生物医学信号处理总结.docx

生物医学信号处理总结

第一篇：生物医学信号处理总结一、生物医学信号处理绪论生物医学信号处理的对象：由生理过程自发产生的；把人体作为通道，外界施加于人体产生的电生理信号和非电生理信号。生物信号的主要特点：复杂性，随机性强，噪声干扰强，非平稳性等二、数字信号处理基础傅立叶变换的意义：把一个无论多复杂的输入信号分解成复指数信号的线性组合，那么系统的输出也能通过图2.1的关系表达成相同复指数信号的线性组合，并且在输出中的每一个频率的复指数函数上乘以系统在那个频率的频率响应值。使得分析、处理信号变得简单。数字滤波器的设计：IIR滤波器的设计：利用传统的模拟滤波器设计方法。切比雪夫低通滤波器：%低通滤波器设计0~35Hzwp=35;ws=45;%WP通带截止频率，WS阻带截止频率Rp=1;Rs=71;%Rp通带内的最大衰减,Rs阻带内的最小衰减fs=1000;%采样频率[N,wn]=cheb1ord(wp/(fs/2),ws/(fs/2),Rp,Rs);[B,A]=cheby1(N,Rp,wn);freqz(B,A,[],fs)%幅频特性FIR滤波器设计：多采用窗函数和频率取样设计法。椭圆带通滤波器[b_alpha,a_alpha]=ellip(5,1,40,[813]*2/500);freqz(b_alpha,a_alpha,[],500)例题2-11选择合适的窗设计FIR低通滤波器，画出滤波器的单位脉冲响应和该滤波器的幅度响应：解：wp=0.2*pi;ws=0.3*pi;%给出通带频率和阻带频率tr_width=ws-wp;%求过渡带宽度%，hammingwindow即可满足该条件，查表求得窗长度M=ceil(6.6*pi/tr_width);n=[0:1:M-1];wc=(ws+wp)/2;%求截止频率b=fir1(M,wc/pi);%求FIR低通滤波器的系数，默认就是hammingwindowh=b(1:end-1);[hh,w]=freqz(h,[1],'whole');%求滤波器的频率响应hhh=hh(1:255);ww=w(1:255);%由于对称性，画一半图即可%画图subplot(1,2,1);stem(n,h);title('实际脉冲响应')axis([0M-1-0.10.3]);xlabel('n');ylabel('h(n)')subplot(1,2,2);plot(ww/pi,20*log10(abs(hhh)));title('幅度响应（单位：dB）');gridaxis([01-10010]);xlabel('频率（单位：pi）');ylabel('分贝')set(gca,'XTickMode','manual','XTick',[0,0.2,0.3,1])set(gca,'YTickMode','manual','YTick',[-50,0])例2-12】最常碰到的信号处理任务是平滑数据以抑制高频噪声。求几个数据点的平均值是减弱高频噪声的一种简单方法，这种滤波器被称为平滑滤波器或中值滤波器。Y=MEDFILT1(X,N)，如果没有给出N的值，则默认N=3；当N是奇数时Y是X(k-(N-1)/2:k+(N-1)/2)的平均；当N是偶数时，Y是X(k-N/2:k+N/2-1)的平均。三、随机信号基础平稳各态遍历的随机过程：如果随机信号的统计特性与开始进行统计分析的时刻无关，则为平稳随机过程，否则为非平稳随机过程。如果所有样本在固定时刻的统计特征和单一样本在全时间上的统计特征一致，则为各态遍历的随机过程。随机信号通过线性系统的四个关系式1.Py(ej)H(ej)Px(ej)2.Ry(m)Rx(m)h(m)h(m)3.Pxy(ej)H(ej)Px(ej)4.Rxy(m)Rx(m)h(m)四、数字卷积和数字相关卷积和相关运算的程序编写实现线性相关函数：2rxy(m)nx(n)y(nm)相关函数和功率谱的估计估计质量的评估五、维纳滤波相关函数法推导维纳滤波器的维纳－霍夫方程FIR法解维纳霍方程预白化法解维纳霍夫方程六、卡尔曼滤波卡尔曼滤波的状态方程和量测方程卡尔曼滤波的信号模型和估计模型卡尔曼滤波的原理七、随机信号的参数建模AR模型中Y-W方程的推导Y-W方程的估计法：L-D算法推导和编程八、自适应滤波LMS滤波过程自适应滤波的实现第二篇：生物医学信号处理1.生物医学简述1.1生物医学信号概述生物医学信号是人体生命信息的体现，是了解探索生命现象的一个途径。因此，深入进行生物医学信号检测与处理理论与方法的研究对于认识生命运动的规律、探索疾病预防与治疗的新方法以及发展医疗仪器这一高新技术产业都具有极其重要的意义。国内外对于生物医学信号检测处理理论与方法的研究都给予极大的重视。人