身體里的電信號，你感應到了嗎：淺析生物電表型

周利鋼 陳晨 羅競春 陳煒

生物電包含自發生物電和誘發生物電。前者為無需外接刺激、由細胞或組織自行產生，臨床上通常用于監測健康狀況及身體狀態；后者是外界對生物體、細胞或組織施加刺激而產生，一般是生物體、細胞或組織對外界刺激的響應，在事件識別及腦機接口等領域有較為廣泛的應用。

生物電的產生

生物電的產生依賴于細胞膜電位或極性狀態的改變[1]，其根本因素是細胞內外離子的分布狀態的變化，而離子的分布情況與細胞膜上的離子通道和離子泵及其功能息息相關。細胞膜主要由磷脂雙分子層、蛋白質、糖脂及糖蛋白等構成，它是控制物質進出細胞的重要結構；嵌入磷脂雙分子層中的通道蛋白和載體蛋白分別構成離子通道和離子泵，它們控制膜內外離子進出細胞。生物電的產生與離子通道和離子泵的狀態及功能有關，而離子通道和離子泵是由特定的蛋白質構成的，其本質是基因表達的產物。由此，從生物電的產生到基因的表達之間形成了一條完整的關聯鏈，為后續對生物電表型及基因之間的內在規律研究提供了理論依據。

細胞在靜息和興奮時，其細胞膜電位分別呈現靜息電位和動作電位兩種狀態。處于靜息電位時膜內外兩側電位差呈“內負外正”的極化狀態，其產生機制主要是膜內的鉀離子及部分鈉離子分別經離子通道和離子泵外流，該離子泵俗稱“鈉鉀泵”，最終導致膜外帶正電的鉀離子與鈉離子濃度高于膜內，形成“內負外正”的靜息電位，即處于極化狀態。動作電位是指可興奮的細胞受到刺激時，在靜息電位基礎上發生快速的擴散性電位變化，此時膜內外電位呈“內正外負”的去極化狀態，當細胞受到一定程度刺激產生興奮時，離子通道及離子泵活性狀態發生改變，大量鈉離子及部分鉀離子流入細胞膜內，導致膜內鉀離子與鈉離子濃度高于膜外帶正電的離子濃度，此過程稱為去極化，從而產生動作電位即興奮。興奮在細胞膜上雙向傳播，直至細胞膜電位的復極化完成。由此可見，生物電主要由細胞膜靜息電位和動作電位相互變換而產生，其本質為細胞膜兩側電位的極化與復極化過程，即細胞膜兩側帶電離子分布的變化。

生物電信號采集

生物電作為一種電信號，能直接被金屬電極獲取并傳至記錄裝置。根據采集時電極的放置位置，生物電采集可分為侵入式采集法和非侵入式采集法。前者需要將電極植入身體內部，直接與生物電產生部位接觸，此方法電極靠近信號源，信噪比相對較強，對人體會造成一定損害；后者只需將電極貼在生物電產生處外面，信噪比相對較弱，信號容易受干擾，對人體幾乎沒有傷害。

生物電采集系統通常由傳感器/電極、導線、信號調理模塊、信號采樣模塊、信號記錄存儲模塊組成。其中，傳感器一般為具一定形態結構的金屬電極，如盤狀/金杯電極、水滴型心電電極、爪型電極等，它們與信號產生部位接觸并通過導線將信號傳至后續電路；信號調理模塊對生物電信號在模擬信號層面進行濾波、放大；信號采樣模塊則將經調理后的生物電模擬信號量化為數字信號；最終由信號記錄存儲模塊完成對數字化生物電信號的存儲，之后，一般由上位機（電腦、手機等終端設備）配合處理分析軟件，完成對生物電信號的處理和分析，此過程中也可對數字化生物電信號進行數字濾波、陷波等數字信號的調理操作。

隨著電子技術和計算機技術的發展，同時采集多通道、多模態信號變得越來越便捷。通過增加生物電信號采集的通道數及類別數，可以收集更多有效信息用于后續數據處理與分析，從而獲得對身體狀況更加全面的了解，這在一定程度上可以提高后續應用的準確率及泛化性。

單通道生物電信號為一種時序信號，多通道所構成的結構分布及其各節點上所攜帶的生物電信號共同組成一種“圖信號”。因此，我們可以通過對各類信號使用不同的信號分析手段獲得生物電信號的一系列表型特征，由此獲得的表型特征可以主要分為時域、變換域及空間域特征。

生物電表型特征

簡言之，用于表征生物體電位或極性變化的宏觀特征統稱為生物電表型。單通道生物電信號是一種時序電信號，采樣后可通過數字信號處理方式提取其各類特征。通常，時序信號有多種表示方法，最基本的是在時間域中使用“幅值—時間”坐標對其進行表示，通過變換，還可使用其他方法表示，如頻域表示法、時頻域表示法等。這些用不同表示法呈現出來的各類特征就是生物電表型。此外，通過統計學、信息論等方法同樣可以得到它們的某些表型特征，如序列熵等。對于多通道生物電信號，除包含單通道生物電信號表型外，其全部通道構成的拓撲結構及其內部聯系同樣可作為一種生物電表型。

依據各類表型特征提取方法的不同，表型特征通常可分為四大類：基礎特征、網絡特征、統計學特征，以及通過深度學習提取的特征，即深度神經網絡特征。

基礎特征 包括時域特征（如幅值、均值、標準偏差、方差、過零點、短時過零點均值等）、頻域特征（如功率譜密度函數、頻域幅值均值、重心頻率、頻率方差、δ、 θ、 α和 β各頻段頻譜的曲線下面積[μV*ms]，平均幅度[μV]以及幅度總和[μV]等）、時頻域特征（如梅爾譜、小波系數的均值、方差等），時頻域特征中對信號有兩個觀察面，能同時觀察其時間—頻率—幅度之間的關系，如通過短時傅里葉變換或小波變換等方法可獲得信號的時頻域表達。

網絡特征 對于多通道生物電信號，其分布的拓撲結構及其內在聯系往往也是一種不容忽視的表型特征，如通道的拓撲結構、特征路徑長度、節點度的均值、平均聚類系數等。

統計學特征 利用統計學方法對信號的時域、頻域等表達形式進行分析可以得到統計學特征，例如：信號的樣本熵、符號序列熵、功率譜熵、雙譜熵等。

深度神經網絡特征 該表型特征由深度神經網絡自動完成提取，所得特征可解釋性較弱，但通常也能表征信號的某種特征并達到較好的分類效果，如：卷積神經網絡所提取的特征圖像、循環神經網絡及長短時記憶神經網絡所提取的時序特征以及圖神經網絡所提取的結構特征。

生物電表型的研究內涵

在我國傳統醫學中，常將人體看作一個系統，講究“陰陽調和”，身體以“氣”為能源，進行生命活動，一些看似無法理解的醫療手段有時竟能獲得意想不到的療效，而近代醫學又常常過度關注于具體病灶位，忘卻了人體作為一個系統的存在。因此，現代醫學只有兼具具體化視角與系統化視角，才能全面細致地剖析了解人體的各種狀況。人類表型組中，各表型之間是相互關聯的，其中生物電表型就參與了生命活動過程中的多個環節。

生物電表型與睡眠

在睡眠表型研究中，常使用部分生物電作為睡眠質量評判及睡眠疾病評估的金標準，例如，使用可同時采集腦電、心電、肌電、皮膚電等各類生物電信號的多導睡眠圖（polysomnography， PSG）對睡眠階段進行分期，并建立分期標準。

生物電表型與心臟

臨床上，常使用心電表型對心臟進行健康或疾病監測，如心臟是否存在早搏、異常起搏點以及心律失常等心臟疾病。心電表型與心臟的健康狀況息息相關，它是一種較簡單的成本較低的獲取心臟內部信息的方式。基于深度學習對靜息心電進行分析，實現對心率恢復受損癥狀的識別，心率恢復是心臟自主神經功能障礙的重要指標，該方法可以達到95%以上的識別準確率[2]。在智慧穿戴設備中，心電已被廣泛應用于監測心臟健康狀況，如華為、蘋果手表的心電監測功能。

生物電表型與腦

腦電圖也是一種非常重要的功能性神經影像學檢查工具，在一項研究中被認為是癲癇術前評估的標準工具[3]，并已用于對癲癇[4]、精神分裂癥[5]、阿爾茨海默病等疾病的檢測與診斷中。此外，腦電表型特征還被用于對癲癇發作區域的定位與識別[6]以及實現對阿爾茨海默病患者及健康被試者的識別，準確率最高能達90.91% [7]。

生物電表型與腦機接口、人機交互

生物電信號表型除可應用到健康監測、疾病診斷與識別、疾病治療等健康相關過程中，還可實現對行為、意圖與狀況進行預測與識別，如：腦機接口[8]、疲勞識別[9]等。

諸多影視作品中對腦機接口的未來有各種大膽的設想，如《黑客帝國》的主角在腦上連接機器便進入虛擬世界。現實中也涌現出大量研究腦機接口的公司，如澳大利亞Synchron公司，馬斯克的Neuralink公司等，前者已通過向漸凍癥患者大腦內植入電極實現簡單的“是與否”意念識別，此功能有望幫助漸凍癥患者在手機或電腦上進行文字輸入，后者通過在猴子腦上植入腦機接口，實現讓猴子用“意念”控制計算機完成相應操作。其本質是通過腦機接口技術獲取人體生物電信號并對其進行處理與分析，依據各類生物電表型與人類意圖之間的關聯完成對“意念”的模式識別，進而對其終端設備進行控制與輸出，這是一種從人體到機器的單向信息流腦機接口技術。當然，也有從機器到人體信息流的腦機接口技術，該技術最著名的應用為人工耳蝸，通過采集外界環境的聲音并將其轉換為電信號作用于聽覺神經并產生神經沖動，使得失聰患者能夠獲取外界聲音信息。雙向信息流、多模態信號以及無創便攜性則是人們對腦機接口技術未來的暢想和努力方向。隨著材料科學、電子技術、信號處理及加工工藝等的進步，腦機接口在醫療健康、人機交互等方面將大有用武之地。

在智能設備領域，肌電被廣泛用于姿態識別，如利用循環神經網絡對肌電進行處理與分析，實現在線手勢識別[10]，此類研究為人機交互提供了一種新的思路。在人體狀態識別研究領域，眼電以及皮膚電可用于識別人體的專注程度與緊張程度，同時，也可廣泛用于多模態信號分析過程中。此外，對生物電表型與基因型進行對照分析同樣是探索表型與基因內在聯系的一個方向。

綜上，對生物電表型的研究將有助于發現并催生更多健康監測與疾病檢測的技術，對人類醫療健康事業的進步具有重要意義，生物電表型在新型人機交互模式如腦機接口、隔空手勢等技術上也將得到廣泛關注和應用，是未來生產生活方式的可行的探索方向。

結 論

生物電表型源自微觀的細胞或組織間的交流過程，表現為宏觀上電信號在時域上的變化，通過多通道多模態生物電信號分析其在分布上的特征，同樣是一項人體重要的宏觀表型。生物電作為人體重要的生理信號，其表型特征與人體的健康狀況、心理活動、生理特征及生長發育息息相關。生物電信號產生及傳播過程中，我們并不能感應到它的存在，但其所攜帶的信息無時不在表達著我們當前的健康狀態及未來的某種趨勢，通過對生物電表型與其他表型組學的聯合分析，可為研究提供新思路，并有望改善當前醫療健康及智能設備領域的研究環境。

[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.

關鍵詞：生物電 數據采集 生物電表型 腦機接口 ■