生物医学信号属于强噪声背景下的低频微弱信号，它是由复杂的生命体发出的不稳定的自然信号，从信号本身特征、检测方式到处理技术，都不同于一般的信号。
1 生物医学信号的特点
生物医学信号由于受到人体诸多因素的影响，因而有着一般信号所没有的特点。①信号弱，例如从母体腹部取到的胎儿心电信号10~50μV。脑干听觉诱发响应信号小于1μV。②噪声强，由于人体自身信号弱，加之人体又是一个复杂的整体，因此信号易受噪声的干扰。如胎儿心电混有很强噪声，它一方面来自肌电、工频等干扰，另一方面，在胎儿心电中不可避免地含有母亲心电，母亲心电相对我们要提取的胎儿心电则变成了噪声。③频率范围一般较低，除心音信号频谱成份稍高外，其他电生理信号频谱一般较低。④随机性强，生物医学信号不但是随机的，而且是非平稳的。正是因为生物医学信号的这些特点，使得生物医学信号处理成为当代信号处理技术最可发挥其威力的一个重要领域。
2 生物医学信号的分类
生物信号如从电的性质来讲，可以分成电信号和非电信号，如心电、肌电、脑电等属于电信号；其它如体温、血压、呼吸、血流量、脉博、心音等属于非电信号，非电信号又可分为：①机械量，如振动（心音、脉搏、心冲击、Korotkov音等）、压力（血压、气血和消化道内压等）、力（心肌张力等）；②热学量，如体温；③光学量，如光透射性（光电脉波、血氧饱和度等）；④化学量，如血液的pH值、血气、呼吸气体等。如从处理的维数来看，可以分成一维信号和二维信号，如体温、血压、呼吸、血流量、脉博、心音等属于一维信号；而脑电图、心电图、肌电图、X光片、超声图片、CT图片、核磁共振（MRI）图像等则属于二维信号。
3 生物医学信号的检测方法
生物医学信号检测是对生物体中包含生命现象、状态、性质、变量和成份等信息的信号进行检测和量化的技术。生物医学信号处理的研究，是根据生物医学信号的特点，对所采集到的生物医学信号进行分析、解释、分类、显示、存贮和传输，其研究目的一是对生物体系结构与功能的研究，二是协助对疾病进行诊断和治疗。生物医学信号检测技术是生物医学工程学科研究中的一个先导技术，由于研究者所站的立场、目的以及采用的检测方法不同，使生物医学信号的检测技术的分类呈现多样化，具体介绍如下：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；一次量检测、二次量分析检测；分子级检测、细胞级检测、系统级检测。
4 生物医学信号的处理
技术自然界中广泛的生物医学信号是连续的，人们处理生物医学信号的程序一般是先经A/D转换，将其转换成数字信号，然后送到计算机中进行处理。本文对一维信号的处理方法进行探讨。
4.1 时域方法——AEV方法AEV方法原是通信研究中用于提高信噪比的一种叠加平均法，在医学研究中也叫平均诱发反应法，简称AEV（averaged evoked response）方法。所谓诱发反应就是肌体对某个外加刺激所产生的反应，AEV方法常用来检测那些微弱的生物医学信号，如希氏束电图、脑电图、耳蜗电图等。希氏束电图的信号幅度仅1~10μV，它们在用AEV方法检测之前，几乎或完全淹没在很强的噪声中，这些噪声包括自发反应、外界干扰、仪器噪声。AEV方法要求噪声是随机的，并且其协方差为零，信号是周期或重复产生的，这样经过N平方次叠加，信噪比可提高N倍，使用AEV方法的关键是寻找叠加的时间基准点。
4.2 频域滤波方法频域滤波是数字滤波中常用的一种方法，是消除生物医学信号中噪声的另一种有效方法。当信号频谱与噪声频谱很小时，可用频域滤波的方法来消除干扰，频域滤波器可分为两类：FIR（Finite Impulse Response）滤波器，FIR滤波器的设计方法主要有：窗函数法，频率采样法；IIR(Infinite Impulse Response）滤波器，IIR滤波器的主要设计方法有：冲激响应不变法，双线性变换法。
4.3 自适应滤波方法自适应滤波器能够跟踪和适应系统或环境的动态变化，它不需要事先知道信号或噪声的特性，通过采用期望值和负反馈值进行综合判断的方法来改变滤波器的参数。自适应滤波器的设计有两种最优准则，一种准则是使滤波器的输出达到最大的信噪比，称为匹配滤波器；另一种准则是使滤波器的输出均方估计误差为最小，这就是维纳（Wiener）滤波器。维纳滤波器是从噪声中提取信号的一种有效的方法，它是根据全部过去和当前的观测数据来估计信号的当前值，维纳滤波器要求解著名的WienerHopf方程，它是期望存在情况下的线性最优滤波器。卡尔曼（Kalman）从状态空间模型出发，提出了基于状态空间模型的线性最优滤波器即卡尔曼滤波器。 Kalman滤波理论是Wiener滤波理论的发展，它最早用于随机过程的参数估计，后来很快在各最优滤波和最优控制问题中得到了广泛的应用。值得提出的Kalman滤波器提供了推导称作递推最小二乘滤波器的一大类自适应滤波器的统一框架，实际上广泛使用的最小二乘算法即是Kalman算法的一个特例。
4.4 混沌（Chaos）和分形（Fractal）方法混沌和分形理论是一种非线性动力学课题，混沌系统的最大特点是初值敏感性和参数敏感性，即所谓的蝴蝶效应。混沌学研究的是无序中的有序，许多现象即使遵循严格的确定性规则，但大体上仍是无法预测的，比如大气中的湍流、人心脏的跳动等。混沌事件在不同的时间标度下表现出相似的变化模式，与分形在空间标度下表现十分相象，但混沌主要讨论非线性动力系统的不稳、发散的过程。混沌与分形在脑电信号处理的应用中尤为引人注目。自本世纪二十年代发现脑电信号以来，人们对其已进行了大量的研究，然而由于脑电信号的随机性很强，始终难以找到其规律性，无法使脑电信号成为认识大脑思维以及某些属性的有用信息。究其原因是脑电信号是神经元动作电位的无规则的脑电活动，实际上只由少数独立的动力学变量控制着，因此可以用研究混沌动力学的方法来研究人脑的功能。
4.5 小波分析（Wavelet Analysis）方法小波分析是传统傅里叶变换的继承和发展。由于小波的多分辨分析（Multiresolution Analysis）具有良好的空间域和频率域局部化特性，对高频采用逐渐精细的时域或空域取样步长，可以聚焦到分析对象的任意细节，从这个意义上讲，它已被人们誉为数学显微镜。目前，在心电数据的压缩、生物医学信号的信噪分离、QRS波的综合检测、脑电图EEG的时频分析、信号的提取与奇异性检测等方面有了广泛的应用。
4.6 人工神经网络（Artificial Neural Networks）分析方法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，是由大量简单的基本单元（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。生物医学工程工作者采用神经网络的方法来解释许多复杂的生理现象，例如心电和脑电的识别，心电信号的压缩和医学图像的识别和处理。神经网络在微弱生理电信号的检测和处理应用主要集中在对自发脑电EEG的分析和脑干听觉诱发电位的提取。
