醫(yī)學(xué)信號處理就業(yè)前景_《生物醫(yī)學(xué)信號處理》(劉海龍)【圖片簡介評論價格目錄】

發(fā)布時間：2016-12-11 21:20

本文關(guān)鍵詞：醫(yī)學(xué)信號處理，由筆耕文化傳播整理發(fā)布。

便宜淘好貨：萬種圖書低至2折

生物醫(yī)學(xué)信號處理 內(nèi)容簡介

本書是介紹了生物醫(yī)學(xué)信號處理*全面系統(tǒng)的教材，，研究了教學(xué)的經(jīng)驗(yàn)和重點(diǎn)，附有大量例題和習(xí)題。

生物醫(yī)學(xué)信號處理 本書目錄

第l章生物電磁現(xiàn)象產(chǎn)生機(jī)制及其測量
1．1 概述
1．2 生物電磁現(xiàn)象及其產(chǎn)生機(jī)制
1．2．1 細(xì)胞的生物電現(xiàn)象
1．2．2 生物電現(xiàn)象的產(chǎn)生機(jī)制
1．3 生物電磁信號的測量與分析
1．3．1 場電位和電流源密度的定量分析
1．3．2 生物容積導(dǎo)體的特性
1．4 生物電磁信號測量技術(shù)的應(yīng)用
1．4．1 偶極子理論
1．4．2 心電圖
1．4．3 心磁圖
1．4．4 心電圖與心磁圖的比較
習(xí)題
第2章隨機(jī)信號分析
2．1 概述
2．2 隨機(jī)信號的特征
2．2．1 概率密度函數(shù)
2．2．2 數(shù)字特征
2．2．3 自相關(guān)函數(shù)
2．2．4 功率譜
2．3 常見的隨機(jī)過程
2．3．1 高斯(正態(tài))過程
2．3．2 白噪聲過程
2．3．3 高斯一馬爾可夫過程
2．4 隨機(jī)信號的聯(lián)合特征
2．4．1 互相關(guān)函數(shù)
2．4．2 互譜密度
2．5 離散時間隨機(jī)信號的特征
2．5．1 隨機(jī)信號的采樣定理
2．5．2 離散隨機(jī)信號的統(tǒng)計(jì)特性
2．6 非白噪聲的正交展開
2．6．1 卡南一洛伊夫(Karhunen—Loeve)展開式
2．6．2 狄拉克(I)irac)δ函數(shù)的性質(zhì)
習(xí)題
第3章隨機(jī)信號通過線性時不變系統(tǒng)
3．1 概述
3．2 二端線性時不變系統(tǒng)
3．2．1 基本特征
3．2．2 兩個隨機(jī)過程的相干函數(shù)
3．3 多端線性時不變系統(tǒng)
3．4 離散隨機(jī)信號通過線性時不變系統(tǒng)
習(xí)題
第4章信號檢測
4．1 概述
4．1．1 檢測分類
4．1．2 檢測的各種概率描述
4．2 常見檢測準(zhǔn)則(檢測判據(jù))
4．2．1 極大后驗(yàn)概率準(zhǔn)則
4．2．2 *小失誤率準(zhǔn)則
4．2．3 貝葉斯準(zhǔn)則
4．2．4 紐曼一皮爾遜準(zhǔn)則
4．3 多次觀察
4．4 多元檢測
4．4．1 離散型隨機(jī)變量觀察值
4．4．2 連續(xù)型隨機(jī)變量觀察值
習(xí)題
第5章信號的參數(shù)估計(jì)
5．1 概述
5．2 非線性估計(jì)
5．2．1 貝葉斯估計(jì)
5．2．2 極大似然估計(jì)
5．2．3 觀察是矢量情況
5．3 應(yīng)用舉例
5．4 估計(jì)量的性質(zhì)
5．4．1 非隨機(jī)參數(shù)的克拉美一勞下限和極大似然估計(jì)
5．4．2 隨機(jī)參數(shù)的克拉美一勞不等式及極大后驗(yàn)概率估計(jì)
5．4．3 均方估計(jì)的無偏性
5．5 線性估計(jì)
5．5．1 概述
5．5．2 線性均方估計(jì)
5．5．3 遞歸線性*小均方估計(jì)
5．5．4 *小二乘估計(jì)
習(xí)題
第6章功率譜估計(jì)的經(jīng)典方法
6．1 概述
6．2 自相關(guān)序列的估計(jì)
6．2．1 自相關(guān)序列的無偏估計(jì)
6．2．2 自相關(guān)序列的有偏估計(jì)
6．3 周期圖及其估計(jì)質(zhì)量
6．3．1 周期圖的定義
6．3．2 周期圖的帶通濾波器組解釋
6．3．3 周期圖的估計(jì)質(zhì)量
6．3．4 周期圖的隨機(jī)起伏
6．3．5 自相關(guān)的無偏估計(jì)的傅里葉變換
6．4 改善周期圖質(zhì)量的方法
6．4．1 修正周期圖法：數(shù)據(jù)加窗
6．4．2 Bartlett法：周期圖的平均
6．4．3 Welch法：修正周期圖的平均
6．4．4 Blackman—Tukey法：周期圖的加窗平滑
6．4．5 各種周期圖計(jì)算方法的比較
習(xí)題
第7章功率譜估計(jì)的現(xiàn)代方法
7．1 概述
7．2 譜估計(jì)的參數(shù)模型方法
7．3 AR模型的Yule—Walker方程
7．4 Levinson—I)urbin算法
7．5 AR模型的穩(wěn)定性及其階的確定
7．6 AR譜估計(jì)的性質(zhì)
7．6．1 AR譜估計(jì)隱含著自相關(guān)函數(shù)的外推
7．6．2 AR譜估計(jì)與線性預(yù)測譜估計(jì)等效
7．6．3 AR譜估計(jì)與*大熵譜估計(jì)(MESE)等效
7．6．4 AR譜估計(jì)等效于*佳白化處理
7．6．5 AR譜估計(jì)的界
7．7 格形濾波器
7．8 AR模型參數(shù)提取方法
7．8．1 Yule—Walker法
7．8．2 協(xié)方差法
7．8．3 Burg法
7．9 AR譜估計(jì)的異�，F(xiàn)象及其補(bǔ)救措施
7．9．1 虛假譜峰
7．9．2 譜線分裂
7．9．3 噪聲對AR譜估計(jì)的影響
7．10 MA和ARMA模型譜估計(jì)
7．10．1 MA模型譜估計(jì)
7．10．2 ARMA模型譜估計(jì)
習(xí)題
第8章確定性信號的提取
8．1 概述
8．2 白噪聲背景下的匹配濾波器
8．2．1 匹配濾波器的作用
8．2．2 匹配濾波器的理論分析
8．2．3 匹配濾波器的特性
8．3 離散時間形式的匹配濾波器
8．4 相關(guān)檢測——似然比檢驗(yàn)的擴(kuò)展
8．4．1 問題的提出與分析
8．4．2 檢測性能
8．4．3 似然比檢驗(yàn)和匹配濾波間的關(guān)系
8．4．4 多元檢測
8．5 非白噪聲中已知信號的檢測
8．5．1 卡南一洛伊夫展開法
8．5．2 非白噪聲下的匹配濾波器
8．6 應(yīng)用實(shí)例
8．7 相干平均法提取腦誘發(fā)電位
8．7．1 基本原理
8．7．2 噪聲相關(guān)的情況
8．7．3 響應(yīng)波形隨機(jī)性的影響
8．7．4 潛伏期隨機(jī)性的影響
8．7．5 減少累加次數(shù)
習(xí)題
第9章維納濾波
9．1 概述
9．2 波形線性均方估計(jì)的正交原理
9．3 維納一霍夫(Wiener-Horf)積分方程
9．4 非因果的維納濾波問題
9．4．1 連續(xù)時間形式的解答
9．4．2 離散時間形式的解答
9．5 因果的維納濾波器
9．5．1 FIR型處理
9．5．2 預(yù)白化處理
9．6 預(yù)測問題
9．6．1 一般解答
9，6．2 用有限項(xiàng)FIR濾波器實(shí)現(xiàn)
9．7 后驗(yàn)維納濾波與互補(bǔ)維納濾波
9．7．1 后驗(yàn)維納濾波
9．7．2 互補(bǔ)維納濾波
9．8 矢量情況下的離散維納濾波
9．9 時空多通道離散維納濾波
9．10 線性變換等效離散維納濾波
9．10．1 線性變換
9．10．2 等效對角線維納濾波的線性變換
9．11應(yīng)用實(shí)例
9．11．1 后驗(yàn)維納濾波提取視覺誘發(fā)電位
9．11．2 體感覺誘發(fā)電位
9．11．3 肌電信號提取
習(xí)題
第10章卡爾曼濾波
10．1 概述
10．2 純量卡爾曼濾波
10．2．1 數(shù)學(xué)描述
10．2．2 算法推導(dǎo)
10．3 純量一步預(yù)測
10．3．1 由導(dǎo)出
10．3．2 編程
10．3．3 推廣結(jié)果
10．3．4 推導(dǎo)預(yù)測
10．4 矢量卡爾曼濾波器
10．4．1 提法的推廣
10．4．2 算法的推廣
10．5 應(yīng)用實(shí)例
習(xí)題
第11章自適應(yīng)濾波
11．1 概述
11．2 橫向結(jié)構(gòu)的隨機(jī)梯度法
11．2．1 基本原理
11．2．2 性能討論
11．3 應(yīng)用實(shí)例
11．3．1 自適應(yīng)噪聲抵消
11．3．2 自適應(yīng)譜線增強(qiáng)
11．3．3 自適應(yīng)系統(tǒng)辨識
11．4 隨機(jī)梯度法的引申
11．4．1 擴(kuò)大算法的應(yīng)用范圍
11．4．2 改進(jìn)算法的性能
11．5 格形結(jié)構(gòu)的隨機(jī)梯度法
11．5．1 基本原理
11．5．2 應(yīng)用實(shí)例
11．6 遞歸的*小二乘法
11．6．1 遞歸*小二乘法的含義
11．6．2 傳統(tǒng)算法的推導(dǎo)
11．6．3 進(jìn)一步討論
習(xí)題
第12章高階譜分析
12．1 概述
12．2 三階相關(guān)和雙譜的定義及其性質(zhì)
12．2．1 三階相關(guān)函數(shù)的對稱性
12．2．2 雙譜的對稱性、周期性和共軛性
12．2．3 確定性序列的雙譜
12．2．4 雙譜中的相位信息
12．3 累量和多譜的定義及其性質(zhì)
12．3．1 隨機(jī)變量的累量
12．3．2 隨機(jī)過程的累量
12．3．3 多譜的定義
12．3．4 累量和多譜的性質(zhì)
12．4 累量和多譜估計(jì)
12．5 基于高階譜的相位譜估計(jì)
12．5．1 由推算 ( )
12．5．2 由推算 ( )
12．6 基于高階譜的模型參數(shù)估計(jì)
12．6．1 AR模型參數(shù)估計(jì)
12．6．2 MA模型參數(shù)估計(jì)
12．6．3 ARMA模型參數(shù)估計(jì)
12．7 利用高階譜確定模型的階
12．8 多譜的應(yīng)用
習(xí)題
第13章心電信號的QRS復(fù)波檢測
13．1 概述
13．2 ECG的功率譜
13．3 帶通濾波方法
13．3．1 雙極點(diǎn)遞歸濾波器
13．3．2 整數(shù)型濾波器
13．3．3 不同Q值的濾波器響應(yīng)
13．4 差分法
13．5 模板匹配法
13．5．1 模板互相關(guān)
13．5．2 模板減去法
13．5．3 基于句法的模板匹配
13．6 QRS復(fù)波檢測算法
13．6．1 整數(shù)型帶通濾波器
13．6．2 微分
13．6．3 F方函數(shù)
13．6．4 移動窗口積分
13．6．5 設(shè)置閾值
13．6．6 回檢方法
13．6．7 性能測試
習(xí)題
第14章自發(fā)腦電信號的處理
14．1 概述
14．2 腦電圖瞬態(tài)的提取
14．3 準(zhǔn)平穩(wěn)分段
14．3．1 舊的分段算法的缺點(diǎn)
14．3．2 自適應(yīng)算法
14．4 特征提取——傳統(tǒng)方法
14．4．1 時域波形的直接分析
14．4．2 頻域上提取腦電特征
14．5 特征提取——現(xiàn)代方法
14．5．1 參數(shù)模型
14．5．2 遞歸估計(jì)
14．5．3 用小波變換模極大值對的方法檢測癲癇腦電棘波
14．5．4 基于獨(dú)立分量分析的腦電消噪與特征提取
習(xí)題
第15章誘發(fā)腦電信號的處理
15．1 概述
15．2 聽覺誘發(fā)電位的提取與處理
15．2．1 腦干聽覺誘發(fā)響應(yīng)的提取
15．2．2 客觀的聽力閾值檢測
15．3 視覺誘發(fā)電位的處理
15．3．1 從噪聲中提取視覺誘發(fā)電位幾種方法
15．3．2視覺誘發(fā)電位的分解
習(xí)題
第16章腦神經(jīng)網(wǎng)絡(luò)胞外鋒電位的處理
16．1 概述
16．2 胞外鋒電位數(shù)據(jù)序列的獲取
16．2．1 數(shù)據(jù)的獲取系統(tǒng)
16．2．2 數(shù)據(jù)采集
16．3 Spike脈沖的提取
16．3．1 閾值提取法
16．3．2 窗口提取法
16．3．3 改進(jìn)窗口提取法
16．4 Spike脈沖的分類
16．4．1 闞值分類
16．4．2 形狀分類
16．4．3 模板分類
16．4．4 主成分分類
16．4．5 獨(dú)立成分分類
16．4．6 小波分類
16．4．7 人工神經(jīng)網(wǎng)絡(luò)分類
16．5 相關(guān)
16．5．1 相關(guān)分析
16．5．2 結(jié)果
16．6 爆發(fā)(burst)信號的處理
16．6．1 定義
16．6．2 爆發(fā)(burst)信號的處理設(shè)想
習(xí)題