“我來自生科學院的見微書院，目前對生物與計算機交叉的內容有點感興趣，不過暫時沒有轉專業的想法。”
簡簡單單一句自我介紹落下，全場瞬間陷入一陣微妙的安靜。
在場眾人面面相覷，一時間竟不知道該作何反應。
只是一堂普通的專業講座，沒想到又來一位見微書院的大佬。
講臺之上，周俊濤教授眼中驟然閃過一抹亮色，臉上的笑意真切了幾分，饒有興致地看向林曉。
“沒想到最後一位同學，和我當年的本科專業一模一樣，我早年深耕的也是生命科學領域。”
他輕輕聳了聳肩，語氣帶著幾分過來人感慨，真誠又接地氣。
“不過以我親身經歷來說，若非真正發自內心的熱愛，生命科學的學習與科研過程，屬實格外熬人。也正因如此，我最終選擇跨界，轉入了計算機領域深耕。”
簡單感慨過後，周俊濤迅速收束心緒，語氣轉為嚴謹專業，利落切入正題。
“閒話到此為止，接下來我們正式進入今天的主題交流。”
“眾所周知，我們無時無刻不在處理訊號。你說話的聲音是聲學訊號，手機拍的照片是光學訊號，心電圖的曲線是生物電訊號。但計算機聽不懂模擬的世界，它只懂0和1。訊號處理，就是把物理世界的連續訊號，翻譯成計算機能理解的數字；而模式識別，就是教計算機在這些數字裡找出規律，做出判斷。”
“我們拿語音降噪來舉例，訊號處理有三大核心任務，一是舉例採集與量化，麥克風將聲波變成電壓，ADC變成一串數字。二是進行預處理，即分幀、加窗。三是進行降噪與增強。”
“降噪與增強將是我這次所說內容的重點。這其中涉及到一個重要概念，頻域思維，也就是傅立葉變換。”
話音落下，周俊濤轉身拿起粉筆，在黑板上快速勾勒出一段規整的波浪線，線條均勻且富有規律。
隨後他隨手添上幾筆雜亂紋路，原本順滑的波形瞬間變得雜亂無章，毫無規律可言。
他回頭笑了笑，繼續說道。
“大家看這張時域圖，橫軸為時間，縱軸為振幅。噪音疊加後，整張圖就是一團亂麻，肉眼根本無法區分有效訊號和干擾噪音。”
“大家可以想象一杯分層雞尾酒，時域訊號就是充分搖勻後的渾濁液體，所有成分混雜一體、無法分辨。而頻域分析，就是幫我們重新分層，將不同頻率、不同屬性的訊號清晰剝離。”
“這便是傅立葉變換的偉大之處，將隨時間動態變化的複雜訊號，拆解為多組不同頻率、振幅、相位正弦波的疊加組合。”
上面的內容還比較淺顯易懂，在場很多人因為是本專業的本科生，所以都能夠理解的很清楚。
但很快，接下來的內容就深入了起來。
“法國數學家傅立葉告訴我們，任何一個週期訊號，都可以分解成一系列不同頻率、不同幅度、不同相位的正弦波的疊加。對於非週期訊號，這個結論依然成立，只是頻率變得連續。”
“但傅立葉變換有個致命傷，因為它丟失了時間資訊。頻譜告訴我們訊號裡有哪些頻率，但完全不知道這些頻率什麼時候出現。對於平穩訊號，這沒問題。但對於非平穩訊號，比如一段心電圖中，一個異常尖峰只持續0.1秒，傅立葉變換會把這個尖峰的頻率能量“平均”到整個時間軸上，導致它幾乎看不出來。
“接下來這就涉及到小波變換了，這個操作類似於給訊號配上放大鏡小波變換不再用無限長的正弦波去分解訊號，而是用一個有限長的、衰減的小波基函式，透過伸縮和平移來掃描整個訊號。”
說到這裡，周俊濤點了一下螢幕，頓時一段程式碼顯現出來。
【python】
【import pywt, numpy as np
