Biolääketieteen signaalinkäsittely

Johdanto

Liu Hai Long muokkaa kansallisen life science ja teknologian lahjakkuuksien koulutusperustasarjan opetusmateriaaleja

Päätehtävä

Päätehtävänä on: Biolääketieteellisten signaalien ominaisuuksien, informaatiotieteen perusteorian ja soveltamismenetelmän mukaan tutkia, miten erilaisten biolääketieteellisten signaalien sisältämää tietoa voidaan poimia häiriöiden ja kohinan havaintorekistereistä sekä analysoida, tulkita ja luokitella niitä asteittain.

Biomedical signal processing, According to the characteristics of biomedical signals, analysis, interpretation, classification, display, storage, and transmission of the collected biomedical signals.

Biolääketieteellinen signaali on matalataajuinen heikko signaali voimakkaalla kohinataustalla, joka on epävakaa luonnollinen signaali, jonka lähettää monimutkainen elämä, itse signaalista, tunnistustilasta käsittelyyn Tekniikka eroaa yleisestä signaalista.

Sähkön luonteen perusteella se voidaan jakaa sähköisiin signaaleihin ja ei-sähköisiin signaaleihin, kuten sähkö-, lihassähkö- ja eunda-vastineet; muut, kuten kehon lämpötila, verenpaine, hengitys, verenvirtaus, pulssi, sydän jne. kuuluvat ei-sähköiseen signaaliin, ja ei-sähköinen signaali voidaan jakaa: 1 mekaaninen määrä, kuten tärinä (sydämen ääni, pulssi, sydänshokki, Korotkov-ääni jne.), paine (verenpaine, veri ja ruoansulatuskanava jne.), voima (sydänlihas) Jännitys jne.); 2 lämpötilavuus, kuten kehon lämpötila; 3 optinen määrä, valonläpäisevyys (valosähköinen pulveroidi, veren happisaturaatio jne.); 4 kemikaaleja, kuten pH, verikaasu, hengityskaasu jne. Esimerkiksi käsittelymittojen näkökulmasta se voidaan jakaa yksiulotteisiin signaaleihin ja kaksiulotteisiin signaaleihin, kuten kehon lämpötila, verenpaine, hengitys, verenvirtaus, pulssi, sydämen ääni jne. kuuluvat yksiulotteiseen signaaliin; ja EEG, EKG, Muscle Electric, X Lights, ultraäänikuvat, CT-kuvat ja ydinmagneettiset resonanssikuvat (MM) ovat kaksiulotteisia signaaleja.

Biolääketieteellisen signaalin havaitsemismenetelmä on tekniikka signaalien havaitsemiseksi ja kvantifioimiseksi, jotka käsittävät informaatiota, kuten organismin elämä, tila, luonto, muuttuja ja ainesosat. Biolääketieteellisen signaalinkäsittelyn tutkimus perustuu biolääketieteellisten signaalien ominaisuuksiin, analysoidaan, tulkitsee, luokittelee, tallentaa ja välittää kerätyt biolääketieteelliset signaalit. Sen tutkimustarkoituksena on biologisen arkkitehtuurin ja toiminnan tutkimus. Toiseksi sitä autetaan diagnosoimaan ja hoitamaan sairauksia. Biolääketieteen signaalintunnistustekniikka on pilottiteknologia biolääketieteen tekniikan tieteenalojen tutkimuksessa. Tutkijoiden eri asemien ja käyttötarkoitusten vuoksi biolääketieteellisen signaalintunnistusteknologian luokittelu on monipuolinen, ja konkreettinen johdanto on seuraava: 1 Non-invasiivinen testaus, minimaalisesti invasiivinen testaus, invasiivinen testaus; 2 fyysisessä testauksessa, maanpaossa havaitsemisessa; 3 suora havaitseminen, epäsuora havaitseminen; 4 kosketukseton havaitseminen, kehon pinnan havaitseminen, kehon havaitseminen; 5 biosähköinen havaitseminen, biologinen ei-sähköinen havaitseminen; 6 morfologinen havaitseminen, toiminnallinen havaitseminen; 7 inaktiivinen havaitseminen rajoitustilassa, organismin havaitseminen luonnollisessa tilassa; 8 lähetyksen havaitseminen, heijastusmenetelmä; ⑨ 1-ulotteinen signaalin havaitseminen, moniulotteinen signaalin havaitseminen; ⑩ kaukokartoitustunnistus, moniulotteinen signaalin tunnistus; ⑩ Yhden määrän havaitseminen, toissijainen analyysitesti; ⑩ molekyylitason havaitseminen, solujen havaitseminen, järjestelmätason tunnistus.

Sisällön esittely

Tämä kirja on jaettu 16 lukuun: pääsisältönä on biologisten sähkömagneettisten ilmiöiden mekanismi ja sen mittaus; signaalin perustiedot; havaitsemisen ja arvioinnin tehtävä ja perusperiaate; Match-suodatin, Vina-suodatin, Kalman-suodatin, adaptiivinen suodatusteoria, suunnittelu ja sovellus; tehospektrin estimointi klassinen menetelmä, nykyaikaisten menetelmien perusteoria ja erilaiset estimointialgoritmit; korkealuokkainen spektrianalyysin teoria ja tekninen perusta; elektrokardiogrammi, aivot Sähköinen kartta, aivojen koulutettu potentiaalianalyysi, uuttaminen ja hoito; aivojen hermoverkkojen lisääntymispotentiaalin hoito.

Tämä kirja liittyy tällä hetkellä biologisen signaalinkäsittelyn kattavaan ja järjestelmään. Kirjoittaja on työskennellyt tieteellisen tutkimuksen ja koulutuksen ensimmäisen linjan parissa, joten tämän kirjan klassikot menevät syvälle ja yksinkertaiseen, ja se on tiukka Aiheen eturintamassa. Lisäksi kirjassa on kirjailijan monivuotisen opetustyön mukaan lisää esimerkkejä ja harjoituksia lukijoiden avuksi.

Tätä kirjaa voidaan käyttää oppikirjana biolääketieteen tekniikan perustutkinto-opiskelijoille sekä hakuteoksina biolääketieteellisiä signaaleja käsitteleville tutkijoille.

Kirjaluettelo

Luku 1 Biologisten sähkömagneettisten ilmiöiden synnyttämismekanismi ja sen mittaus

1.1 Yleiskatsaus

1.2 Biologinen sähkömagneettinen ilmiö ja sen tuottomekanismi

1. Biologisten sähkömagneettisten signaalien mittaus ja analyysi

1.4 Biologinen sähkömagneettisen signaalin mittaustekniikka

Harjoittele

Luku 2 Satunnainen signaalianalyysi

2.1 Yleiskatsaus

2.2 Satunnainen signaali

2.3 Yleiset satunnaiset prosessit

2.4 Satunnaisten signaalien liiton ominaisuudet

2,5 diskreettiaikaista satunnaista signaalia

2.6 ei-valkoisen kohinan ortogonaalinen käyttöönotto

Harjoittele

Luku 3 satunnainen signaali lineaarisuuden mukaan Ei tarkistettava järjestelmä

3.1 Yleiskatsaus

3.2 III Lineaarinen Kun järjestelmä

3.3 monipää lineaarinen Kun järjestelmä on muuttumaton järjestelmä

3.4 Diskreetti Satunnaiset signaalit kulkevat lineaarisen vakiojärjestelmän läpi

Harjoittele

Luku 4 signaalintunnistus

4.1 Yleiskatsaus

4.2 Yleiset testausohjeet (testauskriteeri)

4.4 Useita havaintoja

4.4

Harjoittele

Luku 5 parametrien arviointi

5.1 Yleiskatsaus

5.2 Epälineaarinen arvio

5.3 Sovellus

5.4 Arvioitu luonne

5.5 Lineaarinen arvio

Harjoittele

Luku 6 Tehospektrin estimointi klassinen menetelmä

6.1 Yleiskatsaus

6.2 Autokorrelaation estimointi

6.3 Jaksollinen kaavio ja sen arvioinnin laatu

6.4 Parantaa määräaikaista laatumenetelmää

Harjoittele

Luku 7 Tehospektrin estimointi Nykyaikainen menetelmä

7.1 Yleiskatsaus

7.2 Spektriestimointiparametrimallimenetelmä

7.3 AR-malli Yule-Walker yhtälö

7.4 Levinson-i) URBIN-algoritmi

7.5 AR-mallin stabiilius ja sen määritysjärjestys

7.6 Ar-spektrin estimointi

7.7 Litteä suodatin

7.8 Ar Mallin parametrien erotusmenetelmä

7.9 AR-spektrin estimointipoikkeus ja sen korjaaminen

7,10 mA ja ARMA-mallin spektrin estimointi

Harjoittele

Luku 8 Deterministisen signaalin ote

8.1 Yleiskatsaus

8.2 Vastaava suodatin valkoisen kohinan taustalla

8.3 Diskreetti aikaan liittyvä sovitussuodatin

8.4 Aiheeseen liittyvä havaitseminen - Samankaltaisen korotuksen soveltaminen

8.5 Ei-valkoinen kohina Tunnettu signaali tunnetuista signaaleista

8.6 Sovellusesimerkki

8.7 Koherentti keskiarvomenetelmä Poimi aivojen indusoima potentiaali

Harjoittele

Luku 9 Variocal-suodatin

9.1 Yleiskatsaus

9.2 Aaltomuodon lineaarisen arvioinnin ortogonaaliset periaatteet

9.3 Vaja Hof (Wiener-Horf) -integraaliyhtälö

9.4 nonaffordic Vihan filter problem < /> (p

9.6 ennustusongelma

9.7, WiQ-suodatin ja täydentävä Wiwan-suodatin

9.8 vektorin dispersiomuunnossuodatin

9.9 Aika ja tila Monikanavainen erilainen suodatus

9.10 Lineaarimuunnosekvivalentti Diskreetti Vina-suodatin

9.11 Sovellusesimerkki

Harjoittele

Luku 10 Karman-suodatin

10.1 Yleiskatsaus

10.2 Puhtaus Calman-suodatin

10.3 puhdas Yksi askel ennustamiseen

10.4 vektori Karman-suodatin

10.5 sovellusesimerkki

Harjoittele

Luku 11 Mukautuva suodatus

11.1 Yleiskatsaus

11.2 Sivurakenteen satunnaistettu gradienttimenetelmä

11.3 Sovellusesimerkki

11.4 Satunnainen gradienttimenetelmä

11.5 Lomakerakenteen satunnaistettu gradienttimenetelmä

11.6 Aikuisten luokka:

Harjoittele

Luku 12 Korkealuokkainen analyysi

12.1 Yleiskatsaus

12.2 kolmannen asteen korrelaation ja kaksoisprofiilien määritelmä ja sen luonne

12.3 Akkumulaatio- ja spektrimääritelmät ja sen luonne

12.4 Akkumulaatio ja monispektriarvio

12.5 Perustuu korkean asteen spektrin estimointi

12.6 Perustuu korkealuokkaiseen spektriparametrien estimointiin

12.7 Using high order spectrum determination model < / P>

Harjoittele

QRS-kompleksin tunnistus

13.1 Yleiskatsaus

13.2 EKG:n tehospektri

13.3 Rungon suodatusmenetelmä

13.4 Differentiaalimenetelmä

13.5 Mallivastaavuus

13.6 QRS-hylkimisen tunnistusalgoritmi

Harjoitteles

Luku 14 Käsittely rikkoutuneesta EEG:stä

14.1 Yleiskatsaus

14.2 Kuvan EEG-poisto

14.3 Lähes vakaa segmentti

14.4 Ominaisuuden purkaminen – perinteinen menetelmä

14.5 Ominaisuuden purkaminen – moderni menetelmä

Luku 15 kouluttaa EEG:tä

15.1 Yleiskatsaus

15.2 Audiocreciatorin purkaminen ja käsittely

15.3 Visuaalisen indusoidun potentiaalin käsittely

Harjoittele

Luku 16 Aivojen hermoverkon rintojen käsittely

16.1 Yleiskatsaus

16.2 Sytokiinien luokitus

16.5 Liittyy

16.5 Liittyy

16.6

16.6 puhkeamisen (BURST) signaalinkäsittely

Harjoittele

viite