I-2 Medical Devices and Systems9 Fu

I-2 Medical Devices and Systems
9 Future Directions: Biomedical Signal Processing and Networked
Multimedia Communications
Banu Onaral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-1
BIOMEDICAL SIGNAL ANALYSIS CENTERS on the acquisition and processing of informationbearing
signals that emanate fromliving systems. These vital signals permit us to probe the state of
the underlying biologic and physiologic structures and dynamics. Therefore, their interpretation
has significant diagnostic value for clinicians and researchers.
The detected signals are commonly corrupted with noise. Often, the information cannot be readily
extracted fromthe raw signal, whichmust be processed in order to yield useful results. Signals and systems
engineering knowledge and, in particular, signal-processing expertise are therefore critical in all phases of
signal collection and analysis.
Biomedical engineers are called on to conceive and implement processing schemes suitable for biomedical
signals. They also play a key role in the design and development of biomedical monitoring devices
and systems that match advances in signal processing and instrumentation technologies with biomedical
needs and requirements.
This section is organized in two main parts. In the first part, contributing authors review contemporary
methods in biomedical signal processing. The second part is devoted to emerging methods that hold the
promise for major enhancements in our ability to extract information from vital signals.
The success of signal-processing applications strongly depends on the knowledge about the origin and
the nature of the signal. Biomedical signals possess many special properties and hence require special
treatment. Also, the need for noninvasive measurements presents unique challenges that demand a clear
understanding of biomedical signal characteristics. In the lead chapter, entitled, “Biomedical Signals:
Origin and Dynamic Characteristics; Frequency-Domain Analysis,” Arnon Cohen provides a general
classification of biomedical signals and discusses basics of frequency domain methods.
The advent of digital computing coupled with fast progress in discrete-time signal processing has led to
efficient and flexible methods to acquire and treat biomedical data in digital form. The chapter entitled,
“Digital Biomedical Signal Acquisition and Processing,” by Luca T.Mainardi,Anna M. Bianchi, and Sergio
Cerutti, presents basic elements of signal acquisition and processing in the special context of biomedical
signals.
Especially in the case of long-term monitoring, digital biomedical signal-processing applications generate
vast amounts of data that strain transmission and storage resources. The creation of multipatient
reference signal bases also places severe demands on storage. Data compression methods overcome these
obstacles by eliminating signal redundancies while retaining clinically significant information. A. Enis
Cetin andHayrettin Köymen provide a comparative overview of a range of approaches from conventional
to modern compression techniques suitable for biomedical signals. Futuristic applications involving longterm
and ambulatory recording systems, and remote diagnosis opportunities will be made possible by
breakthroughs in biomedical data compression. This chapter serves well as a point of departure.
Constraints such as stationarity (and time invariance), gaussianity (and minimum phaseness), and the
assumption of a characteristic scale in time and space have constituted the basic, and by now implicit,
assumptions upon which the conventional signals and systems theories have been founded. However,
investigators engaged in the study of biomedical processes have long known that they did not hold under
most realistic situations and hence could not sustain the test of practice.
Rejecting or at least relaxing restrictive assumptions always opens new avenues for research and yields
fruitful results. Liberating forces in signals and systems theories have conspired in recent years to create
research fronts that target long-standing constraints in the established wisdom (dogma?) of classic signal
processing and system analysis. The emergence of new fields in signals and system theories that address
these shortcomings and aim to relax these restrictions has been motivated by scientists who, rather
© 2006 by Taylor & Francis Group, LLC

Kết quả (Việt) 1:

I-2 thiết bị y tế và hệ thống9 hướng tương lai: tín hiệu y sinh học xử lý và nối mạngĐa phương tiện truyền thôngBanu Onaral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9-1Trung tâm phân tích tín hiệu y sinh ngày mua lại và xử lý của informationbearingtín hiệu phát ra hệ thống fromliving. Những tín hiệu quan trọng cho phép chúng tôi để thăm dò bangCác cấu trúc cơ bản của sinh học và physiologic và năng động. Do đó, giải thích của họcó giá trị đáng kể chẩn đoán cho bác sĩ và các nhà nghiên cứu.Các tín hiệu phát hiện thường bị hỏng với tiếng ồn. Thông thường, các thông tin không thể dễ dàngchiết xuất từ các tín hiệu nguyên, whichmust được xử lý để mang lại kết quả hữu ích. Tín hiệu và hệ thốngkỹ thuật kiến thức, và trong chuyên môn cụ thể, xử lý tín hiệu là do đó rất quan trọng trong tất cả các giai đoạn củatín hiệu thu thập và phân tích.Y sinh học kỹ sư được gọi là ngày để thụ thai và thực hiện chương trình xử lý thích hợp cho y sinh họctín hiệu. Họ cũng đóng một vai trò quan trọng trong việc thiết kế và phát triển của các thiết bị giám sát y sinh họcvà hệ thống phù hợp với những tiến bộ trong công nghệ chế biến và thiết bị tín hiệu với y sinh họcnhu cầu và yêu cầu.Phần này được tổ chức thành hai phần chính. Trong phần đầu tiên, góp phần tác giả xem xét hiện đạiphương pháp xử lý tín hiệu y sinh học. Phần thứ hai được dành cho phương pháp đang nổi lên mà giữ cáclời hứa cho các phụ kiện lớn trong khả năng của chúng tôi để lấy thông tin từ tín hiệu quan trọng.Sự thành công của ứng dụng xử lý tín hiệu mạnh mẽ phụ thuộc vào các kiến thức về nguồn gốc vàbản chất của các tín hiệu. Tín hiệu y sinh học có nhiều tài sản đặc biệt và do đó yêu cầu đặc biệtđiều trị. Ngoài ra, sự cần thiết cho các phép đo noninvasive trình bày những thách thức độc đáo mà yêu cầu một rõ ràngsự hiểu biết về y sinh học tín hiệu đặc điểm. Trong dẫn chương, mang tên, "tín hiệu y sinh học:Nguồn gốc và đặc tính năng động; Tên miền tần số phân tích,"Arnon Cohen cung cấp một vị tướngphân loại của y sinh học tín hiệu và thảo luận về khái niệm cơ bản của phương pháp miền tần số.Sự ra đời của kỹ thuật số máy tính cùng với sự tiến bộ nhanh chóng trong xử lý tín hiệu thời gian rời rạc đã dẫn đếnphương pháp hiệu quả và linh hoạt để có được và điều trị y sinh dữ liệu ở dạng kỹ thuật số. Các chương có tiêu đề"Mua lại tín hiệu số y sinh và xử lý," bởi Luca T.Mainardi,Anna M. Bianchi, và SergioCerutti, trình bày các yếu tố cơ bản của việc mua lại tín hiệu và xử lý trong bối cảnh đặc biệt của y sinh họctín hiệu.Đặc biệt là trong trường hợp của theo dõi lâu dài, kỹ thuật số y sinh học xử lý tín hiệu ứng dụng tạo ramột lượng lớn các dữ liệu căng truyền dẫn và lưu trữ tài nguyên. Việc tạo ra các multipatienttín hiệu tham khảo căn cứ cũng nơi nhu cầu nghiêm trọng về lưu trữ. Phương pháp nén dữ liệu vượt qua đâyobstacles by eliminating signal redundancies while retaining clinically significant information. A. EnisCetin andHayrettin Köymen provide a comparative overview of a range of approaches from conventionalto modern compression techniques suitable for biomedical signals. Futuristic applications involving longtermand ambulatory recording systems, and remote diagnosis opportunities will be made possible bybreakthroughs in biomedical data compression. This chapter serves well as a point of departure.Constraints such as stationarity (and time invariance), gaussianity (and minimum phaseness), and theassumption of a characteristic scale in time and space have constituted the basic, and by now implicit,assumptions upon which the conventional signals and systems theories have been founded. However,investigators engaged in the study of biomedical processes have long known that they did not hold undermost realistic situations and hence could not sustain the test of practice.Rejecting or at least relaxing restrictive assumptions always opens new avenues for research and yieldsfruitful results. Liberating forces in signals and systems theories have conspired in recent years to createresearch fronts that target long-standing constraints in the established wisdom (dogma?) of classic signalprocessing and system analysis. The emergence of new fields in signals and system theories that addressthese shortcomings and aim to relax these restrictions has been motivated by scientists who, rather© 2006 bởi Taylor & Francis Group, LLC