医学信号处理方法
人工神经网络（Artificial Neural Networks）分析方法——人工神经网络是一种模仿生物神经元结构和神经信息传递机理的信号处理方法，是由大量简单的基本单元（神经元）相互广泛联接构成的自适应非线性动态系统，其特点是：并行计算，处理速度快；分布式存贮，容错能力好；自适应学习。生物医学工程工作者采用神经网络的方法来解释许多复杂的生理现象，例如心电和脑电的识别，心电信号的压缩和医学图像的识别和处理。神经网络在微弱生理电信号的检测和处理应用主要集中在对自发脑电EEG的分析和脑干听觉诱发电位的提取。
时域方法——AEV方法原是通信研究中用于提高信噪比的一种叠加平均法，在医学研究中也叫平均诱发反应法，简称AEV方法。AEV方法常用来检测那些微弱的生物医学信号，如希氏束电图、脑电图、耳蜗电图等。AEV方法要求噪声是随机的，并且其协方差为零，信号是周期或重复产生的，这样经过N平方次叠加，信噪比可提高N倍，使用AEV方法的关键是寻找叠加的时间基准点。
频域滤波方法——频域滤波是数字滤波中常用的一种方法，是消除生物医学信号中噪声的另一种有效方法。频域滤波器可分为两类：FIR（Finite Impulse Response）滤波器和IIR(Infinite Impulse Response）滤波器。其中，FIR滤波器设计方法为窗函数法和频率采样法；IIR(Infinite Impulse Response）滤波器设计方法为冲激响应不变法和双线性变换法。
自适应滤波方法——自适应滤波器能够跟踪和适应系统或环境的动态变化，它不需要事先知道信号或噪声的特性，通过采用期望值和负反馈值进行综合判断的方法来改变滤波器的参数。自适应滤波器的设计有两种最优准则，一种准则是匹配滤波器；另一种准则是维纳（Wiener）滤波器。此外，还有一种基于状态空间模型的线性最优滤波器即卡尔曼滤波器。
混沌（Chaos）和分形（Fractal）方法——混沌和分形理论是一种非线性动力学课题，混沌系统的最大特点是初值敏感性和参数敏感性，即所谓的蝴蝶效应。混沌学研究的是无序中的有序；混沌事件在不同的时间标度下表现出相似的变化模式，与分形在空间标度下表现十分相象，但混沌主要讨论非线性动力系统的不稳、发散的过程。混沌与分形在脑电信号处理的应用中尤为引人注目，可用研究混沌动力学的方法来研究人脑的功能。
小波分析（Wavelet Analysis）方法——小波分析是传统傅里叶变换的继承和发展。由于小波的多分辨分析（Multiresolution Analysis）具有良好的空间域和频率域局部化特性，对高频采用逐渐精细的时域或空域取样步长，可以聚焦到分析对象的任意细节，从这个意义上讲，它已被人们誉为数学显微镜。目前，在心电数据的压缩、生物医学信号的信噪分离、QRS波的综合检测、脑电图EEG的时频分析、信号的提取与奇异性检测等方面有了广泛的应用。