模式识别技术在生物医学信号处理中的应用研究

摘　要：摘要： 本文简要介绍了生物医学信号的特点和处理方法的流程，并重点介绍了两种模式识别方法神经网络和支持向量机的原理及其在生物医学信号处理中的应用。

关键词：关键字：生物医学信号；信号处理；神经网络；支持向量机

中图分类号：Q811    文献标识码：A     文章编号：
    1．引言
    人体是一个复杂的生命系统，各个系统之间是相互联系的，它们之间相互交织，相互影响以维护生命的正常运行。生物医学信号可以分为两种，即电信号和非电信号，如脑电、心电和肌电属于电信号范围，而其它的如血压、体温、心音、脉搏、血流量和呼吸等属于非电信号。生物医学信号一般为强噪声下的低频微弱信号，其从数据的维数可分为一维信号和二维信号，如心音、脉搏、血流量、呼吸、血压和体温等为一维信号；而核磁共振图像、CT图片、超生图片、脑电图、肌电图和心电图等为二维信号。
    生物医学信号因为受到诸多人体或外界诸多因素的影响，一般具有以下几个特点:1)信号弱；2）噪声强；3）频率范围较低；4）随机性强，生物医学信号不仅是随机的，而且还不平稳[1]。因为生物医学信号具有以上特点，使得生物医学信号处理成为当代信号处理与分析中最为活跃、也最具有挑战性的重要领域。
    模式识别是指对事物或现象以各种形式(数值的、文字的和逻辑关系的)进行表征，并对信息加以处理和分析,并对事物或现象进一步进行辨认、分类、描述和解释的过程,是人工智能和信息科学的重要组成部分。模式识别又叫模式分类，可分为有监督的分类和无监督的分类两种。近年来, 随着计算机软硬件的不断提升，以及人工智能技术的不断发展，模式识别方法和统计方法在生物医学信号处理与分析研究领域得到了广泛的应用。分类是模式识别的一个重要内容，其目的是构建出用于描述并区分数据类或概念的模型，并能够预测未知类别的对象所属的类。目前用于生物医学信号分析的模式识别方法很多，如Logistic 回归分析、神经网络方法、支持向量机方法等。　
    2. 基于神经网络的生物医学信号分析
    神经网络，为一种模拟生物神经网络的结构和功能的计算模型或数学模型[2]。神经网络有很多人工神经元所构成，并通过联结进行计算，其结构如图1。在大多数情况下，神经网络能基于外界信息来改变其内部结构，为一种自适应的学习系统。人工神经元网络模型一般是由多层神经元结构所组成，每一层的神经元都拥有输入（它的输入是上一层神经元的输出层）和输出，每一层都有很多节点构成，节点之间通过进行连接，表示节点之间存在联系，存在一个加权数值，称做权重，某个神经元所得到的输出值等于每一个权重乘以上层神经元的输出，然后求和得到这个神经元的输出值[3]。
 
                              图1. 神经网络示意图。
    下面以基于神经网络的心音信号分析为例来进行说明。心音信号是人体内最重要的生理信号之一,它涵盖着心脏各个部分如心室、心房、心血管、大血管及瓣膜大量的生理病理信息,在心血管系统疾病前期诊断中具有十分重要的作用和实用价值。与临床上广泛使用的ECG信号相比，心音信号存在着自身特点和优势。第一,心音信号的记录操作起来更加方便;第二,在某些心血管病变中，心音的敏感性比ECG信号高;第三,心音是我们进行心脏变力性分析的很好工具,它是用来分析心肌收缩变化情况的基础。所以，对心音信号的定量化和系统化研究对基础研究、临床诊断都有着非常重要的意义。正确的识别心音信号和找出主要的特征参数,是进行心音信号分析和应用的重要基础。因为心音信号非常复杂,而以前的心音信号识别算法因为不考虑背景参考信号，所以识别准确率低、算法复杂。而基于概率神经网络的心音信号识别算法,主要内容包括：1）心音信号小波变换预处理; 2）利用平均Shannon能量变换提取心音信号包络波形;3）心音信号中第一心音、第二心音波峰的提取和定位; 4）定义心音信号特征矢量,基于神经网络概率模型的第一心音、第二心音识别。
    3. 基于支持向量机方法的生物医学信号分析
    支持向量机(Support Vector Machine,SVM)是Corinna Cortes和Vapnik8等于1995年首先提出的（图2）[4]，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。支持向量机方法是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力 。SVM的关键在于核函数。低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在SVM理论中，采用不同的核函数将导致不同的SVM算法[5]。
 
                         图2. 支持向量机最优分类平面
    脑电信号是通过记录到的大脑皮层神经细胞的电活动信号，大脑皮层神经元发出的持续的、 节律性的电位变化为自发脑电信号。在不同的生理状态下和各种病因下脑电信号会表现出不同的模式,那么如何提取脑电信息以及基于这些信息如何实现大脑各种状态下 EEG 信号的正确分类，是近年来的研究热点。精神分裂症是一种严重脑部失调疾病,临床表现包括思维和感知的紊乱，其患病率为精神病类型中最高的一种，到目前还不存在明确的物理和医学诊断方法。脑电信号分析在精神经分裂症上的应用,在对精神药物的疗效评估和用药后的治疗效果预测等方面已得到广泛研究。而且支持向量机还可以用于自发脑电在精神分裂症的诊断研究。通过特征提取技术有效提取 EEG 信号所存在的信息，是构建脑电分类模型的关键步骤,因为自发脑电信号存在丰富的频率成分,在不同的生理状态和病因情况下有些频段的能量在不同区域头皮的分布会发生变化,因此可以将不同区域不同频段的能量作为构建分类器模型的特征向量。应用支持向量机和能量特征提取方法于精神分裂症患者和健康人的脑电信 号分类，可以为精神分裂症的诊断和病理分析提供新的参考依据[6]。

    4. 结 语
    模式识别从20世纪20年代发展至今，人们的一种普遍看法是不存在对所有模式识别问题都适用的单一模型和解决识别问题的单一技术，我们现在拥有的只是一个工具袋，所要做的是结合具体问题把统计的和句法的识别结合起来 ，把统计模式识别或句法模式识别与人工智能中的启发式搜索结合起来，把统计模式识别或句法模式识别与支持向量机的机器学习结合起来，把人工神经元网络与各种已有技术以及人工智能中的专家系统、不确定推理方法结合起来，深入掌握各种工具的效能和应有的可能性，互相取长补短，开创模式识别应用的新局面。目前，基于神经网络和支持向量机的模式识别方法这些方法解决了许多以前难以解决的问题，可以预见, 很多新的生物医学信号分析和处理方法将在今后不断涌现, 一些目前难于解决的问题将在以后不断得到解决。
参考文献
 Vladimir Vapnik. The Nature of Statistical Learning Theory. Springer-Verlag, 1999.

基金项目：南京邮电大学科研启动基金项目(NY209027)和南京邮电大学教学改革研究招标项目(JG01611JX02)