生物信号范文（精选9篇）
生物信号 第1篇
关键词：生物医学信号,信号检测,信号处理
1 概述
1.1 生物医学信号及其特点
生物医学信号是一种由复杂的生命体发出的不稳定的自然信号, 属于强噪声背景下的低频微弱信号, 信号本身特征、检测方式和处理技术, 都不同于一般的信号。生物医学信号可以为源于一个生物系统的一类信号, 这些信号通常含有与生物系统生理和结构状态相关的信息。生物医学信号种类繁多, 其主要特点是:信号弱、随机性大、噪声背景比较强、频率范围一般较低, 还有信号的统计特性随时间而变, 而且还是非先验性的。
1.2 生物医学信号分类
按性质生物信号可分为生物电信号 (B ioelectric Signals) , 如脑电、心电、肌电、胃电、视网膜电等;生物磁信号 (Biomagnetic S ignals) , 如心磁场、脑磁场、神经磁场;生物化学信号 (Biochemical Signals) , 如血液的p H值、血气、呼吸气体等;生物力学信号 (Bio mechanical Signals) , 如血压、气血和消化道内压和心肌张力等;生物声学信号 (Bioacou stic Signal) , 如心音、脉搏、心冲击等。
按来源生物医学信号可大致分为两类: (1) 由生理过程自发产生的主动信号, 例如心电 (ECG) 、脑电 (EEG) 、肌电 (EMG) 、眼电 (EOG) 、胃电 (EGG) 等电生理信号和体温、血压、脉博、呼吸等非电生信号; (2) 外界施加于人体、把人体作为通道、用以进行探查的被动信号, 如超声波、同位素、X射线等。
2 生物医学信号的检测及方法
生物医学信号检测是对生物体中包含的生命现象、状态、性质和成分等信息进行检测和量化的技术, 涉及到人机接口技术、低噪声和抗干扰技术、信号拾取、分析与处理技术等工程领域, 也依赖于生命科学研究的进展。信号检测一般需要通过以下步骤 (见图1) 。
(1) 生物医学信号通过电极拾取或通过传感器转换成电信号; (2) 放大器及预处理器进行信号放大和预处理; (3) 经A/D转换器进行采样, 将模拟信号转变为数字信号; (4) 输入计算机; (5) 通过各种数字信号处理算法进行信号分析处理, 得到有意义的结果。
生物医学信号检测技术包括: (1) 无创检测、微创检测、有创检测; (2) 在体检测、离体检测; (3) 直接检测、间接检测; (4) 非接触检测、体表检测、体内检测; (5) 生物电检测、生物非电量检测; (6) 形态检测、功能检测; (7) 处于拘束状态下的生物体检测、处于自然状态下的生物体检测; (8) 透射法检测、反射法检测; (9) 一维信号检测、多维信号检测; (10) 遥感法检测、多维信号检测; (11) 一次量检测、二次量分析检测; (12) 分子级检测、细胞级检测、系统级检测。
3 生物医学信号的处理方法
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并作模式分类的方法。生物医学信号处理的目的是要区分正常信号与异常信号, 在此基础上诊断疾病的存在。近年来随着计算机信息技术的飞速发展, 对生物医学信号的处理广泛地采用了数字信号分析处理方法:如对信号时域分析的相干平均算法;对信号频域分析的快速傅立叶变换算法和各种数字滤波算法;对平稳随机信号分析的功率谱估计算法和参数模型方法;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、时变参数模型和自适应处理等算法;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。下面介绍几种主要的处理方法。
3.1 频域分析法
信号的频域分析是采用傅立叶变换将时域信号x (t) 变换为频域信号X (f) , 从而将时间变量转变成频率变量, 帮助人们了解信号随频率的变化所表现出的特性。信号频谱X (f) 描述了信号的频率结构以及在不同频率处分量成分的大小, 直观地提供了从时域信号波形不易观察得到频率域信息。频域分析的一个典型应用即是对信号进行傅立叶变换, 研究信号所包含的各种频率成分, 从而揭示信号的频谱、带宽, 并用以指导最优滤波器的设计。
3.2 相干平均分析法
生物医学信号常被淹没在较强的噪声中, 且具有很大的随机性, 因此对这类信号的高效稳健提取比较困难。最常用的常规提取方法是相干平均法。相干平均 (Coherent Average) 主要应用于能多次重复出现的信号的提取。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, 而噪声是随机信号, 可用叠加法提高信噪比, 从而提取有用的信号。这种方法不但用在诱发脑电的提取, 也用在近年来发展的心电微电势 (希氏束电、心室晚电位等) 的提取中。
3.3 小波变换分析法
小波分析是传统傅里叶变换的继承和发展, 是20世纪80年代末发展起来的一种新型的信号分析工具。目前, 小波的研究受到广泛的关注, 特别是在信号处理、图像处理、语音分析、模式识别、量子物理及众多非线性科学等应用领域, 被认为是近年来在工具及方法上的重大突破。小波分析有许多特性:多分辨率特性, 保证非常好的刻画信号的非平稳特征, 如间断、尖峰、阶跃等;消失矩特性, 保证了小波系数的稀疏性;紧支撑特性, 保证了其良好的时频局部定位特性;对称性, 保证了其相位的无损;去相关特性, 保证了小波系数的弱相关性和噪声小波系数的白化性;正交性, 保证了变换域的能量守恒性;所有上述特性使小波分析成为解决实际问题的一个有效的工具。小波变换在心电、脑电、脉搏波等信号的噪声去除、特征提取和自动分析识别中也已经取得了许多重要的研究成果。
3.4 人工神经网络
人工神经网络是一种模仿生物神经元结构和神经信息传递机理的信号处理方法。目前学者们提出的神经网络模型种类繁多。概括起来, 其共性是由大量的简单基本单元 (神经元) 相互广泛联接构成的自适应非线性动态系统。其特点是: (1) 并行计算, 因此处理速度快; (2) 分布式存贮, 因此容错能力较好; (3) 自适应学习 (有监督的或无监督的自组织学习) 。
参考文献
[1]邢国泉, 徐洪波.生物医学信号研究概况.咸宁学院学报 (医学版) , 2006, 20:459～460.
生物医学信号采集实习教案 第2篇
课程设计报告
心电信号采集
指导老师：
学号： 姓名： 学号： 姓名： 学号： 姓名：
起止日期：
目录
一、前言 ———————————————————— 3
二、心电信号简介 ———————————————— 3
三、实验要求 —————————————————— 5
四、软件设计及仿真 ——————————————— 6
五、硬件电路及仿真 ——————————————— 12
六、人体测量结果 ———————————————— 13
七、实验总结 —————————————————— 14
一、前言
心脏是人体血液循环的动力泵，心脏搏动是生命存在的重要标志，心脏搏动节律也是人体生理状态的重要标志之一。心电信号是心脏电活动的一种客观表示方式，是一种典型的生物电信号，具有频率、振幅、相位、时间差等特征要素，比其他生物电信号更易于检测，并具有一定的规律性。由于心电信号从不同方面和层次上反映了心脏的工作状态，因此在心脏疾病的临床诊断和治疗过程中具有非常重要的参考价值。对心电信号的采集和分析一直是生物医学工程领域研究的一个热点，是一项复杂的工程，涉及到降低噪声和抗干扰技术，信号分析和处理技术等不同领域，也依赖于生命科学和临床医学的研究进展。
人体体表的一定位置安放电极，按时间顺序放大并记录这种电信号，可以得到连续有序的曲线，这就是心电图。心电信号的各种生理参数都是复杂生命体(人体)发出的强噪声条件下的弱信号(除体温等直接测量的参数外)，心电信号的幅度在10µV～4mV之间，频率范围为0.05～100Hz，淹没在50Hz的工频干扰和人体其他信号之中，检测过程及方法较复杂。去除信号检测过程的干扰和噪声、进行心电信号的分析是心电仪器的重要功能之一，心电信号的放大质量直接影响着分析仪器的性能和对人体心脏疾病的诊断。本次设计了一个心电信号检测放大电路，充分考虑了人体心电信号的特点，采用三导联输入—前置放大电路—带通滤波电路—次级放大电路组成的模式，并且利用软件对相应的电路进行仿真，实验结果表明，电路能够很好地完成人体心电信号的检测放大。
关键词：AD620、TL082CP、OP07CP、LM358、陷波、右腿驱动、NI ELVIS
二、心电信号简介
1.心电图
心肌是由无数个心肌细胞组成，由窦房结发出的兴奋，按一定的途径和时程，依次向心房和心室扩布，引起整个心脏的循环兴奋。心脏各部分兴奋过程中出现的电位变化的方向、途径、次序、和时间均有一定的规律。由于人体为一个容积导体，这种电变化也必须扩布到身体表面。鉴于心脏在同一时间内产生大量的电信号，因此，可以通过安放在身体表面的胸电极或四肢电极，将心脏产生的电位变化以时间为函数记录下来，这种记录曲线称为心电图，如下图所示。心电图反映心脏兴奋的产生、传导和恢复过程中的生物电变化。心肌细胞的生物电变化时心电图的来源，但是心电图曲线与单个心肌细胞的膜电位曲线有明显的区别。ECG波形是由不同的英文字母统一命名的。
心肌是由无数个心肌细胞组成，由窦房结发出的兴奋，按一定的途径和时程，依次向心房和心室扩布，引起整个心脏的循环兴奋。心脏各部分兴奋过程中出现的电位变化的方向、途径、次序、和时间均有一定的规律。由于人体为一个容积导体，这种电变化也必须扩布到身体表面。鉴于心脏在同一时间内产生大量的电信号，因此，可以通过安放在身体表面的胸电极或四肢电极，将心脏产生的电位变化以时间为函数记录下来，这种记录曲线称为心电图，如下图所示。心电图反映心脏兴奋的产生、传导和恢复过程中的生物电变化。心肌细胞的生物电变化时
心电图的来源，但是心电图曲线与单个心肌细胞的膜电位曲线有明显的区别。ECG波形是由不同的英文字母统一命名的。正常心电图由一个P波、一个QRS波群和一个T波等组成。P波起因于心房收缩之前的心房极时的电位变化； QRS 波群起因于心室收缩之前的心室除极时的收位变化；T波为心室复极时的电位变化，其幅度不应低于同一导联R波的1/10，T波异常表示心肌缺血或损伤。ECG的持续时间由：P-R间期（或P-Q间期）为P波开始至QRS波群开始的持续时间，也就是心房除极开始至心室除极开始的间隔时间，正常值为0.12～0.20s，若P-R 期延长，则表示房室传导阻滞；Q-T间期为 QRS波群的开始至T波的末尾的持续时间，意为心室除极和心室复极的持续时间，正常值为 0.32～0.44s；S-T段为从QRS波群终末导T波开始之间的线段，此时心室全部处于除极状态，无电位差存在，所以正常时与基线平齐，称为等电位线，若S-T段偏离等电位线一定QRS波群持续时间正常值约为0.06～0.11s范围，则提示心肌损伤或缺血等病变；因此，实时的检测心电信号，可以从所得出的心电图上观察心脏的变化，医生就可以从所测的心电图上判断心脏各个部位的功能是否正常，所以心电图是医生治疗心脏方面的疾病所不可或缺的依据。因此心电检测就有了实际应用的意义。
图1 标准心电图图例
2.人体心电信号的干扰
人体心电信号是一种弱电信号，信噪比低。一般正常的心电信号频率范围为0.05-100Hz，而90％的心电信号(ECG)频谱能量集中在0.25-35 Hz之间。采集一种电信号时，会受到各种噪声的干扰，噪声来源通常有下面几种：
(1)工频干扰50 Hz工频干扰是由人体的分布电容所引起，工频干扰的模型由50Hz的正弦信号及其谐波组成。幅值通常与ECG峰峰值相当或更强。
(2)电极接触噪声,电极接触噪声是瞬时干扰，来源于电极与肌肤的不良接触，即病人与检侧系统的连接不好。其连接不好可能是瞬时的，如病人的运动和振动导致松动；也可能是检测系统不断的开关、放大器输入端连接不
好等。电极接触噪声可抽象为快速、随机变化的阶跃信号，它按指数形式衰减到基线值，包含工频成分。这种瞬态过渡过程可发生一次或多次、其特征值包括初始瞬态的幅值和工频成分的幅值、衰减的时间常数；其持续时间一般的1s左右，幅值可达记录仪的最大值。
(3)人为运动,人为运动是瞬时的(但非阶跃)基线改变，由电极移动中电极与皮肤阻抗改变所引起。人为运动由病人的运动和振动所引起，造成的基线干扰形状可认为类似周期正弦信号，其峰值幅度和持续时间是变化的，幅值通常为几十毫伏。
(4)肌电干扰(EMG),肌电干扰来自于人体的肌肉颤动，肌肉运动产生毫伏级电势。EMG基线通常在很小电压范围内。所以一般不明显。肌电干扰可视为瞬时发生的零均值带限噪声，主要能量集中在30-300Hz范围内。
(5)基线漂移和呼吸时 ECG 幅值的变化 基线漂移和呼吸时 ECG 幅值的变化一般由人体呼吸、电极移动等低频干扰所引起，频率小于 5 Hz；其变化可视为一个加在心电信号上 的与呼吸频率同频率的正弦分量，在 O.015-O.3Hz 处基线变化变化幅度的为 ECG 峰峰值的 15％。
三、实验要求
1.实验仪器设备：
1)作图工具：TINA原理图编辑器
2)仿真工具：使用Multisim交互式地搭建电路，然后仿真。3)电路图实验设计：面包板
4)电路测试：使用NI ELVISmx提供电压，显示电路数据。
2.设计要求
体表心电信号是微弱信号，极易受到干扰，心电前置放大电路设计要求尽可以将外界干扰排除，再通过ELVIS平台传到上位机做数字信号处理和显示。要求完成以下技术指标
(一)电路的放大倍数：800~1000倍。(二)电路的共模抑制比：大于75(三)电路的输入阻抗：大于20M(四)电路的信号的频率响应范围：0.05~120Hz
我们要设计的是三导联。心电前置放大电路一般会由两~三级组成，第一级是CMRR很高的差动放大电路，主要用来抑制共模干扰，比如工频电场干扰，但这一级放大倍数一般在10倍左右（为什么这么设定，请大家思考并查资料，采用什么电路方式来提高共模抑制比也可以查资料）。第二级通常是一个两阶低通滤波和放大10倍左右的电路。（请大家去找到合适的两阶滤波器电路，并选用合适的电容与电阻）。最后一级通常是可调放大倍数的放大电路，并提供一个低内阻的输出级。高通滤波一般在前端采用无源的一阶滤波器。
四、软件设计及仿真
1、前置放大电路和右腿驱动电路的设计
（1）前级放大电路是将采集到的心电信号直接放大，该信号包含了很多背景噪声以及较高的共模信号，若这些干扰信号也随着心电信号一起被放大，将导致心电信号完全被湮没在噪声信号中，因此前级放大电路是关键，它必须满足高输入阻抗，高共模抑制比，低噪声，低漂移等特点。因此选用仪用放大器AD620，它采用经典的三运放改进设计，只需要一个电阻就能实现对增益的调节。它具有较高的输入阻抗和共模抑制比，能够很好地达到要求。对于前级放大的增益不宜过大，否则会使干扰信号过强，不利于后期处理。
（2）右腿驱动电路专为针对50Hz工模干扰，提高CMRR而设计的，原理是采用人体为相加点的共模电压并联负反馈，其方法是取出前置放大级中的共模电压，经驱动电路反相后在加回体表上，一般做法是将此反馈信号接到人体的右腿上，所以称为右腿驱动。通常，病人在做正常的心电检测时，空间电厂在人体产生的干扰电压以及共模干扰是非常严重的，而用右腿驱动电路就能很好地解决了上述问题。
图1 前置放大电路
由电路图1可知1脚和8脚之间的等效电阻RG20k6.67k，根据
3G49.4k1可得，该电路的增益RGG=8.41，其中电阻R1、R2的匹配性会直接影响到该放大电路的共模抑制比，因此要尽量保持阻值的相等。
图3 仿真结果
由图3仿真结果可以看出，输入1mV，40HZ的交流电压后，经AD620芯片 放大测量出的信号值达到12mV左右，有效值为8.64mV，即实际放大倍数为8.64倍，与理论值相近。
2、滤波电路的设计
因为电路所要求的频带范围为0.05Hz到100Hz，由于纯粹的带通滤波器的幅频特性不好控制，因此选择低通和高通两个滤波器串联，形成一个带通滤波器。低通滤波器的截止频率为100Hz，高通滤波器的截止频率为0.5Hz。在芯片选择方面，由于运放本身的频带范围会影响所做滤波器的特性，因此选择频带范围较宽的TL082做为滤波器的运放。TL082是一种通用的J-FET双运算放大器，能够用一个芯片来完成低通和高通滤波。我们采用二阶的滤波器，虽然滤波阶数越高，滤波效果越好，但是，滤波阶数过高了就会提高成本，而且阶数越高滤波电路结构会更加复杂，调试也更加有难度。二阶低通滤波相对于一阶来说，其滤波性能
1更加稳定，效果更好。图1为滤波电路。根据公式f得，截止频
2R1R2C1C2率分别为49Hz和0.08Hz，并其增益都为1。
图1 带通滤波电路图
通过过对实际信号的滤波来检验滤波器的特性，心电信号是属于低频信号，则前级要放大的信号必定为低幅值、低频率的信号，由于信号的幅值和频率都很小，更加容易受到噪声的影响。在经过高通和低通滤波之后，可以看出滤波器在截止频率范围内提供了有效的滤波。
3、主放大电路设计
整个电路的放大部分主要由主放大来承担，由于前级的放大倍数为8.6倍，因此将主放大的倍数定在100倍，整个电路总的增益为860倍（陷波器的增益不包括在内）。这部分利用低偏置电压的TL081CD来承担。反向输入端的1K和100K的电阻决定100倍增益，同相输入端利用100K电阻平衡两端电压，增大共模抑制比。如图1所示：
图1 主放大电路仿真图
在同相输入端输入60Hz,1mV Vpp的正弦信号，经运算放大器放大后在6号脚测到信号Vpp约为10.1V，如图2所示：主放大电路的实际放大倍数大约在100倍，与理论值的误差是由芯片本身的特性以及电阻的失配引起。
图2 主放大电路仿真结果 4、50HZ陷波器的设计
由于测得的心电信号中夹杂了工频干扰，难以去除，并且干扰信号的幅值与心电信号相近，严重影响了心电信号的识别，因此在对信号进行第二级放大时采用了一个陷波器，用于除去工频干扰。该陷波器的中心频率为50Hz，并且具有1.5倍的增益。50HZ陷波电路电路图如图1所示：
图1 陷波电路
图2 仿真结果
理论上中心频率50Hz左右时有比较明显的衰减，而测量结果也跟理论相近，对于实际电路，采用频率50Hz，峰峰值为1V的，正弦信号进行测试，从图2中看出，经过陷波器之后，原本峰峰值为1V的信号，在1.5的增益下应该为1.5V，实际测得的增益为由于是50Hz的信号，衰减至0.1V，效果较明显。
5、总体电路设计
图1 心电采集设计框图
电路设计中最重要的是抑制信号中噪声的产生及对噪声信号的滤除，使其对心电信号本身的影响达到最小。本次实验中心电信号选择为0.5至100Hz之间的频带。因为心电信号幅值大致都在1mV至3mV之间，电路供电电压为±5V，因此选择放大倍数为800至1000倍。总的电路图设计如图2所示：
图2 心电采集电路总图
图3 仿真结果
理论上的放大倍数计算得出，前置放大倍数为8.41倍，主放大倍数为100倍，所以总体放大倍数约为841倍。然而从图3的仿真结果看出，实际前置放大倍数约为7.57倍，这是因为带通滤波模块会衰减一部分信号，使总体的放大倍数减小，仿真实验到此成功结束。
五、硬件电路及仿真
1、前置放大电路
在面包板上搭建了以AD620为中心的差动放大电路以后，用NI ELVIS软件仿真，输入一个频率为25Hz，峰峰值为1V的正弦信号，得出的结果如图1，可看出峰峰值放大了8倍左右，与软件仿真结果相近。当共模输入信号时，测得的共模增益小于0.001，如图2所示。
图1 前置放大电路测试结果
图2 共模输入测试结果
2、带通滤波电路
用一个低通滤波电路和一个高通滤波电路搭建好一个带通滤波电路，软件仿真计算出的带通截止频率在0.08Hz-49Hz之间，但由于是实际的电路做不到理想化，所以信号从30Hz就开始衰减，如图1所示。
图1 带通滤波器测试结果 3、50Hz陷波电路
图1 陷波测试结果
图1可看出在中心频率为51Hz左右时的信号有明显的衰减，由于阻值的选择不同，所以测试结果与软件仿真结果存在一定的误差。
4、后级放大电路
图1 后级放大测试结果
搭建好电路以后，测试得出图1的结果，由图可看出，后级放大倍数在110倍左右，与理论值的误差是由芯片本身的特性以及电阻R4和R5的失配引起。
5、总体电路
图1 差模输出 图2 共模输出
输入为25Hz，10mV的正弦波。采用差模输入时，输出为11.13V左右，放大1113倍采；用共模输入时，输出为1.59mV，放大0.16倍。由公式CMRR10log(Ad2)可得，整个电路的共模增益为76.8dB。Ac
六、人体测量结果
图1 实际测量结果
在实际测量时，电极贴的位置及个人的皮肤状况也会影响测量结果。可以用清水湿润皮肤，并用砂皮磨掉表面的死皮，这样会使测量效果更加。同时被测人的体质不同也会对测量结果有影响。
图2 实际电路图
在面包板上完成上述电路的搭建，并对每一部分都进行单独调试。最终的电路实物图如图2所示。左上为前置放大，使用了AD620芯片，左下为右腿驱动电路，使用的芯片为TL082CP，中上和中部构成了一个带通滤波电路，使用了两个TL082CP，中下为陷波电路，使用的芯片为OP07CP,右下为第二级放大，使用了TL082CP芯片。在实际测量时，采用三导联的方式，一根接右腿，其余两个分别接左右手，若分别接左右胸口效果会更佳，由于不是很方便就采用接左右手腕的方式。
七、实验总结
1、难点
（1）前置放大电路中抑制共模信号的调制。
（2）消除随机噪声、工频噪声、内部噪声的干扰。（3）电路图的设计，芯片、电阻等元件的选择。
2、调试经验
（1）开始连接的电路没有加入50Hz陷波电路，但在实际测量中有大量的工频干扰，于是加入了该模块，结果有效地一直掉了工频干扰。
（2）原来选择的低通滤波起的阻值为11K，理论计算出的截止频率为97.6Hz，但实际测量中大量的干扰频率在50Hz左右，于是修改了阻值，改为33K，这样可以滤掉更多的干扰，有利于得出正常的心电图。
（3）第一次没有成功测出心电信号，经讨论才知道是因为前置放大器模块没有做好，导致大量的共模信号进入了电路，由于心电信号非常微小，就被这些干扰信号淹没了，于是修改了差分输入的阻值，选择了两个特别接近的阻值，以减小共模干扰，计算出前置放大器的共模抑制比在0.001dB左右，有效抑制了共模干扰，最终得出了正常的心电信号。
（4）虽然最后实验成功了，但是还是存在一些干扰信号，说明滤波这一块还需改进。心电测量电路中对噪声的消除是十分重要的。外界噪声很有可能在电路的任何一部分掺杂进来，所以在最后再加一个低通滤波器滤除高频噪声是必要的。（5）电极的放置对心电的影响也很大，放在一个准确的位置可以很容易地从示波器上看到清晰的波形，反之，心电信号太过微弱会被噪声完全淹没。
（6）实验中，有源滤波器比无源的滤波效果要好很多。两个有源滤波器串联构成的带通滤波器也比无源和有源串联的效果好。
生物信号 第3篇
关键词：生物条形码；信号放大技术；生物传感器；hIgG；纳米金
中图分类号： Q511文献标志码： A文章编号：1002-1302（2016）02-0308-04
收稿日期：2015-02-26
基金项目：国家自然科学基金（编号：21067010、21365016）。
作者简介：张瑶（1989—），女，硕士研究生，主要从事生化分析及生物传感器的研究。E-mail：zdjcyylx@163.com。
通信作者：晋晓勇，博士，副教授，主要从事生化分析及生物传感器的研究。Email：xiaoyongjin @126.com。蛋白质是生命的物质基礎，它对人体的健康有着极其重要的作用[1-4]。人免疫球蛋白G（hIgG）是血清中含量最高的一种免疫蛋白，是机体再次免疫应答后形成抗体的主要组分，在机体防御机制中发挥着重要的作用，在临床上作为多种疾病诊断及疗效评价的重要指标[5-7]，因此对其进行定性、定量检测显得尤为重要。传统的免疫分析法检测hIgG由于存在操作步骤较为繁琐、仪器设备昂贵等缺点，因此在实际应用中受到了一定的限制，难以较大范围推广。
传统检测hIgG的方法主要有质谱法[8]、荧光分析法[9-10]、电化学分析法[11-13]等。其中，电化学方法由于具有较高的灵敏度、极低的检测限逐渐受到广泛关注。生物条形码因其较高的选择性和生物特异性也日益受到人们广泛重视[14-15]。早期的生物条形码主要用于DNA的检测[16-17]，而在蛋白质分子的检测及应用方面还鲜有报道。综合以上背景，本研究将电化学方法与生物条形码相结合，以hIgG为模型蛋白，对其进行定量定性分析。
1材料与方法
1.1仪器和材料
电化学工作站（EC550，湖北武汉高仕睿联科技有限公司），UV-265紫外仪（日本岛津），三电极体系：金盘电极（直径2.0 mm），饱和甘汞电极（SCE），Pt电极，KQ-2200B超声清洗器（江苏昆山超声仪器厂）。
本试验所用磷酸盐缓冲溶液（PBS）均为：Na2HPO4（天津市化学试剂六厂）和NaH2PO4（山东莱阳市双双化工有限公司）的混合溶液，Na2CO3（陕西西安化学试剂厂），氯金酸、叠氮化钠（阿拉丁试剂公司）等均为分析纯，试验用水均为超纯水。
兔抗人IgG抗体（Ab1）、hIgG、羊抗人IgG抗体（Ab2）购于北京博奥森生物技术有限公司。条形码序列B：5′-SH-TAGTAAGTAA-FC-3′ 合成于上海生工生物工程技术服务有限公司。
1.2纳米金（AuNPs）的制备
将100 mL 的氯金酸（0.01%）加入到250 mL的圆底烧瓶中加热，搅拌至沸腾后向其中加入4.0 mL的柠檬酸三钠（1%），继续加热10 min [18]，制成的纳米金于4 ℃下保存，用于制备金标抗体。
1.3AuNPs与Ab2及条形码序列（B）的结合（Ab2-AuNPs-B）
试验原理如图1-a所示，具体试验步骤如下：用Na2CO3调节纳米金pH值至9.0，加入100 μL Ab2（250 mg/L）振荡混匀，室温静置3 h，除去上清液中游离抗体，将离心后聚合物分散于0.05 mol/L含有0.05%叠氮化钠的PBS（pH值7.0）中。后将100 μL B（10 μmol/L）加入已制备好的Ab2-AuNPs中振荡均匀，室温静置1 h。离心，除去上清液中未结合的B。将已制备好的Ab2-AuNPs-B分离到0.05 mol/L含有 0.05% 叠氮化钠的PBS（pH值7.0）中，于4 ℃保存备用。
1.4电极修饰及免疫传感器的构建
将金电极（直径2.0 mm）用0.3 μm的Al2O3粉末打磨洗净，再用0.05 μm的Al2O3粉末将金电极打磨至光滑镜面。超纯水分2次超声清洗5 min，并将金电极浸入新制的Piranha溶液[98% H2SO4 ∶H2O2（体积比）=7 ∶3]约15 min。依次用超纯水、95%乙醇超声约3 min。将电极置于0.5 mol/L H2SO4 溶液中，在0～1.5 V电位范围内扫循环伏安曲线直至峰形稳定。最后依次用超纯水、95%乙醇、丙酮超声3 min，氮气吹干表面，作为工作电极备用。滴加10 μL Ab1修饰于金电极表面，一定时间后，用PBS（pH值7.0）缓冲液冲洗数次，再滴加BSA（1%）溶液封闭电极30 min，用PBS（pH值7.0）冲洗。
1.5目标物的分析检测
滴加10 μL hIgG，使之与电极上修饰的Ab1特异性结合，一定时间后，用PBS（0.01 mol/L，pH值7.0）缓冲液冲洗数次，除去未结合的hIgG，再滴加10 μL Ab2-AuNPs-B。采用三电极体系，以玻碳电极为工作电极，Pt电极为对电极，饱和甘汞电极为参比电极，采用循环伏安法和差示脉冲伏安法对hIgG进行检测。
2结果与分析
2.1试验原理
基于生物条形码及纳米金信号放大的电化学免疫传感器检测hIgG的构建过程如图1所示。首先将Ab1固定于金电极表面，加入hIgG及Ab2-AuNPs-B，经过抗原抗体的免疫反应，构建免疫传感器。通过纳米金及生物条形码将检测信号放大。最后通过电化学差示脉冲伏安法对条形码上标记的二茂铁进行检测，从而实现对蛋白质的定量检测。
nlc202309030834
2.2表征B-AuNPs-Ab2
B-AuNPs-Ab2形成以后，AuNPs所处化学环境发生改变。结合基团的紫外吸收光谱中的波长及吸光度会发生变化。因此，本研究采用紫外-可见光谱法来监控 B-AuNPs-Ab2的形成。
B-AuNPs-Ab2的合成方法如“2.3”节所述，通过紫外可见吸收光谱对其组成及化学性质进行表征。如图2所示，AuNPs和B-AuNPs-Ab2的最大吸收波长分别在525 nm和533 nm处。B-AuNPs-Ab2的吸收峰相比AuNPs吸收峰发生红移，主要原因可能是AuNPs上结合了Ab2及B使颗粒尺寸变大，颗粒周围的微环境发生改变。在270 nm处，B-AuNPs-Ab2相对于AuNPs有较强的的吸收峰。说明，Ab2与B已经成功修饰在纳米金上（图2）。
2.2电极表面不同状态的阻抗表征
法拉第阻抗图谱是一种测量电极界面性质的有效方法，能用于表征免疫传感器的组装过程，阻抗图谱包括高频的半圆部分（相当于动力学控制的过程）和低频的直线部分（相当于扩散控制的过程），每层的电子传递情况用电阻来表示，可通过计算半圆部分的半径而得到，半圆的直径越大所对应电子传递的阻力越大，因此可以通过监控半圆的直径变化来监控电极的修饰过程[19]。
由图3可见，经过修饰后的金电极（b、c、d）与裸金电极（a）相比，阻抗都有所增加。表明电子传递效率最高，裸金电极阻抗最小。当加入Ab1后（b），阻抗增大。是由于Ab1的存在阻碍了氧化还原探针在电极上的电子传递，使得Ab1修饰的金电极的电阻与裸金电极的电阻相比有所增加。当再加入hIgG后（d），由于抗体分子在电极表面形成了一层阻碍电子传递的屏障，使得电子传递的效率明显降低，从而导致阻抗进一步增大。当继续加入Ab2-AuNPs-B后（c），阻抗值要小于d曲线，这是由于B-AuNPs-Ab2上标记了AuNPs，使电子传递效率增大，高频区半径减小，阻抗减小。
2.3试验条件的优化
本试验考察了免疫分析的结合时间以及包被抗原的浓度。如图4-A所示，较少体积的Ab1不能够确保有足够的抗体进行免疫反应，使得测定的信号值较低；相反，Ab1的用量为0.1 mg/L时，测定信号有显著提高。此外，Ab1与hIgG的结合时间也是影响免疫传感器信号的重要因素。如图4-B 所示，当Ab1结合到电极上的时间为45 min时，免疫传感器的信号值最大。如图4-C所示，电化学响应随着免疫时间的延长而增加，当免疫时间为40 min时，免疫传感器的电化学响应达到最大值，当继续延长反应时间时，响应并未有明显增大。因此分别选择45、40 min为最优时间。
2.4目标物分析检测结果
本试验采用循环伏安法（CV）和差示常规脉冲伏安法（DNPV）优化反应条件，对hIgG进行检测（图5）。图5-A、图5-B是不同修饰电极表面的循环伏安曲线和差示脉冲伏安曲线。由图5可以看出，当Ab2-AuNPs-B结合到hIgG上后，有1对二茂铁的氧化还原峰出现，信号明显增强，说明
纳米金修饰的生物条形码具有很好的信号放大作用。由于差示常规脉冲伏安法所检测的电化学信号强于循环伏安法检测的峰电流信号。因此选用差示常规脉冲伏安法对hIgG峰电流值进行检测，并作标准曲线。随着hIgG浓度的减小，峰电流值随之减小，在一段浓度范围内有很好的线性关系。检测hIgG所得结果：回归方程为I（μA）=2.77 lgCIgG+27.75，相关系数r=0.99，其线性范围为0.003 2～ 31 μg/L，檢出限为0.004 μg/L，远低于基于碳纳米管固定抗原的检测方法[20]的检测限2 μg/L与基于金纳米棒标记免疫分析方法[21] 的检测限25 μg/L。可能原因是：首先，由于纳米金粒子具有粒径小、比表面积大、表面反应活性高、催化效率高等优异性[22-23]，能有效结合一端修饰有巯基的条形码；其次，每个纳米粒子上都结合了成百上千个生物条形码，采用DNPV法能够有效地捕捉这些条形码另一端标记的二茂铁的信号，使得电化学信号得以放大；最后，采用BSA封闭金电极，可有效降低传感器的非特异吸附，避免了其他相关干扰。
2.5传感器的特异性及重现性
特异性和重现性是考察传感器的重要因素。本研究考察了免疫传感器对干扰蛋白如癌胚抗原、肌红蛋白（Mb）以及BSA的电化学响应。结果表明，当检测物含有1.0 μg/L hIgG及2 μg/L BSA、肌红蛋白、癌胚抗原时，电化学免疫分析方法测定的结果如图6所示。由此可以看出此免疫传感器具有良好的特异性。
将制备的免疫传感器保存于4 ℃下，每隔5 d进行测试。在 5 d 后，电流值仅减小了4.1%。20 d后电流响应值为原来的89.8%。试验结果表明，此传感器具有良好的稳定性。于同一条件下，用5只金电极对同一浓度hIgG（1 ng/mL）做相关分析，检测结果见表1，测定结果的相对标准偏差（RSD）为 6.4%。
3结论
本试验研究了高灵敏的电化学免疫传感器。结合了电化学方法与生物条形码技术，采用夹心型模式对hIgG进行了检测 。 此传感器利用纳米金比表面积和良好的导电性，条形码放大信号的优点，极大地提高了灵敏度 。此免疫传感器检出限低，稳定性好，可望用于其他生化物质的检测。
参考文献：
[1]张学记，鞠熀先，约瑟夫·王. 电化学与生物传感器——原理，设计及其在生物医学中的应用[M]. 张书圣，李雪梅，杨涛，等译.北京：化学工业出版社，2009：425-427.
[2]丁士健，夏其昌. 蛋白质组学的发展与科学仪器现代化[J]. 现代科学仪器，2001（3）：12-17.
[3]Man-Seok J，Sang T J. Aglycosylated full-length IgG antibodies：steps toward next-generation immunotherapeutics[J]. Current Opinion in Biotechnology，2014，30（1）：128-139.
nlc202309030834
[4]邹小勇，陈汇勇，李荫. 电化学DNA传感器的研制及其医学应用[J]. 分析测试学报，2005，24（1）：123-128.
[5]Dutta G，Kim S，Park S，et al. Washing-Free heterogeneous immunosensor using Proximity-Dependent electron mediation between an enzyme label and an electrode[J]. Analytical Chemistry，2014，86（9）：4589-4595.
[6]Zhang J，Topp E M. Protein G，protein a and protein A-Derived peptides inhibit the agitation induced aggregation of IgG[J]. Molecular Pharmaceutics，2012，9（3）：622-628.
[7]Wei H，Giddens J，Fan S Q，et al. Chemoenzymatic glycoengineering of intact IgG antibodies for gain of functions[J]. Chem，2012：134.
[8]Dekker L J，Zeneyedpour L，Brouwer E，et al. An antibody-based biomarker discovery method by mass spectrometry sequencing of complementarity determining regions[J]. Analytical and Bioanalytical Chemistry，2011，399（3）：1081-1091.
[9]Gu X E，Yan Y，Jiang G Q，et al. Using a silver-enhanced microarray sandwich structure to improve SERS sensitivity for protein detection[J]. Analytical and Bioanalytical Chemistry，2014，406（7）：1885-1894.
[10]Byung-Keun O，Jwa-Min N，Seung W L，et al. A fluorophore-based bio-barcode amplification assay for proteins[J]. Small，2006，2（6）：103-108.
[11]云雯，王晓英，董平，等. 基于电化学聚合固定抗体的电化学发光免疫分析法检测人免疫球蛋白[J]. 分析化学，2009，37（1）：8-12.
[12]Darain F，Gan Kai Ling，Tjin S C. Antibody immobilization on to polystyrene substrate-on-chip immunoassay for horse IgG based on fluorescence[J]. Biomedical Microdevices，2009，11（3）：653-661.
[13]李玲，王海燕，孫东艳，等. 基于碳纳米管的脂质体电化学发光免疫传感器检测人免疫球蛋白G[J]. 分析化学，2010，38（9）：1329-1332.
[14]Zhang B，Liu B Q，Tang D P，et al. DNA-Based hybridization chain reaction for amplified bioelectronic signal and ultrasensitive detection of proteins[J]. Analytical Chemistry，2012，84（12）：5392-5399.
[15]Cao X D，Ye Y K，Liu S Q. Gold nanoparticle-based signal amplification for biosensing[J]. Analytical Biochemistry，2011，417（1）：1-16.
[16]Xu Z N，Yin H S，Tian Z B，et al. Electrochemical immunoassays for the detection the activity of DNA methyltransferase by using the rolling circle amplification technique[J]. Microchimica Acta，2014，181（3/4）：471-477.
[17]Xiang Y，Qian X Q，Chen Y，et al. A reagentless and disposable electronic genosensor：from multiplexed analysis to molecular logic gates[J]. Chemical Communications，2011，47（7）：2080-2082.
[18]Katherine C G，Griffith R，Freeman，et al. Preparation and characterization of Au colloid monolayers[J]. Analytical Chemistry，1995，67（4）：735-743.
[19]刘红英，朱俊杰. 金纳米簇信号放大的免疫传感器[J]. 分析化学，2013，41（5）：613-658.
[20]李小蓉. 基于碳纳米管固定抗原的电化学免疫传感器法测定IgG抗体[J]. 分析试验室，2013，32（7）：121-124.
[21]彭剑淳，王小慧，李媛，等. 人IgG标记金纳米棒并用于抗人IgG抗体的检测[J]. 生物技术通讯，2009，20（5）：680-682，702.
[22]Hu C M，Dou W C，Zhao G Y. Enzyme immunosensor based on Gold nanoparticles electroposition and Streptavidin-biotin system for detection of S. pullorum ＼& S. gallinarum[J]. Electrochimica Acta，2014，117：239-245.
[23]Alvarez S D，Chang P L，Chiang C E，et al. A label-free porous alumina intereferometric immunosensor[J]. ACS Nano，2009，3（10）：3301-3307.詹秀环，王子云，苏亚娟. 模拟胃液条件下维生素C对蔬菜亚硝酸盐含量的影响[J]. 江苏农业科学，2016，44（2）：312-314.
生物信号 第4篇
1 MedLab生物信号采集处理系统的组成及功能
MedLab生物信号采集处理系统是一种智能化的多导生物信号采集分析系统, 可以在windows2000/XP下稳定运行, 可以取代传统的记录仪、示波器和刺激器等实验仪器。其自动分析、参数预置、操作提示、动画释疑、中文显示、下拉菜单、鼠标驱动和在线帮助等功能, 能使其成为一个真正的“超级实验站”。
1.1 系统组成
MedLab生物信号采集处理系统由硬件和软件两类系统构成, 其中硬件系统主要由通用串行总线接口、生物信号放大器、程控刺激器、数据采集卡、换能器、计算机、打印机等构成。Med Lab生物信号采集处理系统应用软件是标准的windows32位应用程序, 图形操作界面与微软其他应用程序风格一致, 通过Med Lab安装光盘安装到计算机上。
1.2 系统功能
MedLab生物信号采集处理系统硬件功能是对生物电信号 (包括心电、神经干动作电位等) 和非生物电信号 (如肌肉张力、动脉血压、呼吸气流等) 进行采集、记录、放大, 然后通过A/D转换并将其传输到计算机中。其中的非生物电信号要通过换能器将其转换为电信号进行传输。最终的实验结果可以通过打印机打印。MedLab生物信号采集处理系统软件功能是以上各硬件部分进行控制, 同时对已经数字化了的生物信号进行处理、显示、存储、数字共享及打印输出。
2 MedLab生物信号采集处理系统的应用
熟练应用MedLab生物信号采集处理系统首先要熟悉系统的软件界面。界面自上而下分别为标题栏、菜单栏、快捷工具栏、标记栏、通道采样窗、采样和刺激器控制区、提示栏。对相应的按钮功能要熟练掌握。
2.1 实验参数的设置
开机, 启动MedLab生物信号采集处理系统, 点击“实验参数设置”按钮, 在“实验参数设置”窗口根据具体实验题目设置记录仪、采样通道、采样间隔、放大倍数、处理名称、换能器选择、零点定位、定标等参数中的一项或几项。实验参数设置好以后可以保存配置, 以便下次做相同的实验时调用。
2.2 实验装置的连接
将制备好的标本、手术操作后的动物或其他实验对象与相应的换能器或电极以要求的方式相连接, 将换能器或电极的输出线和通道输入接口相连接。
2.3 观察分析
单击开始按钮, 系统按相应模式记录由生物信号生成的曲线, 同时可进行在线测量。在实验中根据实验步骤的不同可以随时点击标记按钮为实验步骤添加标记。分析不同理化因素对实验对象的影响与实验数据变化之间的对应关系。
2.4 实验结果的打印
拖动鼠标, 选择需要的实验对象, 单击“实验数据入打印编辑窗”按钮, 实验数据进入打印编辑窗, 点击“打印编辑窗”按钮, 显示“打印编辑窗”, 在单击“打印”按钮完成打印。
生物信号 第5篇
生物医学信号可以定义为源于一个生物系统的一类信号, 像心音, 脑电, 生物序列和基因以及神经系统活动等。这些信号通常含有与生物系统生理和结构状态相关的信息, 因此, 它们对这些系统状态的研究和诊断具有价值, 然而, 这些信号是否真正具有使用价值则完全依赖于对其隐含信息的提取能力, 在此领域, 生物医学信号处理扮演着一个重要的角色。本文逐次介绍了信号处理在DNA序列, 脑电信号以及心电信号中的应用。
1. 信号处理在DNA序列中的应用
生物序列数据在数学上以字符串表示, 每个字符对应于字母表中的一个字母[4]。如DNA序列中, 用A, T, C, G四个字母代表组成D N A序列的四种碱基。对数值化后的DNA序列进行频谱分析发现基因序列蛋白质编码区存在周期3行为, 即其功率谱在1/3频率处有一谱峰。用傅利叶变换来分析基因序列的功率谱可以发现其蛋白质编码区, 可以预测基因位置和真核细胞基因中独特的外显子。
1.1 DFT求DNA序列功率谱
在对基因组序列进行计算分析之前, 先将其转化为数值序列。设字母表Λ={A, C, G, T}, 取长度为N的D N A序列x[n], 对于Λ中每个不同的字母都形成一个指示器序列xα[n] (0≤n≤N-1, α∈Λ) , 在序列xα[n]中的某一个位置i有:
该指示器的DFT变换为
于是可以求得D N A序列的功率谱:
2. 信号处理在脑电信号中的应用
自发脑电的信号非常微弱, 且存在非平稳性, 极易被噪声所干扰, 所以在对脑信号的采集后的必要步骤就是提高信噪比。小波分析就是解决该问题的有效方法之一, 小波分析可以根据变换尺度参数与频率的对应关系, 有选择地重构某些感兴趣的尺度信号以去除噪声。
2.1 小波变换 (WT)
若某函数ψ (t) 满足以下条件:
则小波定义如下:
式中, b为时间平移参数, a为尺度伸缩参数。在实践应用中, 尺度参数a必须离散化。令α=2m;m∈z, 这样得到的小波成为二进制小波:
同样, 也可以将尺度函数离散化:
上式说明SLf (t) 的高频部分可以由来恢复, 并称为SLf (t) 的有限尺度小波变换。
任何能量有限的离散信号都可以看作在尺度1上一个函数光滑后的均匀采样, 即尺度为1的多分辨逼近。也就是说任何能量有限的离散信号均可用离散小波变换来进行分解与重构。由此, 可以在感兴趣的尺度组合下对信号进行分解, 去掉不需要的信息, 例如噪声等, 然后对信号进行重构, 得到去噪声后的信息。
3. 信号处理在心电信号中的应用
心音信号包含第一心音 (S 1) , 第二心音 (S2) , 第三心音 (S3) 和第四心音 (S4) 4个成分。一旦心脏功能出现异常, 心音中将包含除S1, S2之外的其他“杂音”成分, 不同的心脏病变引起的“杂音”的频率成分、强度、出现的时间等特征都不同, 所以, 心音信号又是非平稳信号。为了更好地分析心音信号的这些特征, 需要对心音信号进行时频特性分析。常用的时频分析方法有短时傅利叶变换, 希尔波特变换等, 下面逐一介绍。
3.1 短时傅利叶变换 (STFT)
Gabor于1946年首先创建了STFT方法。一个信号x (t) , 假设它通过一个有限宽度的时窗W (τ) 观察时是平稳的, 窗的中心位置为t, 对加窗信号x (τ) W* (τ-1) 的F T即可获得S T F T:
式中, ω是角频率, W* (τ-t) 表示W (τ-t) 的复共轭函数。信号x (τ) 与短时窗信号W (τ-t) 相乘, 可以有效地抑制分析时刻τ=t的领域外的信号, 所以STFT是信号x (τ) 在时刻t的领域内的局部频谱。
STFT方法容易实现, 计算简洁有效, 该方法是一种线性时频表示方法, 即信号的频谱是与在数据中提供正弦成分的幅度成线性比例的。但是STFT存在时间分辨率和频率分辨率的折衷性, 即为了获得较好的时间分辨率, 要选择时间窗较窄的窗函数, 但此时不能获取较高的频率分辨率;反之, 要获得较好的频率分辨率, 要选择频率窗较窄的窗函数, 而此时窗函数的时宽不可能很窄, 达不到很好的时间分辨率。
通过对心音信号进行短时傅利叶变化分析能对心音信号中的S1、S2、“杂音”等组成成份以及各成份的频率组成、强度、出现时间等特征有更直观的了解。
3.2 Hilbert变换方法
Hilbert是一种新的高分辨率的时频分析方法, 对于任一连续的时间信号X (t) , 可得到它的Hilbert变换Y (t) 为:
其反变换为:
X (t) 和Y (t) 形成一复共轭对, 其解析信号为:
式中:α (t) 为瞬时振幅;θ (t) 为相位
定义瞬时频率ω为:
通过该变换定义了瞬时频率, 就可以得到信号各个时间点的频率变换情况, 并且这种计算频率的方法不再受限于不确定性原理。但是需要指出的是, 等式 (15) 是时间的单值函数, 因而在任意给定时刻只有一个频率值, 即它只能描述一种成份, 对于单成份的信号, 它能够给非常精确的时频描述。
4. 结论
信号处理除了应用在以上介绍的三个方面之外, 也广泛应用在肌电, 胃电, 耳声发射等生物信号中。数字信号处理的谱分析方法用于DNA序列分析, 可以将原始数据中局部的、潜在的周期性信息变得清晰和可观察, 并且通过谱分析方法可预测出DNA序列的蛋白质编码区;时频分析方法则具有从背景噪声中提取有用脑信号以及反映出心音信号中各种频率成份、出现时间、强度以及变化趋势的功能。相信数字信号处理会在将来的生物医学信号研究中发挥更大的作用。
摘要：在生物医学研究中有各种各样待提取和处理的信号, 信号处理立即成为解决这些问题的有效方法之一。本文介绍了信号处理在DNA序列、脑信号和心音信号方面的应用。
关键词：DNA序列,DFT,脑电信号,小波变换,心电信号,STFT,Hilbert变换
参考文献
[1]GaborD.Theoryofcommunication.JInst Elec, 1946;93:429
[2]W.Fickett“, Recognitionofproteincoding regionsinDNAsequences, ”NucleicAcidsRes., vol.20, pp.6441-6450, 1992.
[3]PooleD, Aeroflex, andRennardB.Synthetic instrumentsandLXI[J/OL].EvaluationEngineering, 2005-04.
[4]P.P.Vaidyanathan.GenomicsandProteomics:ASignalProcessor’sTour[J].IEEEcircuitand systemmagazine.2004, 9～10.
[5]吴婷, 颜国正, 杨帮华.基于陷波器和小波变换去除自发脑电信号噪声的方法.测控技术.2007年第4期
[6]李天云, 赵妍, 李楠.基于EMD的Hilbert变换应用于暂态信号分析.电力系统自动化第29卷第4期2005年
生物信号 第6篇
一、油菜素内酯的生理功能
将表油菜素内酯 (24-EBL) 施用植物时, 植物的组织、器官表现出一系列的生理反应。已有的研究表明, BR不仅能改变植物内源激素的平衡、酶的活性以及膜电位, 刺激植物细胞的伸长生长, 还能刺激DNA复制、RNA转录及蛋白质的翻译, 增强乙烯的合成和光调活性等。
1. 细胞伸长。
BR可促进黄瓜的下胚轴、豌豆和绿豆的上胚轴、单子叶植物的中胚轴和胚芽鞘及幼苗茎的伸长, 植物幼嫩的营养器官对BR响应尤其明显。BR通过调控植物细胞液泡膜H+-ATPase的组装, 促进液泡吸收水分, 从而引起细胞的快速伸长生长。Yang等的研究表明, 油菜素内酯的转录因子BESl可直接与全部的拟南芥纤维素合成酶基因的启动子区域结合, 开启这些基因表达。
2. 细胞分裂。
同时向中国大白菜使用3种激素时, 将刺激细胞团和细胞簇的形成, 增强原生质体的分裂的速度。Hu等利用拟南芥悬浮细胞det2首次研究BR对细胞分裂的影响, 发现BR能提高周期蛋白基因Cyc D3———一种D型植物细胞周期蛋白基因的表达。一般来说, 通过Cyc D3途径, BR能刺激细胞分裂, CTK也能通过激活Cyc D3蛋白而刺激细胞分裂, 而且BR在拟南芥的B悬浮细胞与愈伤组织中具有CTK的功能。
3. 细胞分化。
通过观察拟南芥cpd突变体茎的横切面, 显示茎的形成层分化不对等, 且另外的韧皮部细胞在形成层以外形成, 与拟南芥dwf7-1突变体的表型相同。另外突变体维管束的数目减少到6个, 而野生型有8个。Cano-Delgado等报道两个BR受体BRL1和BRL3在导管组织中特异性表达, 而且突变体brl1表现出异常的韧皮部/木质部分化比率。
4. 根系生长。
外源添加低浓度的BR有利于不定根的形成和主根的生长, 同时还可以诱导侧根的形成, BR和生长素对于侧根的形成具有正向作用, 并且对于侧根的形成可能是部分由脂酶A完成的;而高浓度BR会阻碍侧根形成和主根生长。目前认为, BR促进根发育可能是通过调节生长素极性运输实现的。BR促进植株顶端生长素的运输, 是侧根发育所必须的。
二、油菜素内酯的生物合成
通过给植物幼苗和培养的细胞饲喂标记物, 利用GC/MS研究代谢产物, 基本阐明了由鲨烯 (squalene) 前体最终生成BR的反应过程。鲨烯还原生成Campestanol时, 在侧链和甾醇体上经过氧化、羟化步骤, 同时在C-6位酮基化 (在C-22、C-23、C-2和C-3位置的修饰前和后进行酮基化) 。反应的两个途径分别叫早期C-6氧化前途径与晚期C-6氧化后途径。在早期C6氧化途径, 作为BR生物合成的开始, 芸苔甾醇 (campesterol) 通过加氧、羟化、氧化变成6-氧芸苔甾烷醇 (6-oxocampestanol) , 6-氧芸苔甾烷醇再进行羟化生成茶甾酮, 茶甾酮继续脱水、羟化生成香蒲甾醇, 最终形成油菜素内酯和油菜素甾酮。通过研究水稻和烟草幼苗及培养细胞, 证实了6-脱氧油菜素甾酮可以直接生成油菜素甾酮, 表明在许多植物中也存在晚期C6氧化途径, 这是BR生物合成的另一途径。除了水稻和烟草外, 菊芋和拟南芥也存在早期和晚期C6氧化途径。研究还显示, 在不同光质下, BR的生物合成和代谢途径可能有差异, 在黑暗中可能启动早期C6氧化途径, 在光下主要进行后期C6氧化途径。
三、油菜素内酯的信号转导
近年来, 通过生物化学和分子生物学等技术, 人们利用BR突变体研究BR信号转导过程, 取得了极大的进展。
1. BR信号在质膜上的感知。
在高等植物中, BRI1是BR主要的受体。突变掉番茄、水稻、以及大豆中的BRI1将导致BR不敏感的表型。BRI1是BR信号在质膜上感知的主要成分, BRI1的胞外区直接参与了BR的信号识别。最近的研究显示, C-末端的磷酸化程度与BRI1的活性直接相关, 且BRI1的激活必需要BR的参与。作为负调控因子的BRI1蛋白C-末端, 主要调节该蛋白的活性。BAK1能够与BRI1形成异源二聚体, 参与BR的信号转导过程, BAK1不影响BR和BRI1的结合。在豇豆原生质体中, Russinova等利用FRET (fluorescence resonance energy transfer) 技术, 发现BRI1可结合成同源二聚体于质膜上, 在质膜上BRI1和BAK1可生成异源二聚体。BAK1在BR信号传导中的作用机制还不十分清楚。
BRS1在BR信号转导途径的前期发挥功能。当过表达的BRS1基因可以互补bri1-9和bri1-5的表型, bri1-9和bri1-5都是BRS1的胞外域突变体, 但不能互补bri1-5/dwf4-1和bri1-1 (为胞内域突变体) 双突变的表型, 所以, BRS1的活性和BR的生物合成及对BRS1发挥其作用非常关键。BRS1有很强的水解活力, 位于胞外。TTL和TRIP-1是BRS1的两个下游信号分子。TRIP-1的特异位点可被体外重组的BRS1胞内激酶域磷酸化, 经过体内免疫共沉淀实验, 同时证实他们可相互作用, 由此推测TRIP-1可能是胞质BRS1的底物, 调控植物的生长发育。BK11与BRS1互作, 对BR信号传递途径进行负调控。BKI1作为BRS1分子的底物, 当胞质中甾类分子浓度较低时, 位于质膜上的BKI1与BRS1的同源二聚体互作, 进而抑制BAK1与BRS1的相互作用, 抑制BR信号转导途径。当BRS1的胞外域与甾类分子结合后, BRS1被诱导产生磷酸化及活化, 然后活化的BRS1与BK I1分离, 最终BR信号转导途径被激活。
2. BR从细胞膜表面受体到细胞核的信号转导传递途径。
BIN2作为BR信号转导的负调控因子。利用BIN2-GFP研究显示, BIN2既可以定位在细胞质中与细胞膜上, 还可以定位于细胞核中。BIN2对BR信号在细胞内的传递起负调控作用, 但BAK1和BRI1皆不能与BIN2互作, 使BIN2蛋白磷酸化。通过遗传筛选, 发现BZR1和BZR2/BES1是BIN2的底物。BZR1和BES1是BR信号途径下游特异的调控因子。BZR1作为BR合成的调控蛋白定位于细胞核内。BZR1是一种具有调节下游生长反应及BR生物合成双重功能的转录抑制因子。具有双重功能的BZR1说明它在BR信号转导途径中起到重要的调控作用。BZR2/BES1作为转录激活因子, 也定位于细胞核内。最近的研究显示, SAUR-like基因的启动子中的E-box (CANNTG) 可与BES1结合, BES1被位于细胞核内的BIN2磷酸化, 致使磷酸化的BES1丧失与响应基因启动子结合的能力, 从而影响其转录活性, 因此, 调控的关键是BES1的磷酸化。作为一种核蛋白, BSU1能够对BES1的磷酸化进行调控。与BIN2蛋白的功能相反, 通过阻碍BES1的磷酸化, BSU1导致去磷酸化的BES1积累, 然后抑制bin1和bri2的表型缺陷。
四、讨论
虽然BR分子生物学已取得很大进展, 但仍然有许多地方需要深入研究。BR生物合成途径中各环节的酶未完全确定;BIN2的活性调控机理, BES1和BZR1及其他家族成员对目的基因调控和BR分子的合成和降解途径也需要进一步的研究;BR与植物激素间相互作用, 相互影响以及调节植物生长发育的进程也需要进一步的阐明。通过研究不敏感和敏感BR突变体, 克隆出大量的BR生物合成、信号转导和调控相关的基因, 可为我们寻找到更多的与BR对植物生长发育和调控作用有关的信息。
参考文献
[1]Mandava N.Plant growth-promoting brassinosteroids[J].Annu Rev Plant Physiol Plant Mol Biol, 1988, 39 (1) :23-52.
[2]Yang C J, Zhang C, Lu Y N, et al..The Mechanisms of Brassinosteroids'Action:From Signal Transduction to Plant Development[J].Mol Plant.2011, 4 (4) :588-600.
[3]Nakajima N, Shida A, Toyama S.Effects of brassinosteroid on cell division and colony formation of Chinese cabbage mesophyll protoplasts[J].Jpn J Crop Sci, 1996 (65) :114-118.
[4]Hu Y, Bao F, Li J.Promotive effect of brassinosteroids on cell division involves a distinct Cyc D3-induction pathway in Arabidopsis[J].Plant J, 2000, 24 (5) :693-701.
[5]Szekeres M, Nemeth K, Koncz-Kalman Z.Brassinosteroids rescue the deficiency of CYP90, a cytochrome P450 controlling cell elongation and de-etiolation in Arabidopsis[J].Cell, 1996, 85 (2) :171-182.
[6]Cano-Delgado A, Yin Y, Yu C, et al.BRL1 and BRL3 are novel brassinosteroid receptors that function in vascular differentiation in Arabidopsis[J].Development, 2004, 131 (21) :5341-5351.
生物信号 第7篇
生物医学信号其实就是人体内发出的光、电、声的信号, 但是基于人体内的特点, 生物医学信号与一般医学信号相比, 具有不同的特点, 比如:信号不强, 在母亲体内得到胎儿心电信号就非常微弱[1]。噪声较强, 由于人体本身信号不强, 加上人体是一个综合的复杂体, 所以, 信号非常容易遭受噪音影响。频率范围通常不高, 其中除了心音信号频谱有一点高以外, 别的电生理信号频谱都不高。随机性较强, 生物医学信号一方面是随机的, 同时也是平稳的。正是由于这些特点的存在, 让生物医学信号具有广泛的应用空间, 对许多医疗诊断具有重要意义。
2 小波变换在医学中的应用
2.1 在电脑信号方面的应用
在传统的临床电脑影像分析中, 基本是采用目测标注的模式来进行, 这种方法容易让工作人员疲劳, 并且误差很大, 造成临床上多导EEG的“特征提取”与“数据压缩”始终处于主观处理上[2]。在分析过程中, 窄窗口用于分析高频, 宽窗口用于分析低频, 这种分析方法体现了相对带宽频率分析与适应变分辨分析思想, 有效的克服了上面的缺陷, 有效的提升了信号及时处理途径。 (1) EEG信号检测:在以往的瞬态检测中, 通常是利用傅立叶变变换和匹配滤波的方法来进行, 但是, 后者在检测中需要相关信号的支持, 前者一般只对有周期性并且能持续发出的信号有效。而小波变换检测具有突出局部特征的能力, 对短时瞬变的低能量较为有效, 而且不需要提前先验知识。利用小波变换中的多尺度分析, 可以参照EEG中的棘慢波、伪差等不同尺度的表现来实现对异常波的检测。 (2) EP信号检测:因为小波变换利用的基波的频率分辨率和时间各不相同, 因此小波变换也使用于别的非平衡信号。在进入2010年以来, 采用小波多分辨分析来提取诱发电位, 在提高信噪比、减少刺激回合数等方面都研究已经向前迈进了一大步, 在不久的将来有实现诱发电位单词提取的可能。
2.2 在心电信号处理中的应用
ECG作为生物医学信号的重要组成部分, 是非常适合利用时间尺度与时频来进行分析的。众所周知, P、T、QRS就是ECG信号的组成部分, 在这个组成中, 各波的频率特性有所不同。通过以上的分析可以得出, ECG是一种具有明显时间尺度与时频特征的生物医学信号。 (1) ECG信号检测。QRS波群的检测方法多种多样, 常用的主要有:面积法、阈值法、斜率法等[3], 这些方法在使用过程中具有很多的弊端, 如果遇见干扰严重等情况时, 通常错误率较大。在最近的一些检测中, 有的工作人员将小波变换引入到了ECG信号特征值的获取和识别中, 而且对于解决上面的弊端起到了非常明显的作用。 (2) ECG晚电位检测。当下, 在累加平均是许多晚电位分析仪器检测采用的主要手段。Meste有效的利用了小波变换对晚电位获取进行了讨论。
2.3 生物医学信号的处理方法
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并作模式分类的方法。生物医学信号处理的目的是要区分正常信号与异常信号, 在此基础上诊断疾病的存在。近年来随着计算机信息技术的飞速发展, 对生物医学信号的处理广泛地采用了数字信号分析处理方法:如对信号时域分析的相干平均算法;对信号频域分析的快速傅立叶变换算法和各种数字滤波算法;对平稳随机信号分析的功率谱估计算法和参数模型方法;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、时变参数模型和自适应处理等算法;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。
3 光学技术在癌症诊断中的应用
在癌症诊断应用中, 将光线安装在可以自由转动的仪器上, 利用光在移动中碰见组织而反射的路径, 这时, 光的许多特征就可以为观察者提供许多的人体内在结构观察窗口。光学人体扫描仪主要是为了定位、诊断、识别人体内部患处的问题, 对患者内部相关部位进行照亮, 让观察人员了解到患处与周围内在结构之间的不同之处, 进而实现有效的诊断。
自体荧光技术;在癌症诊断中, 光谱技术很早的已经得到了使用, 主要起源于光动力学质量研究阶段。在70年代左右, 众多癌症专家都在尝试着将光敏荧光法应用到癌症诊断中, 并且取得了理想的效果。但是, 利用这种技术进行诊断时, 患者必须提前注射抗光敏药物, 但是, 这种药物存在着很多副作用, 所以, 这种诊断方法不能大量使用。为了克服这种诊断的弊端, “自体荧光法”检测激光诱导的肿瘤组织自体特征荧光的方法得到了许多人的关注。
国内一些专家进行了大量的共振喇曼光谱、血清自体荧光实验研究、进行了许多的统计分析, 通过波长激光对患者的血清处理变化, 观察自体荧光的信号变化与共振喇曼峰二者之间有无明显差异性, 进而对癌症患者进行诊断。实验结果说明:食道癌、胃癌、胰岛癌等癌症患者在经过血清激光作用治疗后, 喇曼光谱有明显的差异性[4], 并且荧光信号强度在降低, 荧光峰发生了变化, 变化幅度与正常人相比要大得多。
一些癌症学者又通过自体荧光体侧检测系统在结肠镜下测量获取组织自体荧光光谱, 在对光谱进行判别分类时, 是采用的多元判别法。实验的实验结果显示:所采用的多元判别法可以依靠很高的特异性与灵敏性来分别肿瘤组织和正常组织。
4 结语
综上所述, 伴随着研究的深入, 理论研究更加成熟、通信系统和医学图像归档相续出现、家庭医疗保健器材快速发展、远程医疗诊断需求不断提升, 对医学信号的图像增强、分析处理、压缩、去噪等多方面提出了相应的要求, 在这种背景下, 通过现代分析方法和传统分析方法的结合, 足以满足未来发展的需要, 而生物医学信号技术的出现, 对未来的医疗检测与诊断具有非常重要的促进作用。
参考文献
[1]张阳德, 周以, 李小莉.基于生物医学信号处理技术的医疗检测与诊断[J].中国医学工程, 2005, 01:52-55.
[2]李国峰.基于生物医学信号的体域网低功耗设计与研究[D].吉林大学, 2011.
[3]王鸿雁.信息技术在生物医学工程中的应用[J].赤峰学院学报 (自然科学版) , 2010, 09:165-167.
生物信号 第8篇
随着社会的发展,安全问题日趋重要。用人类生物特征并结合计算机技术进行安全验证的生物特征识别技术已成为当今的热门课题。近年来,生物识别技术得到国内外研究学者的探索和认可,出现了各种各样的生物识别技术并逐步推广应用,如声纹识别、指纹识别、DNA识别、虹膜识别、人脸识别等[1]。目前尽管这些识别技术已经应用到许多领域,但都存在着一个共同的问题,很容易被伪造和复制,不能够达到较高的安全性。
人体的一些重要生理信号具有唯一性,代表了个体独一无二的特性,其最大的优点是很难被伪造或者复制,因此作为身份识别的特征信号具有更高的安全性。目前已经出现将诱发脑电信号和心电信号用于身份识别的研究,并取得了较好的成果[2,3,4]。然而脑电和心电的采集需要放置较多的电极,尤其是脑电,对采集条件要求较高,一般很难准确采集。心音信号只需要一个心音传感器便可采集,相对心电和脑电等生理信号应用于身份识别来说,硬件实现容易,操作简单易行。国内外也有利用心音信号进行身份识别的研究。Francesco等[5,6]对心音主要成分第一心音(S1)和第二心音(S2)进行频谱分析,证明心音信号可以表征独一无二的生理特性,初步探索心音信号生物识别,但该方法只适用小样本的情况,不能满足实际应用的要求。Koksoon等[7]提取心音信号的线性频带倒谱系数,实现了心音信号的身份识别。但实验样本量较少,仅采用10个人的心音信号,并且在预处理中仅使用带通滤波器对心音信号进行滤波处理,影响了识别的效果。
本文针对以上研究的不足,利用近年来广泛用于模式识别领域的高斯混合模型对心音信号进行建模和识别,采集50名受试者的心音信号进行测试,实验结果表明该算法能有效提高心音生物识别系统的识别性能。
1 心音信号的预处理
在进行实验前需要对心音信号进行预处理,图1所示为预处理结构图。
1.1 预加重
在实际信号分析中常采用预加重技术,即在对信号取样之后,插入一个一阶的高通滤波器,以滤除低频干扰,突出更为有用的高频部分的频谱。本实验将心音信号通过数字滤波器,其系统函数为H(z)=1-az-1,其中a为预加重因子,典型值范围是0.94~0.97。
1.2 小波去噪
心音信号是利用仪器通过体表采集到的生理信号,不可避免地引入噪声,包括环境噪声、工频干扰噪声、仪器工作自身的噪声等。为了更好地避免噪声信号对实验的影响,在提取心音信号的特征参数前首先对信号进行去噪[8]。
心音信号是短时非平稳信号,有用成分在低频段约200 Hz以内,而噪声信号则通常表现为高频信号。因此,可以利用小波变换把心音信号的能量集中到较低频段的频带上,再将较高频段的小波系数置零,便能有效抑制噪声。具体步骤是先对原始信号进行小波分解:
其中S是原始信号,c Ai为分解的低频成分,c Di为分解的高频成分,i是分解层数。噪声通常在高频成分c Di中,通过设置门限阈值对小波系数处理,重构信号后便可实现去噪的目的[9]。
小波去噪的关键是选择合适的小波基和阈值。本文通过反复实验,选取了对心音信号去噪效果较好的coif3小波和heursure阈值方法。
1.3 分帧和加窗
心音信号是一种短时非平稳信号,要对其进行短时分析,需要对信号进行分帧处理,本文取帧长20 ms,帧移10 ms,在这段时间内可以认为心音信号是平稳的,非时变的。分帧使用滑动的窗口进行加权来实现的。实验中使用的是哈明窗(hamming)。
1.4 端点检测
为了在复杂环境下的信号流中提取心音信号,定位其主要成分第一心音(S1)和第二心音(S2)的起止位置,进行信号端点检测。端点检测的精确性直接关系到特征参数提取的有效性,将影响整个识别系统的鲁棒性,同时还可以减少后面识别处理的数据量,降低系统运行时间。本文采用两级判断法VUS(Voice Unvoice Silence)算法进行端点检测,该算法实现简单,运算量小。
通过小波去噪的方法和端点检测可以只提取心音中的有用信号部分,这样虽然无法保证得到的特征参数长度一致,但却大大降低了运算量,节省了训练时间,并提高了识别率。
2 特征参数提取
特征参数提取是本文提出的识别系统中的一个重要模块。心音信号中含有个体的丰富信息,特征提取就是对心音信号进行分析处理,获取影响识别效果的重要信息。通过提取每帧信号的特征参数,利用GMM模型进行训练和识别。本文采用了常用LPCC和MFCC作为识别的特征参数,对比实验表明,LPCC能比MFCC更好地提高系统的识别率。
2.1 线性预测倒谱系数(Prediction CepstralCoefficients,LPCC)
倒谱是信号Z变换的对数模函数的反Z变换,一般通过信号的傅里叶变换取模的对数,再求反傅里叶变换得到。本文LPCC参数是通过全极点模型对线性预测系数(LPC)递推所得到的[10]。LPCC求解的递推公式如下:
式中,a1,a2,...ap为p阶LPC的特征向量。c1,c2,...cp为倒谱系数的前p个值。LPCC的阶数不超过p,用第(2)式计算;如果LPCC阶数大于p,则用第(3)式计算。LPCC系数的提取过程如图2所示。
2.2 Mel频率倒谱系数(hidden Markov model,MFCC)
MFCC是目前广泛应用于语音相关识别中的特征参数,它利用了人耳听觉频率非线性特性,在噪声环境中具有其它特征参数无可比拟的优势。MFCC与线性频率的转换关系如下:
MFCC按帧进行计算,其提取过程如图3所示。
3 高斯混合模型
高斯混合模型(G a u s s i a n M i x t u r e M o d e l,GMM)是近年来生物识别采用的主流的技术,它是单一高斯概率密度函数的延伸[11],由于GMM能够平滑地近似任意形状的密度分布,因此在语音识别中得到广泛的应用。
基于高斯混合模型的心音识别系统的基本原理就是对每一个受试者的心音建立一个概率模型(高斯混合模型),该概率模型中的参数是由心音信号的特征参数分布决定的,表征了受试者的身份。识别时,将待识别心音信号的特征参数与训练的模板进行匹配,计算得到的最大似然函数值对应的就是识别结果。基于心音信号的生物识别系统流程图如图4所示。
3.1 GMM的训练算法
G M M参数的训练采用最大似然估计(Expectation maximization,EM)算法。设心音信号的训练特征矢量序列为X={xt,t=1,2,...,T},它对于模型λ的似然度为:
训练的目的就是找到一组使P(X|λ)最大的参数λ:
P(X|λ)最大参数估计可以利用EM算法迭代计算得到。EM算法的基本思想是从初始模型参数λ来训练估计出新的参数,满足如下条件:
再以新的模型参数作为当前参数来训练,以此迭代运算直至模型收敛。
3.2 GMM的识别算法
在本文设计的识别系统中,设有S个识别对象,每个识别对象用一个GMM模型来代表,分别为λk,k=1,2…S。在对其进行身份识别时,目的就是对一个观测序列X,找到使之有最大后验概率的模型所对应的受试者λk,即:
假定Pγ(λk)=1/S,每个受试者等概率,P(X)对每个受试者而言是相同的,因此,上式可以简化为:
如果使用对数得分,且按式(5)假定,心音身份识别的任务就是计算下式:
4 仿真实验及结果分析
心音信号采集的仪器是由重庆博精医学信息研究所生产的“运动心力监测仪”。该仪器的采样频率是11 025 Hz,所采集的信号以wav文件的格式保存。心音信号采集时注意,心音脉搏传感器必须放置在心前区心尖搏动最明显处。实验受试者为50个健康人,无任何心血管疾病。在记录受试者心音图时,要求受试者处于静息状态。每位受试者均采集两段心音信号,共100个心音信号,且两次采集的时间间隔大于24 h。
4.1 心音信号预处理
本文采用双门限端点检测算法,在开始端点检测前,先要分别为短时能量和过零率确定两个门限。如果信号的能量或过零率超过了低门限,就开始标记起始点,进入过渡段。在过渡段中,由于心音信号的参数数值比较小,不能确定是否进入了有用信号段,只要两个参数的数值都回落到低门限以下,就将当前状态认为是无用信号段,而如果在过渡段中两个参数中的任一个超过了高门限,就可以确信进入了有用信号段。检测结果如图5所示。
4.2 小波去噪对识别结果的影响
本文选择coif3小波对心音信号进行5层小波分解和重构,实验结果表明能够去除噪声分量,有效地保留了信号的有用成分,对比结果如图6所示。
从图6可以看出,小波去噪除去心音信号中很多干扰和噪声等无用的成分,保留信号的有用成分。提取去噪后的心音信号的特征参数,能够更好地保留表征个体的身份特征有用信息。GMM模型进行样本训练时采用EM算法,最大迭代次数设置为40次,训练时间大约(3~4)min。然后进行样本识别,GMM模型识别时间在(0.3~0.5)s。心音信号小波去噪前后系统识别性能对比如表1所示:
注:以上对比实验使用的特征参数均为LPCC。
从表1可以看出经过小波去噪,系统识别率明显的提高从76.5%提高到89.0%,并大大缩短了训练时间。
4.3 特征参数对识别结果的影响
GMM模型进行心音身份识别时,选择LPCC和MFCC两种特征参数进行对比实验。这两种特征参数对于GMM模型识别率和训练时间影响的结果对比如表2所示。
注:以上对比实验所用心音信号均经过小波去噪
通过对比实验发现,对于心音信号来说,选用LPCC参数可以得到比MFCC参数更高的识别率,而且训练时间更短些,更能满足一些场合对实时性的要求。
5 结论
本文采用GMM的方法实现了基于心音信号的身份识别,并通过实验验证了该方法的有效性。实验主要分为以下两部分:通过在预处理中加入小波去噪提高心音信号的信噪比,显著提高了系统的识别率。通过对比LPCC和MFCC两种特征参数,发现LPCC更适合用于基于心音信号的生物识别中,不仅取得了更高的识别率,训练和识别的时间也比较短,在一些实时性要求较高的场合可以得到更广泛的使用。本文研究尚处于初步阶段,鉴于异常心音和心脏杂音出现的病理信号的复杂性,只进行了将正常的心音信号应用于身份识别,下一步将探索异常心音信号的识别,进一步完善该系统。
摘要：目的 将倒谱系数提取和高斯混合模型(GMM)相结合,提出了一种基于心音信号的生物识别方法。方法 首先心音信号预处理小波去噪,然后进行特征参数的选择,对比研究了线性预测倒谱系数(LPCC)和Mel频率倒谱系数(MFCC),再用高斯混合模型(GMM)进行识别。最后利用50名志愿者的100段心音信号对所提出的方法进行验证。结果 对比实验证明LPCC比MFCC更适合用于心音信号的生物识别研究,通过对每段心音信号进行小波去噪,取得了比传统GMM方法更高的识别率。结论 表明该方法能够有效提高系统的识别性能,达到了比较理想的识别效果。
关键词：心音信号,生物识别,高斯混合模型,小波去噪,线性预测倒谱系数,Mel频率倒谱系数
参考文献
[1]Jain A K,Ross A,Prabhakar S.An introduction to biometric recognition[J].IEEE Trans Circuits Syst Video Technol,2004,14(1):4-20.
[2]Saechia S,Koseeyaporn J,Wardkein P.Human identification system based ECG signal[C].TENCON2005:1-4.
[3]Israel SA,Irvine JM,Cheng A,et al.ECG to identify individuals[J].Pattern Recogn,2005,38(1):133-142.
[4]Das K,Zhang Sheng,Giesbrecht B,et al.Using rapid visually evoked EEG activity for person identificatioin[J].EMBS2009(13):2490-2493.
[5]Beritelli F,Serrano S.Biometric identification based on frequency analysis of cardiac sounds[J].IEEE T Inf Foren Sec,2007,2(3):596-604.
[6]Beritelli F,Spadaccini A.Human identity verification based on Melfrequency analysis of digital heart sounds[C].DSP2009:765-769.
[7]Phua K,Chen JF,Dat TH,et al.Heart sound as a biometric[J].Pattern Recogn,2008,4(3):906-919.
[8]郭兴明,吴玉春,肖守中.自适应提升小波变换在心音信号预处理中的应用[J].仪器仪表学报,2009,30(4):802-806.
[9]薛年喜.MATLAB在数字信号处理中的应用[M].北京:清华大学出版社,2008.
[10]Biswas S,Ahmad S.Speaker identification using cepstral based features and Discrete Hidden Markov ModelC].IETICT,2007:303-306.
[11]Liu Minghui,Xie Yanlu,Yao Zhiqiang,et al.A new hybrid GMM/SVM for speaker verification[C].ICPR,2006.
生物信号 第9篇
生物分子计算机是一种用生物分子元件组装成的纳米级计算机, 将其植入人体能自动扫描身体信号、检测生理指标、诊断疾病并控制药物释放等。但研究人员指出, 要实现这一愿景还要克服很多障碍。
研究小组此前曾演示过一种二态系统 (two-state system) 生物分子计算机, 由DNA (脱氧核糖核酸) 和一种限制酶制成, 能根据m RNA (信使RNA) 的表达水平和变异来探测疾病指标, 但每一步计算只能检测一种疾病指标。
在新研究中, 他们又拓展了计算机的能力, 能根据mi RNA (小分子RNA) 、蛋白质、小分子如ATP等同时探测多种疾病指标。这种方法较以前更简单, 而且只需检测更少的成分, 便能更敏锐地发现疾病指标。
研究人员解释说, 探测几种疾病信号的组合, 比单纯探测一种信号更有用, 能更精确地诊断疾病, 比较不同疾病之间的差别。比如甲状腺癌有甲状腺球蛋白和降血钙激素这两种指标, 就比仅用一种指标作出的诊断要准确得多。
“按我们的设想, 纳米计算机能在人体内漫游, 及早发现疾病。它们能探测疾病指标、诊断疾病, 并能激活药物分子实施治疗。也可以将它们送入血管、植入某个器官或组织细胞内部, 用作预防护理。”论文作者之一宾雅明·吉尔说。但生物分子计算机在生物活体技术、程序控制药物释放方面还有许多挑战, 他表示:“最大的挑战是如何在活体环境中, 如血管或细胞质里操作这些设备。目前我们正在开发更简单的、不需要限制酶或者能依靠细胞自身运作的机器。”