7.1生物医学信号特征与预处理

生物医学信号是生命活动过程中产生的物理或化学变化的表现，其特点是极其微弱且深埋于各种噪声之中。因此，信号的获取与预处理是后续一切分析诊断的先决条件，其目的在于从嘈杂的背景中提取出纯净的、具有生理意义的信号成分

一、生物医学信号的类型与固有特征

1.主要信号类型

电生理信号：源自细胞的电活动，是生物医学信号处理中最经典的类型

        心电图（ECG）：记录心脏周期性电活动。典型幅值为0.5~5 mV

        脑电图（EEG）：反应大脑皮层神经元群突触后电位的总和。信号幅值为10~100 μV

        肌电图（EMG）：记录骨骼肌纤维的动作电位。幅值范围较宽50 μV ~ 5 mV

其他生理信号：光电容积脉搏波、血压波、心音信号、呼吸波

2.核心共性特征：

幅值微弱：通常在微伏（μV）至毫伏（mV）量级，极易被环境噪声和仪器噪声淹没

频率较低：主要生理信号集中在直流至数百赫兹的范围内

强随机性：受到个体差异、生理状态、心理活动等多种因素影响，具有显著的随机性

信噪比低：有用信号常与各种干扰混杂

非平稳性：信号的统计特性随时间变化，例如EEG在不同意识状态下截然不同

非线性：产生信号的生理系统本身是非线性的，导致信号成分间存在复杂的非线性耦合

二、预处理

预处理的目标是抑制噪声、消除伪影、增强信号，为特征提取提供高质量的数据基础

1.典型噪声/伪影及其抑制方法：
工频干扰（50/60Hz及其谐波）：来自电源线路。采用谐波滤波器进行针对性滤除

基线漂移：由呼吸、电极滑动或皮肤-电极界面阻抗变化引起的低频缓慢波动。常用高通滤波消除

肌电干扰：肌肉收缩产生的高频宽带随机噪声。可通过低通滤波或小波阈值去噪等方法抑制

运动伪影：身体运动导致信号幅值发生阶跃性或缓慢的漂移。可采用自适应滤波或盲源分离技术

2.信号质量评估：主观评估、客观指标

三、信号采集系统的工程实现

典型生物电信号采集设备包含以下核心模块：

1.电极：生物体与电路之间的换能接口

2.前置放大器与模拟滤波：对微弱信号进行初步放大，并进行抗混叠滤波

3.模数转换器（ADC）：将连续的模拟信号转换为离散的数字信号。分辨率（位数）和采样率（需满足奈奎斯特采样定律）是关键参数

4.微控制器/数字信号处理器（DSP）：运行数字滤波、特征提取等算法

5.存储、显示与通信模块

7.2数字信号处理基础（滤波、变换、特征提取）

核心流程：对采集到的数字信号进行加工（滤波）、从不同维度进行解析（变换），最终凝练出代表生理状态的量化指标（特征提取）

一、滤波技术

1.模拟滤波与数字滤波

模拟滤波器：由电阻、电容、电感等模拟元器件构成，直接处理连续时间模拟信号。优点是无延迟、实时性高；缺点是参数受温度、老化影响，且设计后不易修改

数字滤波器：通过微处理器执行算法，对离散数字信号进行处理。优点是灵活性高、稳定性好、易于实现复杂特性；缺点是需要ADC，存在量化误差，且处理有延迟

2.经典数字滤波器类型与医学应用

低频滤波器：允许低频成分通过，抑制高频成分。用于平滑ECG/EEG信号，去除肌电等高频噪声

高通滤波器：允许高频成分通过，抑制低频成分。消除ECG/EEG中的基线漂移

带通滤波器：只允许某一特定频带通过

带阻滤波器：抑制某一特定频段。去除50/60Hz工频干扰

3.滤波器设计要点

指标确定：根据信号和噪声特性，确定通带截止频率、阻带截止频率、通带最大衰减、最带最小衰减等

类型选择：无限冲激响应滤波器（反馈结构）、有限冲激响应滤波器（无反馈结构）

实现与验证

二、变换方法

1.傅里叶变换（FFT）：

原理：将时域信号分解为一系列不同频率、幅值和相位的正弦/余弦（复指数）波之和，从而得到信号的频率谱

局限：完全丧失了时间信息，仅适用于统计特性不随时间变化的平稳信号

2.短时傅里叶变换（SFFT）：

原理：对信号加一个滑动的“时间窗”，在每一个窗内进行傅里叶变换，从而得到一个时域分布图

局限：时域分辨率受限于窗函数长度，无法同时获得高时间分辨率和高频率分辨率

3.小波变换：

原理：使用一个可伸缩、平移的母小波函数对信号进行分解，实现了多分辨率时频分析

核心优势：非常适合分析非平稳、瞬态信号。高频处时间分辨率高，低频处频率分辨率高

三、特征提取

从处理后的信号中提取出能有效表征生理或病理状态的量化指标

时域特征：均值、方差、标准差、峰值等

频域特征：频谱重心、频谱宽度、各频段的绝对功率等

非线性特征（反应信号复杂度和动力学特征）：熵、分形维数等

7.3医学图像处理（增强、分割、配准、融合）

医学影像为人体内部提供了非侵入式的可视化窗口。医学图像处理技术则致力于提升影像质量、提供解剖或功能信息，并整合多模态数据

一、图像增强

目标：改善图像的视觉效果，或转化为一种更适合于人眼观察和机器分析的形态

1.空间域增强（直接处理像素灰度）

灰度变换：包括线性对比度拉伸、非线性变化，增强特定灰度范围的对比度

直方图处理：直方图均衡化是最常见的方法，通过重新分配像素灰度值，使输出图像的直方图近似均匀分布，从而大幅增强整体对比度

空间滤波：

        平滑滤波：如均值滤波、中值滤波（对椒盐噪声特别有效）、高斯滤波等

        锐化滤波：突出图像的边缘和细节

2.频域增强：

原理：将图像通过傅里叶变换转换到频率域，图像的低频分量对应平滑区域，高频分量对应边缘和噪声。通过设计频域滤波器修改频谱，再反变换回空间域

3.医学影像专用增强：窗宽窗位调节（CT）、非均匀性校正（MRI）

二、图像分割

分割是将图像划分为互不重叠、具有独特性质的区域的过程，是进行定量分析和三维重建的关键步骤

1.传统分割方法：

基于阈值：自动寻找一个最佳灰度阈值，使前景与背景的类间方差最大

基于边缘：通过多步骤检测出单像素宽、连续的边缘

基于区域：从一组“种子点”出发，根据某种相似性准则（如灰度值）将领域像素合并进来

基于模型：定义一条受内力和外力驱动的能量最小化曲线，使其演化至目标边界

2.形态学图像处理：

定义：一种基于形状、结构元素的非线性图像处理理论，是分割的重要预处理和后处理工具

基本操作：

        腐蚀：使目标区域边界向内部收缩，能消除细小物体、分离粘连

        膨胀：使目标区域边界向外部扩张，能填充空洞、连接断裂

组合操作：

        开运算：先腐蚀后膨胀。用于消除小物体、平滑边界，同时不明显改变面积

        闭运算：先膨胀后腐蚀。由于填充小孔、连接邻近物体，平滑边界

3.深度学习方法：

代表网络：U-Net。采用编码器-解码器结构，并通过跳跃连接将编码器中的高分辨率细节特征与解码器中的高层语义特征融合

优势：够端对端地自动学习从原始图像到分割掩码的复杂映射，对模糊边界、复杂形状的分割能力远胜传统方法

三、图像配准

配准是将两幅或多幅在不同时间、不同模态或不同视角下获取的同一解剖部位的图像进行空间对齐的过程

1.核心要素

变换模型：描述如何将一幅图像（浮动图像）的空间坐标映射到另一幅图像（参考图像）

        刚性变换：仅包含平移和旋转，假设物体形态不变

        仿射变换：在刚性变换的基础上增加缩放和剪切

        非线性/弹性变换：处理器官的弹性形变（如呼吸、心跳、不同患者间的差异）

相似性测度：量化两幅图像对齐程度的数学准则

        互信息：衡量两幅图像灰度分布的相关性，对灰度关系不敏感

        均方误差：计算对应像素灰度差的平方和

四、图像融合

将来自不同成像源的信息综合成一幅信息更全面、更易解读的图像

1.PET-CT融合：最成功的临床融合范例

        CT贡献：提供高空间分辨率的解剖结构信息，定位精确

        PET贡献：提供反映组织代谢活性的功能/生理信息

2.融合层次：

        像素级融合：在原始图像数据层面进行融合，信息损失最小

        特征级融合：先提取各图像，再对特征进行融合

        决策级融合：先对各图像进行独立分析和初步诊断，再综合多个诊断结果做出最终决策

7.4人工智能在医学数据处理中的应用概念

一、机器学习的基础应用

机器学习使计算机能够利用数据自动改进算法性能

1.监督学习

分类：使用从信号或图像中提取的特征训练分类器，用于疾病诊断

回归：预测连续值

2.无监督学习

聚类：在无标签数据中发现内在分组

降维：将数据投影到低维空间，在保留大部分信息的同时实现可视化、去噪和特征压缩

二、深度学习的革命性影响

深度学习提供构建多层神经网络，能够自动从原始数据中学习层次化的特征表示

1.卷积神经网络在医学影像中的主导地位

图像分类：自动鉴别图像内容

目标检测与定位：在图像中找出并框出病变区域

分割：实现像素级分类

2.Transformer架构的兴起

原理：采用自注意力机制，能够建模图像中任意两个像素（或信号中任意两个时间点）之间的长程依赖关系，捕获全局上下文信息

3.深度学习在信号处理中的应用

使用一维CNN或循环神经网络直接处理原始ECG、EEG信号，自动完成去噪、特征提取和分类

常见问题：

1.简述EEG信号采集系统的基本组成部分及其功能

电极：生物电-电信号转换

前置放大与滤波：初步放大与抗混叠

模数转换器：将模拟信号转换成数字信号，参数包括采样率和分辨率

微处理器/DSP：实现数字滤波、算法分析

输出单元：存储、显示、传输

2.模拟滤波器和数字滤波器的主要区别是什么？数字滤波器有什么优势？

根本区别在于处理的信号形式（连续/模拟 vs 离散/数字）和实现方式（硬件电路 vs 软件算法）

数字滤波器的核心优势在于：高灵活性、高稳定性和可重复性、易于实现复杂特性、易于集成

3.请比较傅里叶变换（FFT）和小波变换在分析生物医学信号时的适用性

FFT提供信号的全局频谱，但完全丢失时间信息，因此仅适用于平稳信号分析

小波变换提供时频局部化的联合分析，具有多分辨率特性，因此非常适合分析非平稳、瞬态信号

结论：FFT看整体频率构成，小波变换看频率成分何时出现

4.深度学习（如卷积神经网络CNN）在医学图像处理中有那些典型应用？如何理解深度学习？

典型应用：分类、检测与定位、分割等

对深度学习的理解：是机器学习的一个子领域，其核心特征是使用包含多个隐藏层的神经网络模型，自动从原始数据中学习多层次、抽象的表示（特征），而无需依赖人工精心设计的特征。它通过端到端的训练，使机器具备了强大的从数据中学习规律并完成复杂任务的能力