,波起止点定位不能获得很好的检测效果，而且对于,P,、,T,波的识别和起止点定位的准确检测没有给出有效的检测方法。

目前基于小波变换的心电检测算法浅析小波阈值法:通过设置合适的,24,对心电信号的小波变换,基于小波变换的联合检测算法,,ECG,信号,搜索模极大值对,确定分析尺度,波形与波峰定位,多级小波变换,,,,,确定阈值,,剔除误判,,对心电信号的小波变换基于小波变换的联合检测算法 ECG信号搜,25,小波基：二次,B,样条小波,,,特性：最小支集；良好的检测突变信号的能力，这种特性是使得,B,样条小波在奇异信号检测中得到应用的理论根据易于编,程实现尺度函数： 小波函数：,,小波基：二次B样条小波,26,QRS,复合波的完整检测,,正负极大值阈值：,斜率判据：,幅度判据：,获得滤波后的数据,5,尺度二进小波变换,4,尺度下确定,R,波对应的模,极大值对正负幅值阈值,确定模极大值对,计算模极大值对零交叉点,确定,R,波峰点,正极大值在前,Y,N,正向波,负向波,斜率幅值判据定位起止点,结 束,幅值测量,,,,,,,,,,,,,QRS复合波的完整检测 正负极大值阈值：斜率判据：幅度判据：,27,特点：低幅、低频、多态归纳起来主要有,：,正向单峰波、倒向单峰,波、双峰波和双向波。

a),为正向单峰波及其小波变换,；,(b),为负向单峰波及其,小波变换；,(c),为双峰波及其小波变换,；,(d),为双向波及其小波变换P,、,T,波检测,小波变换后的,P,波形态,(a) P,波,; (b) T,波,,特点：低幅、低频、多态归纳起来主要有：(a)为正向单峰波及,28,双峰,P,波起止点：,双向,P,波起止点：,,,小波变换，,5,尺度上检测出,QRS,波，确定,P,波区间,确定模阈值，根据阈值确定可能的模极大值对,开 始,Y,N,双峰,P,波,单峰,P,波,起止点定位,P,波宽度、形态、幅值等参数的确定,结 束,Y,双向,P,波,N,斜率变化检测,确定正峰和负峰,符号有变,双峰起止点定位判据,单峰起止点定位判据,双向起止点判据,确定起止点,三点两对,,,,,,,,,,,,,,,,,双峰P波起止点：双向P波起止点：小波变换，5尺度上检测出QR,29,P,波检测实验与讨论,偶然性的房扑，房颤，室颤出现，,P,波幅,值过于低平，小波变换后,P,波对应的幅值,低于算法中的幅值阈值，,导致漏检,；,偶然性的两个连续伪迹干扰经小波变换,后也可能形成一个正负极大值对，被当,作,P,波信号检测出来，,导致误检,。

在,P,波检测算法中：,模极大值对幅度阈值的确定对,P,波检测起着十分关键作用先定形再定位的策略对于准确确定,P,、,T,波的起止点十分必要P波检测实验与讨论偶然性的房扑，房颤，室颤出现，P波幅在P波,30,6,）心律失常与心律变异性分析,心律失常的自动识别,,（,1,） 房性早搏,:,能够检测到当前,R,波对应有,P,波2,） 室性早搏,:,（,3,）,RonT :,室性早博的,R,落在正常心博的,T,上的现象,室性早搏条件＋,（,4,）停搏：,（,5,） 漏搏,:,心拍模板：,RR,间期阈值：,6）心律失常与心律变异性分析心律失常的自动识别 （1） 房性,31,（,6,） 心动过速：连续,4,个及以上的,RR,间期满足,,（,7,） 心动过缓：连续,4,个及以上的,RR,间期满足,,,Y,N,RonT,,房性早博,,,,,,结 束,,,,,,开 始,,N,Y,N,N,Y,RR>RRTh,检测,R,波和,P,波,计算,RR,间期,漏博,停博,室性早博,,,,心动过缓,,,,Y,Y,N,N,Y,,心率失常的自动识别：,（6） 心动过速：连续4个及以上的RR间期满足YNRonT房,32,MIT/BIH,心率失常检测实验,心律变异性研究,,心律变异性（,Heart Rate Variability,,，,HRV,）是指,逐次心跳间期之间的微小差异,，在生理学中，,HRV,是研究心血管内在调节机理的工具；在临床上，,HRV,分析对一些疾病的早期诊断、治疗及预后评估等均具有重要意义。

现已证明，许多疾病如心肌梗死、心源性猝死、冠心病、高血压等疾病的发生，在,HRV,分析结果上都表现出明显的特征MIT/BIH心率失常检测实验心律变异性研究 心律变异,33,时域指标分析,散点图分析,时域指标分析散点图分析,34,频域分析是对,HRV,信号进行谱分析，从频谱曲线上观察交感神经与迷走神经对心律的调控作用HRV,信号频域信息分析,HF,成分主要反映了迷走神经活动，,LF,（低频）成分反映了心脏交感活动或交感迷走共同活动，,VLF,（极低频）主要受交感神经、环境温度及体液的影响LF/HF,（低频高频比）反映了交感和迷走活动的均衡性频域分析是对HRV信号进行谱分析，从频谱曲线上观察交感神经与,35,HRV,信号均匀化：先对,RR,间期时间序列进行插值，然后再进行均匀重,采样，获得均匀采样序列图中,(a),为等间距的原始,RR,序列，间距为,RR,间期序列的均值，,(b),为它的功率谱；,(c),为线性插值后重采样获得的,RR,序列,均匀,化后的,HRV,信号更趋合理，它含有更丰富的高频信息HRV信号均匀化：先对RR间期时间序列进行插值，然后再进行均,36,HRV,信号“色谱图”分析,HRV,信号是非平稳信号，其时间、频率以及能量分布关系，可以,用基于,STFT,运算的谱图来描述。

STFT,是一种线性时频表示方法，能够描述非平稳信号的时间、频,率和能量的对应关系HRV信号“色谱图”分析HRV信号是非平稳信号，其时间、频率,37,由于它能够被表达为：,,“,色谱图” 把谱图法在,不同时刻不同频率,下获得的能量大小用不同,的颜色对应起来将这种能量分布的描述方法引入到,HRV,信号的功率,谱密度分析中，提供了,HRV,信号在时域和频域上较完整的变换信息因此谱图描述了信号在时频域上点,(t,f),的大约能量密度谱图函数表达为：,,由于它能够被表达为： “色谱图” 把谱图法在不同时刻不同频率,38,从图中可清晰看出该,HRV,信号在不同时段不同频率上能量的强弱它的能量,主要集中在低于,0.3Hz,的频带范围内正常人和心肌梗塞患者的“色谱图”在低频段和高频段将显示不同的模式，,可能为探索不同情况下心律的交感－迷走控制过程及其临床应用提供新途,径同时通过“色谱图”的方式来反映,HRV,信号能量在时频域上的分布，也,为医生或研究人员提供了更丰富的信息从图中可清晰看出该HRV信号在不同时段不同频率上能量的强弱39,1,）,脑电图,,,脑电信号基本,频带划分,2,、 脑电图仪的研制,脑,电信号基本频带划分,节律（,0.5Hz~3.5Hz,）,节律（,3.5Hz~7.5Hz,）,节律（,7.5Hz~12.5Hz,）,节律（,12.5Hz~30.5Hz,）,节律,（,12.5Hz~18Hz,）,节律,（,18Hz~30Hz,）,,,1） 脑电图 脑电信号基本频带划分2、 脑电图仪的研制脑电,40,2,） 主要研究内容,,,脑电信号的产生机理、特征节律与病理之间的关系,从理论上研究了多种时频分析方法在脑电信号特征节律和波形的提取方面的应用,,研究了零相位滤波方法在脑电信号分析中的应用,,研究了脑电地形图的生成原理和睡眠分阶自动分析理论,研制了具有时频分析功能并集成了脑电地形图和睡眠分阶自动分析功能的虚拟式脑电记录分析仪器系统,,2） 主要研究内容  脑电信号的产生机理、特征节律与病理之间,41,3,）,脑电信号的起源和检测,,,脑电波的神经生理基础,脑电图测量,单极导联,头顶,Cz,作公共参考点的导联,平均参考导联,(AVG),双极导联,结论：,,不同的导联组合，特别是参考电极的位置或其构成方式的改变，对脑电图的特征有决定性的影响，如果忽视了这一影响因素，将会造成脑电图诊断的失误。

不同导联组合和定位的脑电图分布各有其特征及优缺点,，因此本仪器中设置了不同的导联定位方式3）脑电信号的起源和检测 脑电波的神经生理基础单极导联结论,42,4,）,非平稳信号处理技术及功能实现,非平稳信号处理技术,Gabor,变换,非平稳信号分析方法比较,小波变换和小波包变换,,Wigner,分布与,Choi-Williams,分布,,匹配跟踪,,多分辨率时频分析方法,,独立分量分析,,人工神经网络,,,,,,,,,,,,4）非平稳信号处理技术及功能实现非平稳信号处理技术Gabor,43,,功,能,实,现,,脑电信号基本节律特征信息提取,脑电特征信息的自适应时频提取,癫痫脑电中棘、尖和慢波的提取,基于球面插值算法的脑电地形图,多分辨率分析用于睡眠分阶分析,频带信息的无相位差的滤波提取,,,,,,,,,脑电信号基本节律特征信息提取脑电特征信息的自适应时频提取癫痫,44,Gabor,变换及,BRIR,实现,（,1,）一般,FT,变换,利用,FT,，集成了频域分析功能，以获得脑电信号的大致频率特征,由于脑电信号的非平稳性，,不仅需要知道脑电信号中所包含的整体频谱结构，更希望了解某一特定时刻的频谱结构,，即希望了解不同的时刻所包含的不同的频率信息,Gabor变换及BRIR实现（1）一般FT变换利用FT，,45,（,2,）,Gabor,变换（短时傅立叶变换）,,通过在时间轴上滑动固定宽度的时间窗，将信号划分成多段相同时间长度的短时信号，在这样一个时间长度内，我们可以把它看成是平稳的，然后分别对它们做傅立叶变换，从而得到信号的时频谱,。

信号,x(t),的,Gabor,变换为,可以认为,Gabor,变换是信号 与经过窗函数 调制的复正弦曲线函数 之间的内积2）Gabor变换（短时傅立叶变换） 通过在,46,采用时间和频率的离散值定义离散,Gabor,变换为,,（,3,）,BRIR,功能实现,,在目前的脑电检查临床诊断中，脑电图医生还是主要靠目测和简单的时域分析方法来判断某一背景节律是否处于抑制，这必然会带来一定的误差，且很不直观因此,，我们从临床应用的角度出发，根据脑部电活动的节律划分，引入了,频带相对强度比（,BRIR,：,band relative intensity ratio,）的概念,，利用,Gabor,变换原理，对脑电信号进行时频分析，可以获得某一时刻各个基本节律的相对强度，从而为脑电图医生临床诊断提供一种直观的较好的辅助分析工具采用时间和频率的离散值定义离散Gabor变换为（3）BRIR,47,BRIR,算法,对,每一个,EEG,基本节律（ ）的频带定义其频带功率谱密度,,,定义总的功率谱密度为,,,对于每一个频带定义频带相对密度比（,BRIR,）为,BRIR算法对每一个EEG基本节律（,48,C4-A2,导联上脑电数据时域波形及,BRIR,C4-A2导联上脑电数据时域波形及BRIR,49,C4-A2,导联上脑电信号频谱图,C4-A2导联上脑电信号频谱图,50,脑电信号中棘、尖和慢波的提取,不同的状态和不同的病理下，脑电信号中有不同的特征节律和特征波形，这些特征节律，特别是异常特征节律，与各种脑部疾病有着密切关系。

棘波、尖波和慢波的有效检测对于癫痫脑电的诊断具有重要意义，但是目前文献对于棘波和尖波检测的讨论较多，而慢波由于其幅度和频率跨度较大，检测难度较大，很少有文献提及脑电信号中棘、尖和慢波的提取不同的状态和不同的病理下，脑电信,51,不同状态下的脑电图,,不同状态下的脑电图,52,1,）棘、尖和慢波自动检测框图,,多通道脑电信号,,通道,1,,,,通道,2,通道,N,…,,脑电信号消噪处理,自适应滤波分离脑电信号,专家知识规则,统计输出,连续小波变换,特征参数提取,人工神经网络,连续小波变换,特征参数提取,人工神经网络,连续小波变换,特征参数提取,人工神经网络,…,,,,…,,,,,,,,,,棘波、尖波和慢波自动检测和分析功能的实现,1）棘、尖和慢波自动检测框图多通道脑电信号通道1通道2通道,53,（,1,）独立分量分析消噪,独立分量分析,独立分量分析（,ICA,）的基本含义是将多道观测信号按照统计独立的原则通过优化算法分解为若干独立成分，进行,ICA,的前提条件是各源信号为彼此统计独立的非高斯信号独立分量分析模型,A,W,,,,S,X,Y,（1）独立分量分析消噪独立分量分析独立分量分析模型AWSXY,54,信号的瞬时线性混合模型为,,它表示一组独立的源信号 经过线,性系统,A,混合在一起，得到观测信号,,,,其中源信号和混合系统,A,都是未知的，只有混合后的 可以观测到。

信号的瞬时线性混合模型为它表示一组独立的源信号,55,白化,A,网络,W,自适应学习,,,,,,,,,,S,X,Z,Y,自适应,ICA,模型,白化A网络W自适应学习SXZY自适应ICA模型,56,,用,ICA,消噪,,脑电信号的检测，虽然在数据采集阶段，就已经利用屏蔽、滤波和光隔等措施对脑电信号进行了各种抗干扰处理，但由于各种原因，仍有一部分干扰信号和脑电信号一起进入本仪器的数据采集系统，如心电、头皮肌电、眼动呼吸等干扰这些干扰源和脑电信号可以认为彼此是信源独立的，因此本仪器首先利用独立分量分析（,ICA,）方法对脑电信号分段进行消噪处理用ICA消噪 脑电信号的检测，虽然在数据采集阶,57,同步测量的心电、脑电信号,,用独立分量分析方法所得结果,,同步测量的心电、脑电信号 用独立分量分析方法所得结果,58,（,2,） 利用小波变换消除脑电信号中的随机干扰脉冲,设数字信号的采样频率为 ，由采样定理，可认为信号的最高频率为 利用,Mallat,算法，如信号进行,L,级小波分解，则信号的整个频带被分解成,L+1,个子频带：,,这些子频带对应的子带信号为：,且满足,（2） 利用小波变换消除脑电信号中的随机干扰脉冲设数字信号的,59,原始脑电信号,,下图是一,6,小时实测脑电信号的一段（参考导联,C4-A1,，采样频率,250Hz,，全部数据长度为,50,万个采样点）,原始脑电信号 下图是一6小时实测脑电信号的一段（,60,消除脉冲干扰,后的脑电信号,,,两子带信号,,消除脉冲干扰 两子带信号,61,(3),最小均方自适应滤波分离脑电信号,,,F(,·,),预测,滤波器,,,,,,,,,,,,,,,,,非平稳输出,Z,n,平稳输出,Y,n,+,+,-,-,+,输入,X,n,,n,X,n,^,(3) 最小均方自适应滤波分离脑电信号 F(·)预测非,62,（,4,）细检提取波形特征参数,小波变换由于能在时间,-,尺度上表征信号，可以在不同尺度上反映信号的各种频率信息。

根据棘波、尖波和慢波的特征，可以很容易地知道对癫痫脑电做小波变换时，棘波和尖波等频率较高的成分将在尺度较小的频段出现，而慢波成分则在尺度较大的频段表现出来即使在复合波形中，时域特征不明显、被慢波所覆盖的棘波和尖波，经过小波变换后，这些波形也可以在相应的尺度上很好地体现出来4）细检提取波形特征参数小波变换由于能在时间-尺度上表征信,63,连续小波变换,8,尺度分解结果,连续小波变换8尺度分解结果,64,利用,Mexican hat,小波函数作为小波基，同时考虑二进小波变换固有的二进规律，而选取 ，进行,8,尺度连续小波分解其中,a,值较小的通道中主要是频率较高的棘波，,a,值较大的通道中主要是频率较低的慢波，介于其间的是尖波成分由于是在多个通道反映某一个成分，因此可以适应因人而异的变化，从而提高系统的稳健性其中,S1~S3,用来检测慢波，,S7~S8,用来检测棘波，中间三个尺度,S4~S6,的输出用来检测尖波在这些尺度下，这三种基本波可以表现出最大的幅度这样跨尺度地提取特征波可以较好地区分特征波与伪迹和背景尖波因为伪迹和背景尖波可能在某一尺度下与特征波混淆，但不可能在多个尺度中全部混淆,,利用Mexican hat小波函数作为小波基，同时考虑二进小,65,（,5,）特征参数的确定,癫痫波波形特征参数,（5）特征参数的确定癫痫波波形特征参数,66,各种特征波形提取的特征数目,,,,,棘波,,,尖波,,,慢波,,,尺度数目,,,2,,,3,,,3,,,波形特征参数,,,7,,,7,,,4,,,,特征参数包括,：,,相对幅度,A1,，相对幅度,A2,，宽度,L1,，宽度,L2,，,宽度,L3,，锐度,S,，斜率,P,各种特征波形提取的特征数目 棘波尖波慢波尺度数目233波形特,67,,,,,,,,,,,,,,,,,,,,,,,,,,,尺度,1,…,…,…,O,X,11,X,12,X,1M,X,21,X,22,X,2M,X,N2,X,N1,X,NM,尺度,2,尺度,N,（,6,）人工神经网络结构,尺度1………OX11X12X1MX21X22X2MXN2XN,68,,脑电特征信息的自适应时频提取,,脑电图特征波形中除了癫痫异常波外，还有其它各种异常波形，这些波形同样可以为临床应用提供诊断信息。

为了检测这些异常波形，本仪器根据不同异常波形的特点，选用了不同的信号分析和处理方法，如基于不同小波基的小波变换，,Wigner,分布，多分辨率时频分析等，在实际应用中，系统可自适应地选择不同的时频分析方法，以求有效地检测出脑电图中的异常波形信息,,1,）,Wigner,分布,,Wigner,分布在各种时频分析方法中具有最简单的形式和良好的性质，如实值性、对称性、边缘特性、时移特性和频移特性等，,因此从,临床应用及医学研究相结合的角度出发，在对脑电信号中的部分特征信息进行提取时，使用了,W,igner,分布脑电特征信息的自适应时频提取 脑电图特征波,69,2,）基于不同小波基的小波变换,,小波分析中所用的小波函数具有不唯一性，即小波函数具有多样性当选用不同的小波函数分析同一个问题时，可能会产生不同的结果因此，进行小波分析时，小波基的选择是一个十分重要的问题，但目前仍没有较好的方法，主要是通过用小波分析方法处理信号的结果与理论结果的误差来判定小波基的好坏，并由此选定小波基2）基于不同小波基的小波变换 小波分析中所用的,70,利用,Meyer,小波进行多分辨率分析,利用,Daubechies D4,进行多分辨率分析,,利用Meyer小波进行多分辨率分析利用Daubechies,71,3,） 匹配跟踪（,MP,）,匹配跟踪算法是一种冗余算法，通过将原信号反复投影到所选定的优化矢量上而逼近原始信号。

Fp1,Fpz,Fp2,F4,F8,Fz,F3,F7,T3,T5,P3,C3,Cz,C4,T4,T6,P4,Pz,O1,Oz,O2,,,,,,,,3） 匹配跟踪（MP）匹配跟踪算法是一种冗余算法，通过将原信,72,1,、仅示出了睡眠纺锤波所在频段范围,11~15Hz,2,、可以看出睡眠纺锤波在什么时间、什么频段出现，并可知道幅值大小,.,3,、较高频率的睡眠纺锤波出现在后部电极位置，而较低频率的睡眠纺锤波出现在前部电极位置,1、仅示出了睡眠纺锤波所在频段范围 11~15Hz,73,Pz,电极上,10s,的睡眠,EEG,及其时频分析结果,Pz电极上10s的睡眠EEG及其时频分析结果,74,,Cz,电极上,10s,的睡眠,EEG,及其时频分析结果,Cz电极上10s的睡眠EEG及其时频分析结果,75,,Fz,电极上,10s,的睡眠,EEG,及其时频分析结果,Fz电极上10s的睡眠EEG及其时频分析结果,76,,频带信息的无相位差的滤波提取,,脑电信号中的各个基本节律和特征波形都有其各自的频率范围有时为了分析某一频带范围内的脑电波形，可利用滤波器的选频作用把需分析的频段提取出来，从而更便于医生观察和作出诊断结果。

基于这样一种认识，本仪器系统利用零相位滤波器设置了滤波功能根据不同的需要，选择合适的滤波器，设置恰当的频带范围，就可以获得我们所需频段范围内的时域波形,频带信息的无相位差的滤波提取 脑电信号中的,77,对一余弦信号的分段滤波引起的边沿效应,幅值,时间,/ s,64,点重叠数字滤波边沿效应抑制,对一余弦信号的分段滤波引起的边沿效应幅值时间/ s64点重叠,78,256,点重叠数字滤波边沿效应抑制,256,点重叠数字滤波边沿效应抑制局部放大,幅,值,时间,/ s,256点重叠数字滤波边沿效应抑制256点重叠数字滤波边沿效应,79,基于零相位滤波的分段滤波,64,点重叠零相位数字滤波边沿效应抑制,幅值,时间,/ s,,局部放大,幅值,时间,/ s,基于零相位滤波的分段滤波64点重叠零相位数字滤波边沿效应抑制,80,3,颅内压无创综合检测分析仪,,3.1,闪光视觉诱发电位应用于颅内压增高检测的可行性分析,1,）原理,,,FVEP,反映从视网膜到枕叶皮层视通路的完整性，基于诱发电位潜伏期与,ICP,的线性关系，可实现,ICP,的,FVEP,检测神经元及其纤维兴奋与传导需要不断从血液循环中得到能量，当,ICP,升高时，会引起神经元及其纤维缺血缺氧以及代谢障碍，使得神经传导发生阻滞，从而使得诱发电位的潜伏期变长。

用,FVEP,来检测,ICP,，正是基于,ICP,与视觉诱发电位潜伏期长短的关系来确定,ICP,的大小研究表明，在,FVEP,的各特征波形中，,N2,波潜伏期更能反映,ICP,对视通路的影响，而且波形易于识别，波形也较稳定因此在本文的应用中，利用了,N2,波潜伏期与,ICP,的线性关系，研制了无创,ICP,检测分析仪，检测,ICP,值和,ICP,趋势3 颅内压无创综合检测分析仪1）原理,81,2,）诱发电位特征,,（,1,）刺激信号与诱发电位之间存在较固定的时间关系，即有一定的潜伏期2,）刺激特定的感觉系统所产生的诱发电位具有特定的模式，在同一条件下可以再现3,）诱发电位在空间上以相应皮层投射区为出现的中心，并经该区向其他区传播，是一个有一定规律，具有潜伏期、极性、波幅、时程等物理特性的特定脑电图形2）诱发电位特征 （1）刺激信号与诱发电位之间存在较固定的时,82,3.2,闪光视觉诱发电位提取方法,1,）基于叠加平均技术的视觉诱发电位提取,,,可以将诱发反应作为要提取的信号，自发脑电活动作为随机噪声，利用平均技术，,其信噪比的改变程度与叠加次数的平方根成正比,叠加次数越多，信号就越清晰。

但在实际研究条件下，叠加次数过多，时间过长，会引起被试者的疲劳而影响临床检测或试验的结果这里还要指出的是，任何借增加叠加次数来弥补仪器或技术上的不足的做法，都是错误的因此，选择适当的叠加次数，使诱发电位信号能从自发脑电噪音背景中清楚地分离出来，而又不致引起被试者或病患的过度疲劳，是本文必须考虑的一个因素另外叠加平均技术虽然被广泛应用于诱发电位的临床实践中，但该方法抑制背景噪声的能力却是有限的而且利用该方法忽略了单次诱发电位之间的变异，因此诱发电位的单次或少次提取成为人们关注的研究目标3.2 闪光视觉诱发电位提取方法1）基于叠加平均技术的视觉诱,83,2,）基于谱分析的视觉诱发电位提取,,（,1,）以各种滤波法结合自发脑电的,AR,或,ARMA,模型，然后通过滤波等手段提取诱发电位信号是采用较多的方法；,,（,2,）高阶累量与高阶累量谱在生物医学信号中的应用也逐渐增多 ，将累量谱用于,VEP,的情况，其工作实质是研究在累量谱域上对于,VEP,信号的检测问题；,,（,3,）在没有或缺乏信号统计知识的情况下，可以采用自适应滤波的方法，或者在对信号和噪声的相关函数和功率谱作出估计后，采用后验维纳滤波方法。

2）基于谱分析的视觉诱发电位提取 （1）以各种滤波法结合自发,84,3,）基于人工神经网络的视觉诱发电位提取,,（,1,）利用神经网络，非线性自回归滑动平均模型，使用梯度径向基函数等实现从自发,EEG,中有效提取,VEP,；,（,2,）自适应信号处理与神经网络相结合的方法，这种方法采用径向基神经网络，用有限数量的中心沿时间均匀分布的径向基函数对,EP,建模，将算法用于人体视觉诱发电位,VEP,和脑干听觉诱发电位,BAEP,估计的结果表明，由于自适应过程中也会引入噪声，将滤波输出进行平均能够进一步提高估计信号的信噪比与叠加平均方法相比，这种方法在得到较好的,VEP,和,BAEP,估计结果的同时，能显著地减少估计所需要的刺激次数，从而提高估计速度3）基于人工神经网络的视觉诱发电位提取 （1）利用神经网络，,85,4,）基于小波变换的视觉诱发电位测量,,,由于小波变换在时、频两域表征信号局部特征的能力和多尺度、多分辨率的特点，可以方便地构建时频数字滤波器，有利于瞬态信号的检测，因而小波变换在,VEP,提取中的应用已见诸于各文献中4）基于小波变换的视觉诱发电位测量 由于小波变换在时,86,5,）基于独立分量分析方法的视觉诱发电位提取,,,虽然,ICA,已经在生物医学信号的处理中获得了较为广泛的应用，但其应用于,VEP,信号的提取受到不同的应用环境和,ICA,应用条件和不同算法的影响，其结果的正确性，算法的有效性和实时性还需要进行进一步的深入研究。

5）基于独立分量分析方法的视觉诱发电位提取 虽然I,87,3.3,闪光视觉诱发电位少次提取方法研究,,目前临床上,FVEP,的提取主要是通过叠加平均的方法获得的，通过增加重复刺激的次数来提高信噪比但是由于叠加的效果是与叠加次数,M,的平方根成正比，所以当叠加次数达到一定值后，再增加叠加次数，对,FVEP,的提取效果的改善已很不明显而且叠加平均的方法忽略了每次刺激之间,FVEP,的变异，反复刺激也会引起神经系统疲劳，从而直接影响了诱发响应的波形因此,FVEP,的单次或少次提取成为了人们关注的重点3.3 闪光视觉诱发电位少次提取方法研究 目前临床上,88,1,） 基于扩展的信息极大化算法的视觉诱发电位少次提取方法研究,ICA,算法的一般流程,,1） 基于扩展的信息极大化算法的视觉诱发电位少次提取方法研究,89,考虑临床脑电信号提取中的不同信号成分，其中可能包含有超高斯成分（如诱发电位），也可能包含亚高斯成分（如肌电和工频干扰），利用扩展,Informax,算法进行了,VEP,单次提取的仿真实验，得到了下图所示实验结果可以看到，扩展,ICA,算法在同时存在超高斯和亚高斯信号的情况下，仍然能够很好地实现盲分解。

VEP,单次提取的仿真实验,,考虑临床脑电信号提取中的不同信号成分，其中可能包含有超高斯成,90,2,）基于虚拟噪声通道的独立分量分析算法的视觉诱发电位提取方法研究,（,1,）,ICA,方法应用条件,,,（,a,） 最多只有一个独立源信号满足高斯分布因为在,ICA,的分离过程中，是通过对分离结果的非高斯性度量来监测分离结果间的相互独立性的，若存在多个独立源信号满足高斯分布，高斯信源的线性组合仍是高斯型的，则势必无法将它们分离开来b,） 各信源相互独立c,） 观测变量的个数大于或等于独立信源的个数这就要求监测时传感器的个数必须大于或等于独立信源的个数2）基于虚拟噪声通道的独立分量分析算法的视觉诱发电位提取方法,91,（,2,）,FVEP,检测原理框图,,闪光刺激通过眼罩加在视觉通路上,（2）FVEP检测原理框图闪光刺激通过眼罩加在视觉通路上,92,,可以看到，我们仅从枕骨,O1,和,O2,处采集了两个视觉通路的信号，然后从中提取出两个通路的闪光视觉诱发电位但是在检测的信号中包含了大量的自发脑电信号，并且由于自发脑电信号的幅值要大于视觉诱发电位的信号，因而实际单次信号检测过程中，视觉诱发电位信号往往淹没在背景自发脑电信号中。

也就是说，每路观测到的信号中实际包含了视觉诱发电位信号和背景自发脑电信号，因而不满足,ICA,方法应用条件的第（,c,）条，不能直接使用独立分量分析方法来从检测到的信号中提取出视觉诱发电位波形可以看到，我们仅从枕骨O1和O2处采集了两个视觉通路的,93,（,3,）虚拟噪声通道的引入,,加噪的,ICA,数学模型,,,,,考虑中所含噪声的情况，引入,M,个噪声分量用来作为虚拟观测通道,,,,,（3）虚拟噪声通道的引入 加噪的ICA数学模型,94,,则加噪观测模型，可表示为如下无加性噪声显式表示的标准,ICA,模型：,,,利用此方法建立得到的,ICA,模型，相当于利用,M+1,个传感器检测信号，得到,M+1,个观测信号，然后利用这,M+1,个观测信号，应用,FastICA,算法分离得到,M+1,个源信号，其中包括,M,个引入的噪声信号和,1,个需要得到的源信号可以看到，在虚拟通道（即虚拟传感器）的引入过程中，并没有破坏,ICA,模型的数学基础，所以,ICA,的原理、模型和方法对本文所建立的模型仍是适用的则加噪观测模型，可表示为如下无加性噪声显式表示的标准,95,（,a,）,（,b,）,引入的脑电和实测单次诱发电位,,（,a,）,（,b,）,分离出的噪声和诱发电位,信号,（a）（b）引入的脑电和实测单次诱发电位（a）（b）分离出的,96,3,）基于小波变换的视觉诱发电位少次提取方法研究,,,由于,VEP,提取过程中的实际情况及方法本身算法的局限性，其中很多是基于,VEP,的先验知识而忽略了,VEP,的非确定性特点，因而这些方法在临床应用中受到了一定的限制。

多分辨率小波变换由于其多分辨率的特性，可以实现,FVEP,信号的有效提纯但在实际应用中，由于,FVEP,信号是比脑电信号更微弱的信号，单次的提取使得,FVEP,信号完全淹没在以脑电信号为主的强噪声环境中，因而利用多分辨率小波变换很难实现精确的,FVEP,的提取所以本文考虑,把叠加平均和多分辨率小波变换相结合，首先利用叠加平均方法进行若干次的叠加，由于叠加平均方法与叠加次数的平方根成正比，因此开始几次的叠加可以显著改善信号质量；然后进一步利用多分辨率小波变换实现,FVEP,的提纯3）基于小波变换的视觉诱发电位少次提取方法研究 由于,97,（,1,）小波基的选择,考虑标准视觉诱发电位的形状，选择与其相似程度较好的,db6,作为本文应用方法中的小波基a,）,db6,的尺度函数,b,）,db6,的小波函数,db6,的尺度函数和小,波函数,（1）小波基的选择考虑标准视觉诱发电位的形状，选择与其相似程,98,（,2,）小波分解层级的选择,,,在本文的实际应用中，采用的信号采样频率为,fs=500Hz,，根据采样定理，可认为信号的最高频率为,fs=250Hz,利用,Mallat,算法，对采样得到的闪光视觉诱发电位信号进行,8,级小波分解，则信号的整个频带被分解成,9,个子频带，设这些子频带对应的子带信号分别为,d1,、,d2,、,…,d8,和,a8,。

考虑视觉诱发电位的频带范围，取,d4~d8,和,a8,子带的信号进行小波重构，从而得到降噪提纯后的闪光视觉诱发电位信号2）小波分解层级的选择 在本文的实际应用中，采用的,99,(3),算法步骤,,（,a,）利用由发光二极管阵列组成的眼罩发出频率为,1Hz,的闪光刺激信号；在两枕骨处、发际和眉心处分别放置电极，其中，发际处电极为参考电极，眉心处电极为地电极，放置在头皮两枕骨处的电极用来拾取,VEP,信号和背景,EEG,信号的混合信号，采集的信号经过高放大倍数的放大器放大后，通过,A/D,转换为数字量储存到计算机中；,（,b,）记录,10,次的闪光刺激,VEP,和,EEG,混合信号后，进行叠加平均处理，得到一经过初步处理后的信号，记为 ，该信号比单次提取的信号的信噪比有了很大的提高，但还不足以有效提取微弱,FVEP,信号；,（,c,）对 进行,8,级多分辨率小波分解，选取,d4~d8,和,a8,子带的信号，而令其他子带的信号为零；,（,d,）利用上述选取的子带信号和小波重构算法实现信号的重构，得到一新的信号，记为 ，该信号即为经过叠加平均和多分辨率小波变换提纯得到的,FVEP,信号。

3) 算法步骤 （a）利用由发光二极管阵列组成的眼罩发出频,100,（,4,）实验验证,,信号的多分辨率小波分解和重构,,（4）实验验证 信号的多分辨率小波分解和重构,101,不同方法的,FVEP,提取效果比较,,不同方法的FVEP提取效果比较,102,QLVXD,心电检测分析仪软面板,心电信号采集模块,信号预处理模块,,心率变异分析模块,心电信号显示模块,,特征信息提取模块,,心率失常统计模块,心电病历管理模块,心电报告打印模块,,,,,,,,,,,,,,,,,,虚拟式心电图检测分析仪功能框图,4,、,生物医学仪器功能,QLVXD心电检测分析仪软面板心电信号采集模块信号预处理模块,103,,,,,,,,,,,,,,,,,,,,,,,,,,MVND,脑电测量与分析仪器系统,脑电数据采样,病人信息管理,脑电数据管理,脑电信号分析,应用选择,,,,电极定位方式选择,,电极组合方式选择,,事件诱发方式选择,,脑电数据保存控制,,,病人病历管理,,,病人信息增减,,病人信息智能化查询,,,脑电数据回放,,不同显示方式控制,,,脑电数据编辑,,,脑电图打印,,,脑电数据定标,,,,时域分析,,,,频域分析,,零相位数字滤波,,,异常节律提取,,脑电地形图分析,,,睡眠分阶分析,,,,,,脑电检测分析仪功能框图,MVND脑电测量与分析仪器系统脑电数据采样病人信息管理脑电数,104,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,监护中心服务器,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,嵌入式心电监护仪,,,,,病人,,,（,）,传感器 电极,放大器,,ECG,电生理放大系统,,,,,,,,,,Internet,床旁监护分析仪连接示意图,监护中心服务器嵌入式心电监护仪病人（）传感器 电极 放大器,105,,,主控模块,,,参数设置模块,,,实时任务模块,,,网络通讯模块,,,显示模块,,,辅助功能模块,,,参,数,设,置,,,实,时,采,集,心,电,数,据,线,程,,,实,时,分,析,心,电,数,据,线,程,,,网,络,通,信,线,程,,,E,C,G,实,时,显,示,线,程,,,相,关,数,据,显,示,,,辅,助,功,能,,,网,络,监,测,线,程,,,,,,,,,,,,,,,床旁监护分析仪功能框图,主控模块参数设置模块实时任务模块网络通讯模块显示模块辅助功能,106,三 项目,研究,1,仪器的研制,,,根据生物电信号的特点，虚拟仪器的发展趋势和信号处理方法的最新进展，进行了,12,导联同步采样的心电图仪和脑电图仪的研制，并初步完成了床旁心电监护分析仪的研制。

12,导联同步采样的心电图仪可实现同步整体观察及测量,12,导联同一心动周期的波形；引入数据库管理技术，实现对病人信息的有效管理；利用小波变换技术实现心电波形特征参数的精确提取三 项目研究1 仪器的研制,107,,心电图检测分析仪,心电图检测分析仪,108,,脑电图仪利用了先进的信号分析和处理方法，来有效提取脑电信号中的各种特征参数，可以根据所要提取的波形特征的不同，自适应地选择合适的处理方法；自动对脑电信号中的各频带进行分段；集成了脑电地形图分析功能等；引入数据库管理技术，实现对病人信息的有效管理脑电图仪利用了先进的信号分析和处理方法，来有,109,脑电记录监护分析仪,脑电记录监护分析仪,110,床旁监护系统中的服务器端显示界面,床旁监护系统中的服务器端显示界面,111,心电图检测分析仪功能示例,心电图仪显示、分析综合功能实现及报告打印,心电图检测分析仪功能示例心电图仪显示、分析综合功能实现及报告,112,心电图特征参数分析功能实现,心电图,HRV,分析功能实现,心电图特征参数分析功能实现心电图HRV分析功能实现,113,脑电图仪分析功能示例,脑电波形的不同显示方式,,脑电信号不同频段的自动分离,脑电图仪分析功能示例脑电波形的不同显示方式脑电信号不同频段的,114,,滤波功能在脑电,信号分析中的应用,小波变换在脑电,信号分析中应用,滤波功能在脑电小波变换在脑电,115,,基于闪光视觉诱发电位的虚拟式颅内压无创检测分析仪的研制及临床实验,1,）虚拟式颅内压无创检测分析仪的研制,（,1,）硬件组成,（,2,）仪器功能,基于闪光视觉诱发电位的虚拟式颅内压无创检测分析仪的研制及临,116,,,,,眼罩,,电极,,FVEP,原理应用,眼罩电极FVEP原理应用,117,生物医学信号处理及其仪器应用讲座课件,118,生物医学信号处理及其仪器应用讲座课件,119,生物医学信号处理及其仪器应用讲座课件,120,,,生物医学信号处理及其仪器应用讲座课件,121,,生物医学信号处理及其仪器应用讲座课件,122,,生物医学信号处理及其仪器应用讲座课件,123,,生物医学信号处理及其仪器应用讲座课件,124,,,生物医学信号处理及其仪器应用讲座课件,125,,生物医学信号处理及其仪器应用讲座课件,126,,生物医学信号处理及其仪器应用讲座课件,127,生物医学信号处理及其仪器应用讲座课件,128,,,生物医学信号处理及其仪器应用讲座课件,129,,,生物医学信号处理及其仪器应用讲座课件,130,,,生物医学信号处理及其仪器应用讲座课件,131,生物医学信号处理及其仪器应用讲座课件,132,。