身体里的电信号，你感应到了吗：浅析生物电表型

周利钢 陈晨 罗竞春 陈炜

生物电包含自发生物电和诱发生物电。前者为无需外接刺激、由细胞或组织自行产生，临床上通常用于监测健康状况及身体状态；后者是外界对生物体、细胞或组织施加刺激而产生，一般是生物体、细胞或组织对外界刺激的响应，在事件识别及脑机接口等领域有较为广泛的应用。

生物电的产生

生物电的产生依赖于细胞膜电位或极性状态的改变[1]，其根本因素是细胞内外离子的分布状态的变化，而离子的分布情况与细胞膜上的离子通道和离子泵及其功能息息相关。细胞膜主要由磷脂双分子层、蛋白质、糖脂及糖蛋白等构成，它是控制物质进出细胞的重要结构；嵌入磷脂双分子层中的通道蛋白和载体蛋白分别构成离子通道和离子泵，它们控制膜内外离子进出细胞。生物电的产生与离子通道和离子泵的状态及功能有关，而离子通道和离子泵是由特定的蛋白质构成的，其本质是基因表达的产物。由此，从生物电的产生到基因的表达之间形成了一条完整的关联链，为后续对生物电表型及基因之间的内在规律研究提供了理论依据。

细胞在静息和兴奋时，其细胞膜电位分别呈现静息电位和动作电位两种状态。处于静息电位时膜内外两侧电位差呈“内负外正”的极化状态，其产生机制主要是膜内的钾离子及部分钠离子分别经离子通道和离子泵外流，该离子泵俗称“钠钾泵”，最终导致膜外带正电的钾离子与钠离子浓度高于膜内，形成“内负外正”的静息电位，即处于极化状态。动作电位是指可兴奋的细胞受到刺激时，在静息电位基础上发生快速的扩散性电位变化，此时膜内外电位呈“内正外负”的去极化状态，当细胞受到一定程度刺激产生兴奋时，离子通道及离子泵活性状态发生改变，大量钠离子及部分钾离子流入细胞膜内，导致膜内钾离子与钠离子浓度高于膜外带正电的离子浓度，此过程称为去极化，从而产生动作电位即兴奋。兴奋在细胞膜上双向传播，直至细胞膜电位的复极化完成。由此可见，生物电主要由细胞膜静息电位和动作电位相互变换而产生，其本质为细胞膜两侧电位的极化与复极化过程，即细胞膜两侧带电离子分布的变化。

生物电信号采集

生物电作为一种电信号，能直接被金属电极获取并传至记录装置。根据采集时电极的放置位置，生物电采集可分为侵入式采集法和非侵入式采集法。前者需要将电极植入身体内部，直接与生物电产生部位接触，此方法电极靠近信号源，信噪比相对较强，对人体会造成一定损害；后者只需将电极贴在生物电产生处外面，信噪比相对较弱，信号容易受干扰，对人体几乎没有伤害。

生物电采集系统通常由传感器/电极、导线、信号调理模块、信号采样模块、信号记录存储模块组成。其中，传感器一般为具一定形态结构的金属电极，如盘状/金杯电极、水滴型心电电极、爪型电极等，它们与信号产生部位接触并通过导线将信号传至后续电路；信号调理模块对生物电信号在模拟信号层面进行滤波、放大；信号采样模块则将经调理后的生物电模拟信号量化为数字信号；最终由信号记录存储模块完成对数字化生物电信号的存储，之后，一般由上位机（电脑、手机等终端设备）配合处理分析软件，完成对生物电信号的处理和分析，此过程中也可对数字化生物电信号进行数字滤波、陷波等数字信号的调理操作。

随着电子技术和计算机技术的发展，同时采集多通道、多模态信号变得越来越便捷。通过增加生物电信号采集的通道数及类别数，可以收集更多有效信息用于后续数据处理与分析，从而获得对身体状况更加全面的了解，这在一定程度上可以提高后续应用的准确率及泛化性。

单通道生物电信号为一种时序信号，多通道所构成的结构分布及其各节点上所携带的生物电信号共同组成一种“图信号”。因此，我们可以通过对各类信号使用不同的信號分析手段获得生物电信号的一系列表型特征，由此获得的表型特征可以主要分为时域、变换域及空间域特征。

生物电表型特征

简言之，用于表征生物体电位或极性变化的宏观特征统称为生物电表型。单通道生物电信号是一种时序电信号，采样后可通过数字信号处理方式提取其各类特征。通常，时序信号有多种表示方法，最基本的是在时间域中使用“幅值—时间”坐标对其进行表示，通过变换，还可使用其他方法表示，如频域表示法、时频域表示法等。这些用不同表示法呈现出来的各类特征就是生物电表型。此外，通过统计学、信息论等方法同样可以得到它们的某些表型特征，如序列熵等。对于多通道生物电信号，除包含单通道生物电信号表型外，其全部通道构成的拓扑结构及其内部联系同样可作为一种生物电表型。

依据各类表型特征提取方法的不同，表型特征通常可分为四大类：基础特征、网络特征、统计学特征，以及通过深度学习提取的特征，即深度神经网络特征。

基础特征 包括时域特征（如幅值、均值、标准偏差、方差、过零点、短时过零点均值等）、频域特征（如功率谱密度函数、频域幅值均值、重心频率、频率方差、δ、 θ、 α和 β各频段频谱的曲线下面积[μV*ms]，平均幅度[μV]以及幅度总和[μV]等）、时频域特征（如梅尔谱、小波系数的均值、方差等），时频域特征中对信号有两个观察面，能同时观察其时间—频率—幅度之间的关系，如通过短时傅里叶变换或小波变换等方法可获得信号的时频域表达。

网络特征 对于多通道生物电信号，其分布的拓扑结构及其内在联系往往也是一种不容忽视的表型特征，如通道的拓扑结构、特征路径长度、节点度的均值、平均聚类系数等。

统计学特征 利用统计学方法对信号的时域、频域等表达形式进行分析可以得到统计学特征，例如：信号的样本熵、符号序列熵、功率谱熵、双谱熵等。

深度神經网络特征 该表型特征由深度神经网络自动完成提取，所得特征可解释性较弱，但通常也能表征信号的某种特征并达到较好的分类效果，如：卷积神经网络所提取的特征图像、循环神经网络及长短时记忆神经网络所提取的时序特征以及图神经网络所提取的结构特征。

生物电表型的研究内涵

在我国传统医学中，常将人体看作一个系统，讲究“阴阳调和”，身体以“气”为能源，进行生命活动，一些看似无法理解的医疗手段有时竟能获得意想不到的疗效，而近代医学又常常过度关注于具体病灶位，忘却了人体作为一个系统的存在。因此，现代医学只有兼具具体化视角与系统化视角，才能全面细致地剖析了解人体的各种状况。人类表型组中，各表型之间是相互关联的，其中生物电表型就参与了生命活动过程中的多个环节。

生物电表型与睡眠

在睡眠表型研究中，常使用部分生物电作为睡眠质量评判及睡眠疾病评估的金标准，例如，使用可同时采集脑电、心电、肌电、皮肤电等各类生物电信号的多导睡眠图（polysomnography， PSG）对睡眠阶段进行分期，并建立分期标准。

生物电表型与心脏

临床上，常使用心电表型对心脏进行健康或疾病监测，如心脏是否存在早搏、异常起搏点以及心律失常等心脏疾病。心电表型与心脏的健康状况息息相关，它是一种较简单的成本较低的获取心脏内部信息的方式。基于深度学习对静息心电进行分析，实现对心率恢复受损症状的识别，心率恢复是心脏自主神经功能障碍的重要指标，该方法可以达到95%以上的识别准确率[2]。在智慧穿戴设备中，心电已被广泛应用于监测心脏健康状况，如华为、苹果手表的心电监测功能。

生物电表型与脑

脑电图也是一种非常重要的功能性神经影像学检查工具，在一项研究中被认为是癫痫术前评估的标准工具[3]，并已用于对癫痫[4]、精神分裂症[5]、阿尔茨海默病等疾病的检测与诊断中。此外，脑电表型特征还被用于对癫痫发作区域的定位与识别[6]以及实现对阿尔茨海默病患者及健康被试者的识别，准确率最高能达90.91% [7]。

生物电表型与脑机接口、人机交互

生物电信号表型除可应用到健康监测、疾病诊断与识别、疾病治疗等健康相关过程中，还可实现对行为、意图与状况进行预测与识别，如：脑机接口[8]、疲劳识别[9]等。

诸多影视作品中对脑机接口的未来有各种大胆的设想，如《黑客帝国》的主角在脑上连接机器便进入虚拟世界。现实中也涌现出大量研究脑机接口的公司，如澳大利亚Synchron公司，马斯克的Neuralink公司等，前者已通过向渐冻症患者大脑内植入电极实现简单的“是与否”意念识别，此功能有望帮助渐冻症患者在手机或电脑上进行文字输入，后者通过在猴子脑上植入脑机接口，实现让猴子用“意念”控制计算机完成相应操作。其本质是通过脑机接口技术获取人体生物电信号并对其进行处理与分析，依据各类生物电表型与人类意图之间的关联完成对“意念”的模式识别，进而对其终端设备进行控制与输出，这是一种从人体到机器的单向信息流脑机接口技术。当然，也有从机器到人体信息流的脑机接口技术，该技术最著名的应用为人工耳蜗，通过采集外界环境的声音并将其转换为电信号作用于听觉神经并产生神经冲动，使得失聪患者能够获取外界声音信息。双向信息流、多模态信号以及无创便携性则是人们对脑机接口技术未来的畅想和努力方向。随着材料科学、电子技术、信号处理及加工工艺等的进步，脑机接口在医疗健康、人机交互等方面将大有用武之地。

在智能设备领域，肌电被广泛用于姿态识别，如利用循环神经网络对肌电进行处理与分析，实现在线手势识别[10]，此类研究为人机交互提供了一种新的思路。在人体状态识别研究领域，眼电以及皮肤电可用于识别人体的专注程度与紧张程度，同时，也可广泛用于多模态信号分析过程中。此外，对生物电表型与基因型进行对照分析同样是探索表型与基因内在联系的一个方向。

综上，对生物电表型的研究将有助于发现并催生更多健康监测与疾病检测的技术，对人类医疗健康事业的进步具有重要意义，生物电表型在新型人机交互模式如脑机接口、隔空手势等技术上也将得到广泛关注和应用，是未来生产生活方式的可行的探索方向。

结 论

生物电表型源自微观的细胞或组织间的交流过程，表现为宏观上电信号在时域上的变化，通过多通道多模态生物电信号分析其在分布上的特征，同样是一项人体重要的宏观表型。生物电作为人体重要的生理信号，其表型特征与人体的健康状况、心理活动、生理特征及生长发育息息相关。生物电信号产生及传播过程中，我们并不能感应到它的存在，但其所携带的信息无时不在表达着我们当前的健康状态及未来的某种趋势，通过对生物电表型与其他表型组学的联合分析，可为研究提供新思路，并有望改善当前医疗健康及智能设备领域的研究环境。

[1]Adams D S. What is bioelectricity？ Bioelectricity， 2019， 1（1）： 3-4.

[2]Diamant N， Di Achille P， Weng L C， et al. Deep learning on resting electrocardiogram to identify impaired heart rate recovery. Cardiovascular Digital Health Journal， 2022， 3（4）：161-170.

[3]Pinto M F， Leal A， Lopes F， et al. A personalized and evolutionary algorithm for interpretable EEG epilepsy seizure prediction. Scientific Reports， 2021， 11（1）： 3415.

[4]Ya？mur F D， Sertba？ A. Automatic diagnosis of epilepsy from eeg signals using discrete cosine transform； proceedings of the 2020 28th Signal Processing and Communications Applications Conference （SIU）， F 5-7 Oct. 2020， 2020.

[5]Vázquez M A， Maghsoudi A， Mari？o I P. An interpretable machine learning method for the detection of schizophrenia using EEG signals. 2021， 15.

[6]C？lasun M H， Yal？？n H. A deep learning approach to EEG based epilepsy seizure determination； proceedings of the 2016 24th Signal Processing and Communication Application Conference （SIU）， F 16-19 May 2016， 2016.

[7]Biagetti G， Crippa P， Falaschetti L， et al. Classification of Alzheimers disease from EEG signal using Robust-PCA feature extraction. Procedia Computer Science， 2021， 192： 3114-3122.

[8]Abiri R， Borhani S， Sellers E W， et al. A comprehensive review of EEG-based brain-computer interface paradigms. Journal of Neural Engineering， 2019， 16（1）. DOI：10.1088/1741-2552/aaf12e.

[9]Gao Z K， Wang X M， Yang Y X， et al. EEG-based spatio-temporal convolutional neural network for driver fatigue evaluation. IEEE Transactions on Neural Networks and Learning Systems， 2019， 30（9）： 2755-2763.

[10]Sim？o M， Neto P， Gibaru O. EMG-based online classification of gestures with recurrent neural networks. Pattern Recognition Letters， 2019， 128： 45-51.

關键词：生物电 数据采集 生物电表型 脑机接口 ■