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。在本系列的第一篇博文中，我们为生物信号和生物信号处理、它是什么以及在哪里可以遇到实际应用奠定了基础。

我们已经确定生物信号是重要的信息来源，我们可以从中提取参数和特征，使我们能够更好地了解人体并对其状态和健康做出决策。例如，运动员可能想更好地了解他们的身体对训练的反应，发现可能的受伤风险，并采取最有效的方法来提高他们的表现。

为了确保我们做出正确的决定，我们必须确保我们正在研究无噪声的生物信号，否则噪声可能会导致我们得出错误的结论。例如，受运动伪影影响的信号如果不加以处理，可能会错误地让我们相信信号失真具有病态性质。但在我们继续从信号中删除组件之前，我们需要更好地了解我们实际需要或想要删除的内容。

在第二篇文章中，我们将了解噪声源、信号伪影以及在处理原始的、未经过滤的生物信号时可能遇到的其他类型的干扰的不同示例。我们还将了解一个有用的工具，即信噪比，它有助于量化信号的质量。

了解伪影和噪声源

生物信号冲突

测量生物信号通常比预期更容易，因为我们可以直接在皮肤表面提取各种生物信号。然而，皮肤下面发生的很多事情可能会造成干扰，例如不同的器官相互重叠，导致生物信号重叠。

例如，当通过将传感器放置在胸部皮肤表面来测量心电图 (ECG) 传感器时，电极和心脏之间仍然存在胸部肌肉，我们希望从中获取实际的“真实”生物信号。从生理学的角度来看，胸肌和心脏虽然都是由肌肉组成，但它们却有显着的区别。你可以控制前者，但无法控制后者等等差异。幸运的是，您不必像在弯曲二头肌一样考虑每次心跳 - 您的心脏可以自行处理！

然而，从电的角度来看，心脏和骨骼肌的生物信号具有重叠的特征，例如它们的幅度范围为-1.5mV至1.5mV或频率范围为0.05Hz至100Hz（及以上）。正是由于这个原因，您在胸肌活动期间可能会遇到原始心电图数据的干扰。在这里，当使用心电图传感器收集原始心电图数据时，电极和心脏之间的肌肉活动可能会干扰心电图信号。

我们可以将其体验为心电图信号严重失真（例如手臂快速运动）或心电图基线随时间的缓慢变化（基线漂移），这可能是由呼吸运动等因素引起的。

运动伪影

在大多数研究设置中，自愿和非自愿的运动是不可避免的。毕竟，如果不允许研究参与者在整个数据记录过程中呼吸，那么可以记录的生物信号就很少。

运动可以通过干扰负责运动的生物信号（例如肌肉活动）或出于机械原因（因为运动会影响传感器与皮肤表面之间的接触）来显着影响生物信号记录。

以下示例显示了运动对原始心电图记录的典型影响。在此，基线在信号段期间发生显着偏移，并且失真甚至可能导致信号中出现额外的峰值，这些峰值可能被误解为 R 峰值，而 R 峰值充当 ECG 信号中的心跳指示器。

挑战：从中获取运动伪影影响心电图信号......

...回到原来的形式，如下所示：

电力线噪声（50Hz / 60Hz）

根据您所在的位置，您的房屋、办公室或实验室的电源可能以 50Hz（例如欧盟）或 60Hz（例如美国）备用信号的形式提供。这种连续的循环会在电力线和电气设备周围产生有节奏的电磁场，生物信号传感器可能会捕获这些电磁场。即使您的传感器提供屏蔽电缆，这种类型的噪声也会通过各种不同的方式潜入您的生物信号。例如，具有足够大的金属电极传感器连接器的电极可以捕获如下噪声：

幸运的是，您不必拔掉周围的所有电源并在黑暗中记录良好的生物信号数据，特别是因为您甚至无法始终完全控制您的环境。

测量信号质量：信噪比

在我们直接使用帮助我们消除生物信号中的噪声的工具之前，我们需要首先问自己，我们的生物信号受到可用噪声的影响有多严重。了解生物信号的质量对于选择最佳的预处理步骤至关重要。

指导我们完成这一任务的一个关键指标是信噪比 (SNR)，我们将在下面的交互式 Python 笔记本中进一步介绍它。

什么是信噪比 (SNR)？

想象一下，您在一个熙熙攘攘的房间里，试图在背景聊天和噪音中与某人交谈。挑战在于区分人的声音（信号）和周围的干扰（噪音）。

正如我们在前面的例子中所看到的，在生物信号处理中，我们遇到类似的情况：信号代表我们想要研究的生理信息（例如心电图），而噪声包含各种干扰和掩盖信号的不需要的元素（例如电源线噪声）。

信噪比 (SNR) 是一种定量测量方法，用于评估生物信号数据中存在的信号的清晰度。它将实际信号的强度与录音中存在的不需要的噪声水平进行比较。较高的信噪比表明信号更清晰、更独特，更容易分析和得出有意义的结论，而较低的信噪比表明信号较弱，部分被噪声掩盖。

计算信噪比 (SNR)

计算信噪比 (SNR) 涉及一个简单但重要的数学过程。为了确定生物信号的信噪比，我们首先计算信号的平均幅度，代表我们想要提取的真实生理信息（例如脑电图波形）。接下来，我们测量信号中存在的噪声（例如基线噪声）的标准偏差，代表不需要的干扰和背景干扰。将平均信号幅度除以噪声的标准偏差即可得到 SNR 值，该值量化了信号相对于干扰水平的强度。

为了便于实际理解，我们准备了一个生物信号笔记本，其中包含实际示例，展示如何使用 EEG 传感器信号计算 SNR。本笔记本将指导您逐步实施，使您能够掌握概念并将其应用到您自己的生物信号处理工作中。

📙  Python Notebook：计算信噪比

接下来！预处理方法：去除原始生物信号中的噪声

在这篇博文中，我们了解了噪声源的各种示例以及它们如何影响我们的生物信号。此外，我们还学习了一个有价值的工具来量化信号的噪声程度，即信噪比 (SNR)。

在下一篇文章中，我们将介绍基本的预处理方法，旨在消除生物信号中的噪声和不需要的干扰，以确保我们从干净的数据中提取特征，并避免错误地将噪声源识别为潜在的异常生理状况。