生物信息的检测与诊断
出处：按学科分类—自然科学总论 北京出版社《现代科技综述大辞典上》第1284页（3260字）
“生物信息”泛指反映生物体生理的或病理特征的信息。
信号是信息的载体。反映生物信息的信号可能是生物体本身产生的所谓“主动信号”，如各种电生理信号(心电图、脑电图、肌电图等)和非电生理信号(如体温、血压、脉搏等)，也可能是所谓“被动信号”，即外界施加于人体的、把人体视为信号的通道而对之进行探查的信号，如超声波、同位素、X射线等。后一情况下关于生理、病理状况的信息将通过被动信号的某些参数来携带。从观察得的各种生物信号中分析提取有关生理、病理信息是检测的任务；而根据检测结果对受试者的生理、病理情况进行评价，则是诊断的任务。
检测 检测时要解决的第一个问题是把待测信息转换成可以测量的信号，这就是传感器的任务。它们是以各种物理的、化学的、生物的现象为基础的。物理现象如光电、压电、压阻、磁敏、热敏、光学纤维等，化学现象如气敏、离子选择敏感、湿敏等。它们可以用于测量血压、心音、血流、呼吸、体温、运动信息以及各种电生理参数。
近年来，生物传感器是传感器的前沿研究方向，它与分子生物学的发展密切相关，建立在生物活性物质能选择地识别各种生物化学成分的基础上，形成并固定生物功能膜从而达到传感目的。
酶传感器、免疫传感器以及进一步的细胞传感器、组织传感器等，将它们集成化后构成各种生物芯片。生物传感器的特点是选择性好、灵敏度高，但性能不够稳定。微型化的生物传感器可能实现各种深层次生理量的实时、在体检测。
检测的核心任务是从被噪声干扰的观察信号中将有关信息提取出来。由于生物信息随机性强，背景噪声也强，因此信息的检测、提取要建立在统计信号处理的基础上。匹配滤波用于检测淹没在强随机噪声中的确定性信号。
50年代建立起来的维纳滤波理论和60年代建立起来的卡尔曼滤波理论都是在理想要求与实际处理结果的误差均方最小的意义下从噪声中提取随机信号的线性最优方法。
后者是一种递归算法，更能适应信号的非平稳性。但是，不论维纳滤波或卡尔曼滤波都是以信号和噪声的一、二阶统计知识已知(或已作出估计)为前提。
20世纪80年代以来，由于自适应处理技术可以在没有先验统计知识的前提下通过递归计算来逼近最优解，更能适应生物信号多为非平稳的实际情况，因而很受重视。从处理算法上看，可以分成随机梯度法与递归最小二乘法两大类。80年代后期以来发展起来的各种快速递归最小二乘算法，由于比随机绨度法收敛速度快，数值性能好，因而在微型机上实时应用有良好前景。目前该适应方法已广泛应用于儿乎所有生物信号和生理信号的分析研究中。
处理生物生理信号的另一重要途径是建立所谓“参数模型”，即把生物信号看成由白噪声激励某一线性(或非线性)系统所产生，设法由观察数据确定模型的结构和参数。参数模型既反映信号的随机性一面(激励白噪各次取值是不可预测的)，又反映信号在一定程度上的可预测性(模型的结构和参数是确定性的)，它不但是检测生物信号的有效手段，而且为进一步提取特征以便对信号分类作好准备。
近年来，生物信息检测的研究进展主要有以下几方面：
(1)强噪背景下微弱生理信号的动态提取：累加平均是检测微弱生理信号的常用方法。但是，累加平均所得结果只是若干次纪录的平均结果、不能用于研究生理信号的逐次(或逐心拍)的动态发展。因此，如何由单次记录中稳健可靠地提取生理信息成为一个研究前沿课题。
(2)多道生理信号的同步观察与检测：人体生理信号是分布在体内、表现在体表上的。因此，从体表多处同时取得多道信号，再经计算机处理得出综合信息，是从生物信号中提取有关信息的有效途径，如心电图的体表标记、脑电图的地形图映射以及有关的逆运算(由体表测量值反推生理电的电流偶极子源)等都是例子。在这方面要特别注意发展时间、空间、频率3域结合起来的检测方法和把时间、频率两者结合起来表示信号的方法。
(3)无创检测与插入式检测：从具体技术上看，无创检测和植入式检测是人们努力的两个目标。前者为在生物活体上实时检测创造条件；后者则将检测器件埋植于体内，通过电或光的遥测系统与体外联系，以供长期监测，诸如各种遥测胶囊、植入式人工器官、植入式药疗系统都是研究中的课题。
传感器与检测器合一的集成微系统及材料的生物共容性则是发展中要解决的关键问题。
诊断 诊断的实质是进行模式分类。日常生活中医师从问诊、检查到作出疾病判断就是从特征提取到作出决策的模式识别过程。只是在这一过程中医师的经验起主导作用。
随着计算机技术的发展，人们便把它引入诊断中来，从而把疾病的诊断在精确数量化的基础上实现自动化。
自动诊断在初期主要是应用贝叶斯定理、极大似然法及逻辑判断决策方法解决疾病的鉴别诊断问题。
其后各种统计分析方法逐步引入，多元统计方法成为主要方法。诸如分枝理论判别分析、聚类分析、回归分析、相关分析、因子分析、主成分分析等都被引用来进行疾病的自动诊断。
结构(句法)模式识别与模糊模式识别是这一领域的进一步发展。前者的特点是从信息的上下文关系上进行识别，后者则能模仿人类认知活动的特点，对难以定量描述的特征有较强概括能力。
与人工智能特别是专家系统相结合是自动诊断的发展方向。由于生命过程的复杂性，只依靠以算法为基础的检测判决理论不能很好解决问题。
其发展的总趋势是智能识别，即从局限于单纯工程算法实现走向综合感知机制的多级推理结构。
最早的专家系统MYSIN正是用于传染及抗生素应用的医学专家系统。在国外，一些新建立的医学数据处理系统常把信号处理与专家系统结合起来，把知识用规则的或语义形式编码来解释和分析各种临床信息，既可以从生理信号多导记录的时间及空间关系上消除伪差，进行预处理，又可以建立一个解析的信号处理模块，在以规则为基础的系统内解释观测得到的信号。另一类应用是把支持医学决策的专家系统与临床数据库连接起来，从而为医生对患者的查询提供药物的和化验的信息，并支持医生作出关于判断和治疗方案的决断。
。【参考文献】：1 杨福生．国外医学生物医学工程分册，1992，15(4)：203～212
2 Petvin A R. Report of IEEE Task Force-An IEEE Opinion on Reseach Needs for Biomedical Engineering System, IEEE Trans on BME,1986,33(1) :48～59
3 Cohen L. Biomedical Signal Processing,New York:CrC Press, 1986
4 Chiledr D G. Biomedical Signal Processing, In Haykined. , Selected Topics in Signal Processing,Prentice Hall, 1989, 465-512
5 杨福生，高上凯．生物医学信号处理．北京：高等教育出版社，1989
(清华大学杨福生教授撰)