封面 书名页 版权页 编委会 总序 前言 目录页 第1章 绪论 1.1 医学信号的分类与特点 1.1.1 医学信号概述 1.1.2 医学信号的分类 1.1.3 医学信号的特点 1.2 医学电信号及其产生机制 1.2.1 细胞的生物电现象 1.2.2 细胞生物电信号的产生机制 1.3 医学信号的采集 1.3.1 医学信号采集系统的组成 1.3.2 医学信号采集中的噪声与干扰 1.3.3 安全问题 1.4 医学信号分析与处理的作用 思考题与习题 第2章 常见的医学信号及其检测与预处理 2.1 心电信号（ECG） 2.1.1 心电信号的产生 2.1.2 心电信号的特点 2.1.3 心电信号的采集 2.2 脑电信号（EEG） 2.2.1 脑电信号的产生 2.2.2 脑电信号的分类及其特点 2.2.3 脑电信号采集 2.2.4 脑电信号的应用 2.3 诱发电位信号（EP） 2.3.1 诱发电位的产生 2.3.2 皮层诱发电位的特点 2.3.3 诱发电位的采集 2.4 肌电信号（EMG） 2.4.1 肌电信号的产生 2.4.2 肌电信号的特点 2.4.3 肌电信号的采集与应用 2.5 胃电信号（EGG） 2.5.1 胃电信号的产生 2.5.2 胃电信号的特点及其应用 2.5.3 胃电信号的检测 2.6 心音信号 2.6.1 心音信号的产生 2.6.2 心音信号的特点 2.6.3 心音信号的检测 2.7 医学信号预处理 2.7.1 滤波 2.7.2 抽取插值与基线漂移窄带滤波 2.7.3 工频干扰滤波 2.7.4 基于参考信号线性组合消除干扰 2.7.5 信号分段 思考题与习题 第3章 随机信号分析基础 3.1 医学信号的随机性 3.2 随机变量的概念与特性 3.2.1 随机变量的概念 3.2.2 随机变量的分布 3.2.3 随机变量的数字特征 3.2.4 随机变量的特征函数 3.3 随机过程与随机信号 3.3.1 随机过程与随机信号及其统计分布 3.3.2 平稳随机信号 3.3.3 各态历经性 3.3.4 非平稳随机信号 3.3.5 循环平稳随机信号 3.4 常见的随机信号与随机噪声 3.4.1 高斯（正态）分布随机信号 3.4.2 白噪声与带限白噪声过程 3.4.3 高斯-马尔可夫过程 3.4.4 其他常见随机噪声 3.4.5 随机信号与噪声的产生方法 3.5 随机信号通过线性系统 3.5.1 线性系统输出及其概率分布 3.5.2 线性系统输出的数字特征 3.5.3 系统的等效噪声带宽与随机信号的带宽 3.6 随机信号的经典分析方法 3.6.1 常见随机信号的概率密度函数 3.6.2 随机信号数字特征的计算 3.7 随机信号的现代参数模型方法 3.7.1 随机信号的沃尔德分解定理 3.7.2 平稳随机信号的线性参数模型 3.7.3 AR模型参数的估计 3.7.4 AR模型阶数的确定 3.8 医学信号统计分析举例 3.8.1 医学数据的统计直方图与统计量估计 3.8.2 医学数据的拟合 思考题与习题 第4章 信号检测与参数估计 4.1 信号检测与参数估计基本问题 4.1.1 信号检测的基本任务 4.1.2 信号检测问题中的各种概率描述 4.1.3 信号参数估计的基本任务 4.1.4 参数估计的评价准则 4.2 信号检测的极大后验概率准则 4.2.1 极大后验概率准则的基本思路 4.2.2 二元问题的MAP准则推导 4.2.3 极大后验概率准则的检测性能 4.2.4 进一步的讨论 4.3 信号检测的最小错误率准则 4.3.1 最小错误率准则的基本思路 4.3.2 二元问题的MPE准则推导 4.4 信号检测的贝叶斯准则 4.4.1 贝叶斯准则的基本思路 4.4.2 二元问题的贝叶斯准则推导 4.5 信号检测的纽曼-皮尔逊准则 4.5.1 纽曼-皮尔逊准则的基本思路 4.5.2 二元问题的纽曼-皮尔逊准则推导 4.5.3 纽曼-皮尔逊准则的进一步讨论 4.6 多次观测与多元检测简介 4.6.1 多次观测 4.6.2 多元检测 4.7 参数的非线性估计 4.7.1 贝叶斯估计 4.7.2 极大似然估计 4.7.3 观测为向量的情况 4.8 估计量的性质 4.8.1 非随机参数估计的克拉美-罗下界 4.8.2 随机参数估计的克拉美-罗下界 4.8.3 MS估计的无偏性 4.9 参数的线性估计 4.9.1 参数非线性估计的局限性 4.9.2 线性均方估计 4.9.3 递推估计 4.9.4 最小二乘估计 4.10 生物医学信号检测与参数估计应用 4.10.1 纤颤的检测与判决 4.10.2 超声多普勒血流速度测量 4.10.3 基于智能手机的多生理信息检测与参数估计 思考题与习题 第5章 随机信号的相关函数估计与功率谱估计 5.1 相关函数与功率谱密度函数 5.1.1 相关函数 5.1.2 功率谱密度函数 5.2 自相关序列的估计 5.2.1 自相关序列的无偏估计 5.2.2 自相关序列的有偏估计 5.2.3 自相关序列的快速估计方法 5.3 功率谱估计的经典方法 5.3.1 功率谱估计的发展概况 5.3.2 周期图谱估计方法 5.3.3 周期图谱估计的性能 5.3.4 改善周期图谱估计性能的方法 5.4 功率谱估计的现代方法 5.4.1 经典谱估计存在的问题 5.4.2 AR模型谱估计方法 5.4.3 最大熵谱估计方法 5.4.4 MA模型与ARMA模型谱估计方法 5.4.5 最小方差谱估计方法 5.4.6 皮萨伦科谱分解方法 5.4.7 基于矩阵特征分解的谱估计方法 5.4.8 各种现代谱估计方法的比较 5.5 信号的倒谱分析 5.5.1 倒谱的概念 5.5.2 同态滤波与倒谱分析的应用 5.6 谱分析方法在医学检测与辅助诊断中的应用 5.6.1 中医脉象的功率谱分析 5.6.2 指端血管容积脉搏波的检测与分析 5.6.3 基于脑电图功率谱分析的读字困难症识别 5.6.4 结肠压力信号的功率谱分析 思考题与习题 第6章 维纳滤波、卡尔曼滤波与粒子滤波 6.1 概述 6.1.1 滤波器的概念 6.1.2 经典滤波器与现代滤波器 6.1.3 维纳滤波、卡尔曼滤波与粒子滤波的基本概念 6.2 随机信号预测、滤波与平滑的基本方法 6.2.1 随机信号的预测 6.2.2 随机噪声的滤除 6.2.3 随机信号的平滑 6.3 维纳滤波器的基本原理与方法 6.3.1 因果维纳滤波器 6.3.2 维纳-霍夫方程的求解 6.4 维纳预测器 6.4.1 因果维纳预测器 6.4.2 N步纯预测器 6.4.3 一步线性维纳预测器 6.5 维纳滤波器在医学信号处理中的应用 6.5.1 维纳滤波器提取诱发电位波形 6.5.2 维纳滤波器在语音增强中的应用 6.5.3 维纳滤波器用于高分辨率心电信号的提取 6.6 卡尔曼滤波器及其在医学信号分析处理中的应用 6.6.1 卡尔曼滤波器的基本原理 6.6.2 卡尔曼滤波器的分析 6.6.3 卡尔曼滤波器的计算 6.6.4 卡尔曼滤波器应用举例 6.7 粒子滤波及其在医学信号分析处理中的应用 6.7.1 从卡尔曼滤波到粒子滤波 6.7.2 粒子滤波的概念与基本原理 6.7.3 粒子滤波在医学信号分析与处理中的应用 思考题与习题 第7章 自适应滤波 7.1 自适应滤波的基本概念 7.2 横向自适应滤波器结构与随机梯度法 7.2.1 横向自适应滤波器的结构及其性能函数 7.2.2 二次型性能表面的搜索 7.3 自适应滤波器的最小均方（LMS）算法 7.3.1 LMS算法 7.3.2 LMS算法的性能分析 7.3.3 LMS自适应滤波器的改进形式 7.3.4 应用中需要注意的问题 7.4 自适应滤波器的递归最小二乘（RLS）算法 7.4.1 线性最小二乘原理 7.4.2 递归最小二乘自适应滤波器 7.4.3 应用中需要注意的问题 7.5 自适应滤波器的主要结构及其在医学信号处理中的应用 7.5.1 自适应谱线增强及其在医学信号处理中的应用 7.5.2 自适应系统辨识及其在医学信号分析与处理中的应用 7.5.3 自适应噪声抵消及其在医学信号噪声抑制中的应用 思考题与习题 第8章 非平稳生物医学信号分析与处理 8.1 概述 8.2 短时傅里叶变换 8.2.1 短时傅里叶变换的定义 8.2.2 短时傅里叶分析的时间分辨率与频率分辨率 8.2.3 不同类型的窗函数对短时傅里叶变换的影响 8.2.4 离散短时傅里叶变换 8.2.5 离散短时傅里叶变换的MATLAB程序 8.2.6 短时傅里叶变换的应用 8.3 Gabor变换 8.3.1 临界采样Gabor分解 8.3.2 过采样Gabor分解 8.3.3 离散Gabor变换 8.4 小波分析基础 8.4.1 加窗傅里叶变换与小波变换的时频网格 8.4.2 连续小波的离散化 8.4.3 多分辨率分析 8.5 经验模式分解与希尔伯特-黄变换 8.5.1 经验模式分解 8.5.2 希尔伯特-黄变换 8.6 总体经验模式分解（EEMD） 8.7 完备总体经验模式分解（CEEMD） 思考题与习题 第9章 非高斯生物医学信号分析与处理 9.1 概述 9.1.1 非高斯信号处理的发展 9.1.2 矩与统计量的概念 9.1.3 二阶统计量及基于二阶统计量的信号处理 9.1.4 高阶统计量及基于高阶统计量的信号处理 9.1.5 分数低阶统计量及基于分数低阶统计量的信号处理 9.2 高阶矩与高阶累积量 9.2.1 高阶矩与高阶累积量的定义 9.2.2 高斯信号的高阶矩和高阶累积量 9.3 非高斯信号 9.3.1 非高斯信号的定义 9.3.2 矩和累积量的转换关系 9.3.3 矩和累积量的性质 9.3.4 高阶谱 9.4 高阶统计量在脑电信号处理中的应用 9.5 高阶统计量在独立分量分析技术中的应用 9.5.1 主分量分析 9.5.2 独立分量分析原理 9.5.3 不确定性 9.5.4 数据预处理 9.5.5 快速ICA算法(FastICA) 9.6 α稳定分布与分数低阶统计量信号处理 9.6.1 α稳定分布的概念 9.6.2 α稳定分布的性质 9.6.3 α稳定分布的参数估计及样本产生 9.7 分数阶信号处理的基本理论 9.7.1 分数低阶统计量 9.7.2 α稳定分布随机变量的线性空间 9.7.3 α稳定分布过程的线性理论 9.7.4 分数阶过程的时域自适应滤波 9.7.5 线性滤波 9.8 分数低阶统计量理论在诱发电位潜伏期变化检测中的应用 9.8.1 诱发电位概念及其临床意义 9.8.2 传统的检测方法 9.8.3 基于分数低阶统计量的EP潜伏期变化检测方法 思考题与习题 第10章 生物医学信号分析与处理应用实例 10.1 心电信号的分析与处理 10.1.1 心电信号的预处理方法 10.1.2 心电信号QRS复合波的检测方法 10.1.3 基于心电信号的心率变异检测 10.1.4 一种无须检测R波的HRV计算方法 10.1.5 基于时频分析的心电信号降噪声方法 10.1.6 针对心电信号采用高阶统计量识别冠状动脉疾病 10.2 脉搏波信号的分析 10.3 心音信号的分析与处理 10.3.1 心动周期与心音图 10.3.2 听诊器及体表听诊区 10.3.3 心音信号的频域及时频域分析 10.3.4 心音包络的提取方法及分析 10.3.5 心音信号的循环平稳特性 10.3.6 在有关循环频率域内消除心音信号的噪声和干扰 10.4 血压信号的测量与分析 10.4.1 柯氏音法测血压 10.4.2 振动法测血压 10.5 表面肌电信号及应用 10.5.1 肌电图在神经传导速度测定中的应用 10.5.2 肌电信号分析与特征提取 10.5.3 肌电特征在运动模式识别中的应用 10.5.4 肌电在假肢控制中的应用 思考题与习题 参考文献 ..更多