01 / 導讀
導讀
引用
Semmlow, J. L., & Griffel, B. (2014). Biosignal and Medical Image Processing (3rd ed.). CRC Press.
章節概要
第三版共十七章和兩個附錄（Numerical Integration in MATLAB；Useful MATLAB Functions），依目錄不同約 600–630 頁。多數章節以小結和習題（或練習）結束，出版社稱全書使用 MATLAB 及其若干工具箱。全書從訊號基礎和經典譜分析出發，經過濾波和時頻方法，到多變數與非線性分析，再到影像，最後以兩章分類收尾。出版社指出，第三版新增了兩章關於描述和分類訊號的非線性方法。
第1–2章：Introduction（導論）；Biosignal Measurements, Noise, and Analysis（生物訊號測量、噪聲與分析）
第1章講生物訊號與測量鏈：換能器、放大器/檢測器、模擬訊號處理與濾波器、模數轉換和資料庫。第2章講生物訊號本身、噪聲，以及通過資料函式和變換進行的訊號分析。
第3–5章：Spectral Analysis: Classical Methods（譜分析：經典方法）；Noise Reduction and Digital Filters（降噪與數字濾波器）；Modern Spectral Analysis: The Search for Narrowband Signals（現代譜分析：尋找窄帶訊號）
第3章從傅立葉級數分析和功率譜出發，包括用 Welch 方法做譜平均。第4章講用集合平均降噪、Z 變換，以及有限衝激響應和無限衝激響應濾波器。第5章轉向引數方法和非引數的特徵分析頻率估計，目標是找出窄帶訊號。
第6–7章：Time-Frequency Analysis（時頻分析）；Wavelet Analysis（小波分析）
第6章講短時傅立葉變換與譜圖、Wigner-Ville 分佈和 Cohen 類分佈。第7章介紹連續與離散小波變換，以及用小波包做特徵檢測。
第8–9章：Optimal and Adaptive Filters（最優與自適應濾波器）；Multivariate Analyses: Principal Component Analysis and Independent Component Analysis（多變數分析：主成分分析與獨立成分分析）
第8章包括 Wiener 濾波器、自適應訊號處理和相敏檢測。第9章從線性變換開始，講主成分分析和獨立成分分析。
第10–11章：Chaos and Nonlinear Dynamics（混沌與非線性動力學）；Nonlinearity Detection: Information-Based Methods（非線性檢測：基於資訊的方法）
出版社說，本版新增了兩章關於非線性方法的內容，目錄中此處正好有兩個這樣的章節。第10章講非線性系統、相空間、嵌入引數的估計、Lyapunov 指數、關聯維數，以及檢驗非線性的替代資料法。第11章講資訊與規則性、互資訊函式、譜熵、基於相空間的熵方法和去趨勢波動分析。
第12–15章：影像處理
第12章 Fundamentals of Image Processing: The MATLAB Image Processing Toolbox（影像處理基礎：MATLAB 影像處理工具箱）講影像格式、顯示、儲存、算術運算和分塊處理。第13章 Image Processing: Filters, Transformations, and Registration（影像處理：濾波、變換與配準）講二維傅立葉變換、線性濾波、空間變換和配準。第14章 Image Segmentation（影像分割）講基於畫素、基於連續性、多閾值、形態學和基於邊緣的方法。第15章 Image Acquisition and Reconstruction（影像採集與重建）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（分類 I：線性判別分析與支援向量機）；Classification II: Adaptive Neural Nets（分類 II：自適應神經網路）
第16章講線性判別器、分類器效能評估、核機器、支援向量機、過擬合和聚類分析。第17章講 McCulloch-Pitts 神經元的訓練、delta 規則、兩層和三層網路、訓練策略和多類分類。
核心概念
第1–5章：測量、噪聲與頻譜
- 生物訊號測量鏈：換能器、放大器/檢測器、模擬濾波和模數轉換。
- Welch 方法：用於估計功率譜的譜平均。
- FIR 與 IIR 濾波器：有限和無限衝激響應數字濾波器，以及 Z 變換。
- 引數與特徵分析譜估計：針對窄帶訊號的方法。
第6–11章：時頻、自適應與非線性方法
- 時頻分佈與小波：譜圖、Wigner-Ville 分佈，以及連續和離散小波變換。
- Wiener 與自適應濾波器：最優與自適應訊號處理。
- PCA 與 ICA：多變數分解方法。
- 非線性動力學：相空間、Lyapunov 指數、關聯維數、互資訊、熵和去趨勢波動分析。
第12–17章：影像與分類
- 影像分割：基於畫素、連續性、形態學和邊緣的方法。
- 影像配準與重建：空間變換，以及 CT、PET、SPECT 和 MRI 的重建。
- 分類：線性判別、支援向量機和神經網路。
評析
優點
- 為生物醫學工程師寫的方法工具箱。 出版社說本書是專為生物醫學工程師寫的，增加了使用 EEG、ECG、呼吸和心率變異性的例子；目錄顯示的方法超出經典範圍：小波、自適應濾波、PCA/ICA、非線性動力學和分類器。
- 全書使用 MATLAB。 概念用 MATLAB 及若干工具箱實現，讀者可以對方法進行實驗；出版社還說本版的章末習題數量幾乎翻倍。
- 為背景各異的核心課程而設計。 出版社的簡介說，本書是為研究生核心課程而寫的，那裡要用很少的課程獲得全面的教育，同時也適合高年級本科生；David Clifton（牛津大學）寫道，其親切的寫法適合學生並非都具備電氣工程基礎的領域；Enrique Nava Baro（馬拉加大學）稱讚其清晰、簡化的描述和 MATLAB 例子。這些是出版社頁面上引用的評論者。
- 包含影像處理與診斷決策。 影像各章和兩章分類，使本書從訊號延伸到影像和診斷決策。
局限
- 廣度與深度的取捨。 十七章在約六百頁內涵蓋訊號分析、非線性方法、影像處理和機器學習分類，出版社自己也把目標描述為以“有用的、可操作的深度”涵蓋廣泛主題，因此推導和理論必然有所取捨。
- 依賴 MATLAB。 例子以 MATLAB 為前提，影像處理還依賴其 Image Processing Toolbox；使用其他環境的讀者需要自行轉換程式碼。
- 影像處理偏通用，而不針對具體成像方式。 成像方式一章在一章之內概述 CT、PET、SPECT、MRI 和 fMRI，因此它是重建的入門，而不是對任何一種方式的詳細論述。
- 機器學習只涉及兩個經典主題。 分類各章包括判別器、支援向量機和神經網路，目錄顯示的內容沒有超出三層神經網路。
在課程中的定位
Semmlow 和 Griffel 是研究生或高年級本科生生物訊號課程的綜合方法教材。需要先打電氣工程基礎的學生，可以從 Semmlow 的 Circuits, Signals, and Systems for Bioengineers 入手，這是一本以生理訊號為基礎、基於 MATLAB 的入門書；或者從 Steven Smith 的 The Scientist and Engineer's Guide to Digital Signal Processing 入手，它用通俗的語言實用地介紹取樣、卷積、傅立葉分析和濾波器設計。Tompkins 的 Biomedical Digital Signal Processing 是一本 1993 年的、以 C 語言和實驗為導向的書，把訊號處理應用於 ECG、EEG 和 EMG 訊號。
若要深入具體訊號，Rangayyan 的 Biomedical Signal Analysis 以案例驅動的方式處理 ECG、EEG、EMG、心音及其他波形，每項技術都從臨床或研究問題出發展開；它與這裡逐種方法的編排互補。Semmlow 和 Griffel 在訊號處理課程之外增加了影像處理和非線性方法。
如何使用本書
本書適合生物醫學工程的高年級本科生和研究生，也適合處理記錄資料的生理學與神經科學研究者。微積分、入門的訊號與系統或電路課程，以及一些 MATLAB 基礎是合理的準備，不過 Clifton 的評論表明，不必深入假定讀者具備電氣工程基礎。
按順序學習第1–4章，因為測量鏈、噪聲、譜分析和數字濾波是後面一切內容的基礎。第5–9章可以按需要選讀：處理非平穩訊號用小波和時頻方法，降噪用自適應濾波器，多通道資料用 PCA 和 ICA。第10–11章適合處理非線性或心率變異性問題的讀者。包含成像內容的課程把第12–15章作為一個整體來讀，診斷分類則讀第16–17章。執行每個 MATLAB 例子並改變其引數，並用真實記錄（例如公開的 ECG 或 EEG 資料）來做習題。