林嵐、吳水才主編的《現(xiàn)代醫(yī)學信號處理》的主要內容有隨機信號分析基礎、平穩(wěn)隨機信號的線性模型及譜估計、維納濾波器與卡爾曼濾波器、自適應濾波、時頻分析與小波變換、主成分分析與獨立成分分析。為加深對基本概念和基本理論的理解,加強對基本方法和基本技能的掌握,本書**章對現(xiàn)代信號處理理論及其數(shù)學基礎進行了扼要的復習,并在各個章節(jié)末安排了習題,書中還給出了某些重要公式的推導過程。現(xiàn)代醫(yī)學信號處理是一門理論和技術發(fā)展十分迅速、應用非常廣泛的前沿交叉性學科。因此在使用本教材時,要特別注意對基本概念、基本理論、基本方法和基本技能的掌握,在此基礎上努力把理論和實際應用很好地結合起來,不斷跟蹤本學科本領域的新發(fā)展。這樣,才有可能在自己的工作和學習中爭取作出創(chuàng)造性的成果。
本書可作為高等學校研究生的學習教材,也可作為報考生物醫(yī)學工程、電子信息專業(yè)及其他相關專業(yè)研究生的復習參考書。
更多科學出版社服務,請掃碼獲取。
目 錄
前言
第1章 隨機信號分析基礎1
l.1信號的分類1
l.1.1信息與信號的概念及性質1
1.1.2信號的一般分類方法3
1.1.3幾種簡單的信號處理方法6
1.2隨機事件及其概率8
1.2.1隨機事件8
1.2.2排列與組合9
1.2.3頻率與概率的定義9
1.3隨機變量及其概率分布10
1.3.1離散型隨機變量定義10
1.3.2離散型隨機變量的分布列11
1.4隨機變量的數(shù)字特征12
1.4.1數(shù)學期望12
1.4.2方差14
1.4.3協(xié)方差和矩16
1.5平穩(wěn)隨機過程17
1.5.1隨機過程的各態(tài)歷經(jīng)性19
1.5.2各態(tài)歷經(jīng)平穩(wěn)隨機過程自相關函數(shù)的性質20
1.6生物醫(yī)學信號的分類及特點22
1.6.1生物醫(yī)學信號的分類22
1.6.2生物醫(yī)學信號的特點24
習題25
參考文獻26
第2章 平穩(wěn)隨機信號的線性模型及譜估計27
2.1平穩(wěn)隨機信號模型分類27
2.2AR 模型29
2.2.1AR模型的正則方程與參數(shù)計算29
2.2.2AR模型譜估計的性質34
2.3MA 翻38
2.3.1MA模型及其正則方程38
2.3.2MA模型的參數(shù)求解方法40
2.4ARMA 模型41
2.5ARMA、MA和AR模型間的關系43
2.6功率譜估計44
2.6.1經(jīng)典功率譜估計44
2.6.2最大熵譜估計方法52
2.7應用舉例55
習題56
參考文獻58
第3章 維納濾波器和卡爾曼濾波器59
3.1概述59
3.2維納濾波器59
3.2.1線性最優(yōu)濾波59
3.2.2正交性原理60
3.2.3最小均方誤差62
3.2.4維納-霍夫方程64
3.2.5維納濾波器的設計與實現(xiàn)68
3.3卡爾曼濾波器76
3.3.1卡爾曼濾波器的初步認識76
3.3.2卡爾曼濾波器的實現(xiàn)82
3.4應用舉例88
習題90
參考文獻91
第4章 自適應濾波93
4.1概述93
4.1.1自適應濾波技術的發(fā)展93
4.1.2自適應濾波器的組成94
4.1.3自適應濾波器原理97
4.2基于最小均方差誤差的自適應濾波100
4.2.1濾波器最優(yōu)化算法100
4.2.2自適應濾波器的性能參數(shù)101
4.2.3最小均方誤差(MMSE)準則與正交原理102
4.2.4均方誤差(MSE)曲面104
4.2.5最小均方誤差濾波器105
4.3LMS自適應濾波110
4.3.1概述110
4.3.2LMS 算法111
4.3.3權矢量噪聲113
4.3.4改進的LMS算法115
4.3.5影響LMS算法性能的因素116
4.4應用舉例117
4.4.1用于脈搏血氧飽和度檢測中消除運動偽差117
4.4.2基于LMS算法的胎兒心電信號提取方法121
習題123
參考文獻126
第5章 時頻分析與小波變換127
5.1概述127
5.1.1時頻分析的基本概念127
5.1.2短時傅里葉變換133
5.2連續(xù)小波變換138
5.3離散小波變換144
5.4多分辨率分析(Mallat算法)147
5.4.1多分辨率分析的概念147
5.4.2小波基的構造148
5.4.3Mallat 算法152
5.5應用舉例154
5.5.1小波在醫(yī)學圖像去噪中的應用154
5.5.2基于小波分析的乳腺X射線圖像鈣化點特征提取160
習題162
參考文獻163
第6章 主成分分析與獨立成分分析164
6.1概述164
6.1.1主成分分析164
6.1.2獨立成分分析165
6.2主成分分析165
6.2.1數(shù)據(jù)降維技術165
6.2.2主成分分析技術166
6.2.3主成分的定義、性質與求法170
6.3獨立成分分析173
6.3.1多元數(shù)據(jù)的線性表示173
6.3.2盲源分離174
6.3.3獨立成分分析模型177
6.3.4獨立成分分析模型的估計方法184
6.4應用舉例188
6.4.1主成分分析在腦年齡預測建模中的應用188
6.4.2獨立成分分析在醫(yī)學信號處理中的應用189
習題191
參考文獻191