01 / 导读
导读
引用
Semmlow, J. L., & Griffel, B. (2014). Biosignal and Medical Image Processing (3rd ed.). CRC Press.
章节概要
第三版共十七章和两个附录（Numerical Integration in MATLAB；Useful MATLAB Functions），依目录不同约 600–630 页。多数章节以小结和习题（或练习）结束，出版社称全书使用 MATLAB 及其若干工具箱。全书从信号基础和经典谱分析出发，经过滤波和时频方法，到多变量与非线性分析，再到图像，最后以两章分类收尾。出版社指出，第三版新增了两章关于描述和分类信号的非线性方法。
第1–2章：Introduction（导论）；Biosignal Measurements, Noise, and Analysis（生物信号测量、噪声与分析）
第1章讲生物信号与测量链：换能器、放大器/检测器、模拟信号处理与滤波器、模数转换和数据库。第2章讲生物信号本身、噪声，以及通过数据函数和变换进行的信号分析。
第3–5章：Spectral Analysis: Classical Methods（谱分析：经典方法）；Noise Reduction and Digital Filters（降噪与数字滤波器）；Modern Spectral Analysis: The Search for Narrowband Signals（现代谱分析：寻找窄带信号）
第3章从傅里叶级数分析和功率谱出发，包括用 Welch 方法做谱平均。第4章讲用集合平均降噪、Z 变换，以及有限冲激响应和无限冲激响应滤波器。第5章转向参数方法和非参数的特征分析频率估计，目标是找出窄带信号。
第6–7章：Time-Frequency Analysis（时频分析）；Wavelet Analysis（小波分析）
第6章讲短时傅里叶变换与谱图、Wigner-Ville 分布和 Cohen 类分布。第7章介绍连续与离散小波变换，以及用小波包做特征检测。
第8–9章：Optimal and Adaptive Filters（最优与自适应滤波器）；Multivariate Analyses: Principal Component Analysis and Independent Component Analysis（多变量分析：主成分分析与独立成分分析）
第8章包括 Wiener 滤波器、自适应信号处理和相敏检测。第9章从线性变换开始，讲主成分分析和独立成分分析。
第10–11章：Chaos and Nonlinear Dynamics（混沌与非线性动力学）；Nonlinearity Detection: Information-Based Methods（非线性检测：基于信息的方法）
出版社说，本版新增了两章关于非线性方法的内容，目录中此处正好有两个这样的章节。第10章讲非线性系统、相空间、嵌入参数的估计、Lyapunov 指数、关联维数，以及检验非线性的替代数据法。第11章讲信息与规则性、互信息函数、谱熵、基于相空间的熵方法和去趋势波动分析。
第12–15章：图像处理
第12章 Fundamentals of Image Processing: The MATLAB Image Processing Toolbox（图像处理基础：MATLAB 图像处理工具箱）讲图像格式、显示、存储、算术运算和分块处理。第13章 Image Processing: Filters, Transformations, and Registration（图像处理：滤波、变换与配准）讲二维傅里叶变换、线性滤波、空间变换和配准。第14章 Image Segmentation（图像分割）讲基于像素、基于连续性、多阈值、形态学和基于边缘的方法。第15章 Image Acquisition and Reconstruction（图像采集与重建）概述成像方式、CT、PET 和 SPECT、磁共振成像和功能磁共振成像。
第16–17章：Classification I: Linear Discriminant Analysis and Support Vector Machines（分类 I：线性判别分析与支持向量机）；Classification II: Adaptive Neural Nets（分类 II：自适应神经网络）
第16章讲线性判别器、分类器性能评估、核机器、支持向量机、过拟合和聚类分析。第17章讲 McCulloch-Pitts 神经元的训练、delta 规则、两层和三层网络、训练策略和多类分类。
核心概念
第1–5章：测量、噪声与频谱
- 生物信号测量链：换能器、放大器/检测器、模拟滤波和模数转换。
- Welch 方法：用于估计功率谱的谱平均。
- FIR 与 IIR 滤波器：有限和无限冲激响应数字滤波器，以及 Z 变换。
- 参数与特征分析谱估计：针对窄带信号的方法。
第6–11章：时频、自适应与非线性方法
- 时频分布与小波：谱图、Wigner-Ville 分布，以及连续和离散小波变换。
- Wiener 与自适应滤波器：最优与自适应信号处理。
- PCA 与 ICA：多变量分解方法。
- 非线性动力学：相空间、Lyapunov 指数、关联维数、互信息、熵和去趋势波动分析。
第12–17章：图像与分类
- 图像分割：基于像素、连续性、形态学和边缘的方法。
- 图像配准与重建：空间变换，以及 CT、PET、SPECT 和 MRI 的重建。
- 分类：线性判别、支持向量机和神经网络。
评析
优点
- 为生物医学工程师写的方法工具箱。 出版社说本书是专为生物医学工程师写的，增加了使用 EEG、ECG、呼吸和心率变异性的例子；目录显示的方法超出经典范围：小波、自适应滤波、PCA/ICA、非线性动力学和分类器。
- 全书使用 MATLAB。 概念用 MATLAB 及若干工具箱实现，读者可以对方法进行实验；出版社还说本版的章末习题数量几乎翻倍。
- 为背景各异的核心课程而设计。 出版社的简介说，本书是为研究生核心课程而写的，那里要用很少的课程获得全面的教育，同时也适合高年级本科生；David Clifton（牛津大学）写道，其亲切的写法适合学生并非都具备电气工程基础的领域；Enrique Nava Baro（马拉加大学）称赞其清晰、简化的描述和 MATLAB 例子。这些是出版社页面上引用的评论者。
- 包含图像处理与诊断决策。 图像各章和两章分类，使本书从信号延伸到图像和诊断决策。
局限
- 广度与深度的取舍。 十七章在约六百页内涵盖信号分析、非线性方法、图像处理和机器学习分类，出版社自己也把目标描述为以“有用的、可操作的深度”涵盖广泛主题，因此推导和理论必然有所取舍。
- 依赖 MATLAB。 例子以 MATLAB 为前提，图像处理还依赖其 Image Processing Toolbox；使用其他环境的读者需要自行转换代码。
- 图像处理偏通用，而不针对具体成像方式。 成像方式一章在一章之内概述 CT、PET、SPECT、MRI 和 fMRI，因此它是重建的入门，而不是对任何一种方式的详细论述。
- 机器学习只涉及两个经典主题。 分类各章包括判别器、支持向量机和神经网络，目录显示的内容没有超出三层神经网络。
在课程中的定位
Semmlow 和 Griffel 是研究生或高年级本科生生物信号课程的综合方法教材。需要先打电气工程基础的学生，可以从 Semmlow 的 Circuits, Signals, and Systems for Bioengineers 入手，这是一本以生理信号为基础、基于 MATLAB 的入门书；或者从 Steven Smith 的 The Scientist and Engineer's Guide to Digital Signal Processing 入手，它用通俗的语言实用地介绍采样、卷积、傅里叶分析和滤波器设计。Tompkins 的 Biomedical Digital Signal Processing 是一本 1993 年的、以 C 语言和实验为导向的书，把信号处理应用于 ECG、EEG 和 EMG 信号。
若要深入具体信号，Rangayyan 的 Biomedical Signal Analysis 以案例驱动的方式处理 ECG、EEG、EMG、心音及其他波形，每项技术都从临床或研究问题出发展开；它与这里逐种方法的编排互补。Semmlow 和 Griffel 在信号处理课程之外增加了图像处理和非线性方法。
如何使用本书
本书适合生物医学工程的高年级本科生和研究生，也适合处理记录数据的生理学与神经科学研究者。微积分、入门的信号与系统或电路课程，以及一些 MATLAB 基础是合理的准备，不过 Clifton 的评论表明，不必深入假定读者具备电气工程基础。
按顺序学习第1–4章，因为测量链、噪声、谱分析和数字滤波是后面一切内容的基础。第5–9章可以按需要选读：处理非平稳信号用小波和时频方法，降噪用自适应滤波器，多通道数据用 PCA 和 ICA。第10–11章适合处理非线性或心率变异性问题的读者。包含成像内容的课程把第12–15章作为一个整体来读，诊断分类则读第16–17章。运行每个 MATLAB 例子并改变其参数，并用真实记录（例如公开的 ECG 或 EEG 数据）来做习题。