介绍

欢迎回到我们涵盖生物信号处理基础知识的博客系列。在上一篇博客文章中，我们了解了生物信号处理在现代医学和其他领域的重要性，了解了可以找到哪些噪声因素，以及如何使用小而强大的过滤器集合来消除它们。

但我们还没有完成！

将生物信号想象成充满信息的宝箱。到目前为止，我们已经学会了如何清洁箱子的外部（这是噪音和预处理部分），现在是时候打开它们看看里面有什么了。特征提取就像找到隐藏在这些箱子中的特殊宝石和金币一样——它可以帮助我们挑选出数据中最重要的部分。

在这篇博文中，我们将深入探讨令人兴奋的特征提取世界，并将以心电图 (ECG) 信号和心率变异性 (HRV) 分析为例，解锁生物信号中的这些隐藏宝藏。和往常一样，Python 笔记本等待您亲自体验！

解码特征提取：理解复杂性

想象一下您正在查看生物信号，例如心电图 (ECG) 记录。它不仅仅是一条有起伏的线；它反映了心脏的活动，包括其节律和健康状况。但这条线也与噪声、尖峰和变化纠缠在一起，使分析变得困难。特征提取作为翻译介入。它将信号分解为更小、更有意义的片段（特征），其中包含重要信息。这些特征可能是心跳之间的距离、某些波的幅度或某些模式的频率。简而言之，特征提取可以帮助我们放大信号中最重要的部分。

现在，为什么这种转变如此重要？想象一下尝试阅读一本用您不懂的语言写的书。这是压倒性的和令人困惑的。但如果有人给你总结一下这本书的要点，你就会突然变得更容易管理。同样，生物信号就像用我们身体的语言写的书，特征提取为我们提供摘要（关键见解），帮助我们了解正在发生的事情。

但这不仅仅是简化；这是关于赋权。通过提取这些有意义的成分，我们可以更有效地分析生物信号并得出有价值的结论。无论是检测不规则心跳、评估肌肉活动还是理解脑电波模式，特征提取都为我们提供了掌握数据本质的工具。

我应该了解哪些类型的功能？

让我们深入了解可以从生物信号中提取的特征的多样化世界。这些特征就像拼图一样，每个都带有自己独特的信息，有助于完整地描述信号的故事。

以下部分将使用 ECG 信号分析示例（更具体地说是使用心率变异性 (HRV)）深入探讨特征提取。HRV 分析通过测量心率之间的间隔并提供有关间隔持续时间变化的信息，从心率系列中提取参数。

如果您想亲自跟进您自己的心率系列的实践经验，我们建议您从我们的笔记本开始，了解如何识别 R 峰值位置（心电图信号的心跳指标）然后可以提取速率。

生物信号笔记本的实践经验！  

了解如何识别心电图信号中的 R 峰值以及如何计算心率系列。

时间特征：捕获时间和持续时间

时间特征侧重于生物信号的时间方面。它们帮助我们了解事件如何随着时间的推移而展开。例如，在心电图 (ECG) 中，RR 间隔（连续心跳之间的时间）或 NN 间隔 (NNI)（连续正常心跳之间的时间（不包括异常或错误识别的心跳））是 一个 至关重要的时间特征。

这个间隔告诉我们心脏的节律和变异性。将其视为心跳的节奏及其根据工作负载调整节奏的能力。工作负荷越高，心跳的节奏就越快，以跟上足够高的血液循环和氧气供应。健康的心脏表现出更大的适应性，因此具有更大的可变性，可以根据当前的需求调整其节奏。

生物信号笔记本的实践经验！

心跳间隔以转速图表示，有助于将原始心电图信号转换为更易于理解的格式的数据可视化。在此 Python 笔记本中，您将学习如何使用您自己的心率系列生成转速图！ 

统计特征：量化变异性

统计特征将我们带入总结信号行为的数字世界。平均值、中位数、标准差——这些熟悉的术语登上了生物信号舞台。在心率变异性 (HRV) 分析中，统计特征量化正常心跳之间的起伏，通常发现的典型参数为：

• 正常到正常区间的标准差 (SDNN)

• 正态到正态区间的连续差均方根 (RMSSD)

• 连续差异标准差 (SDSD) 等

这种变异性可以揭示压力水平、自主神经系统平衡等。

生物信号笔记本的实践经验！

在本 HRV 简介笔记本中了解最重要的 HRV 参数！ 

频谱特征：揭示频率模式

频谱特征深入研究信号的频率成分。就像音乐如何包含各种音符一样，生物信号表现出携带有价值信息的不同频率。以心率变异性 (HRV) 为例，不同频率的强度（从高到低以及介于两者之间的频率）提供了深刻的见解。它本质上强调了所提供的心率系列的主要频率，从中我们可以得出对影响心率的身体神经系统和其他身体功能的重要理解，包括心率数据中呼吸率的可能表示。

图片来源：pyHRV（本博文同一作者）

用于 HRV 频谱分析的常用工具和方法包括 快速傅里叶变换 (FFT)  ，在 HRV 中，特别是 FFT 的变体，称为 韦尔奇方法。FFT 将时域 HRV 信号变换到频域，显示与不同频带相关的功率或能量（频率的功率越高，在输入数据中表示的越占主导地位）。HRV 最常用的频段是极低频 (VLF)、低频 (LF) 和高频 (HF) 范围，可深入了解各种生理机制，包括交感神经和副交感神经系统活动，甚至呼吸。然后从每个频带中提取统计参数以进行进一步分析，包括识别频带中的峰值频率、频带的绝对功率、整个感兴趣的 FFT 的相对功率等。

频谱分析并非 HRV 所独有，也常见于其他生物信号的分析中，例如脑电图分析，其中对不同频段的信号进行分析，以得出受监测大脑区域状态的结论（例如：注意力与睡眠） ）。

生物信号笔记本的实践经验！ 

此 Python 笔记本向您展示如何根据心电图和心率数据计算时间和统计参数。 

形态特征：检查形状和结构 

形态特征深入研究信号成分的独特形状和结构。将此视为类似于仔细观察山峰和谷底的轮廓。心电图 (ECG) 以其特有且可识别的波形，是说明形态信息的绝佳示例。ECG 波形呈现出不同的成分，如 P 波、QRS 波和 T 波，它们对应于心脏心动周期中的特定电事件

心电图特征和特征示例（图片来源：维基百科）。

心电图中的这种明显波形使我们能够有效地利用形态特征来分析其详细结构。通过检查这些波形分量的高度、宽度和间隔，我们可以获得有关心脏健康状况的宝贵见解，识别心律失常等状况。心电图清晰可识别的形态使其成为诊断和监测心脏疾病的有力工具，展示了形态分析在医学诊断领域的重要性。

及其他：探索其他功能

除了这些类别之外，生物信号还提供了等待被发现的其他特征的宝库。复杂性、熵、不对称性——这些描述符加深了我们的理解。这些特征就像绘画中隐藏的细节一样，增强了我们对艺术家意图的欣赏。因此，当我们进行特征提取时，请记住每种类型的特征都是解锁生物信号故事不同方面的关键。有了这些钥匙，我们就有能力破译复杂的数据，并深入了解人类生理学、运动表现、医疗诊断等。在接下来的部分中，我们将卷起袖子，探索使我们能够从生物信号中提取这些有价值的特征的技术。

即将推出：PLUX 用户生物信号处理的真实示例

在这篇文章的开头，我们将生物信号描述为一种宝藏，可以保存宝贵的宝石。正如我们精心清理了这个箱子的外层以揭示其真正的光彩（解决噪音和预处理）一样，我们现在已经更深入地研究以了解其隐藏的内容。特征提取帮助我们从生物信号中提取这些宝石，并提供有价值的信息，使我们能够以更容易理解的方式量化和限定生物信号。然而，我们对提取信息的处理通常还不是临床日常实践的一部分，而是推动持续研究的主题。

很快，我们将了解 PLUX 用户在生物信号处理研究中所做的事情，以了解有关现实世界示例的更多信息。