生科系畢業，想當工程師？你可能覺得這聽起來很瘋狂，但確實有人做到了——而且不是個案。
這篇文章來自一位生科背景、後來成功轉職成為「生理訊號工程師」的過來人。他要分享三個最關鍵的實戰建議。如果你也在考慮跨領域轉職，或者只是好奇生科人怎麼跨進工程領域，這篇文章會讓你知道該從哪裡開始。
什麼是生理訊號工程師？
在講建議之前，先搞清楚這個職業在做什麼。
生理訊號工程師的工作核心是：用工程方法分析人體產生的電訊號。
你的身體隨時都在產生各種電訊號。心臟跳動時，心肌細胞的去極化（Depolarization）和再極化（Repolarization）會產生可以被偵測到的電位變化——這就是心電圖（ECG, Electrocardiogram）的原理。大腦神經元的活動會產生腦波（EEG, Electroencephalogram），肌肉收縮時產生肌電訊號（EMG, Electromyogram）。
生理訊號工程師要做的事情包括：
- 設計感測器和電路來擷取這些訊號
- 用訊號處理演算法（Signal Processing）過濾雜訊、擷取有用的資訊
- 用機器學習（Machine Learning）來自動辨識訊號中的特定模式
- 把這些技術整合到實際的產品裡，像是穿戴裝置、醫療設備或車用安全系統
這個領域同時需要生物醫學知識和工程技術能力，而這正是生科背景的人可以切入的機會點。
建議一：用作品集取代學歷
為什麼作品集比學歷重要？
轉職最大的障礙是：你的學歷寫的是生物科學，但你要應徵的是工程師。很多面試官看到你的履歷第一反應就是：「你真的會寫程式嗎？」
這時候，一份拿得出手的**作品集（Portfolio）**就是你最強的武器。
怎麼開始建立作品集？
你不需要做出什麼驚天動地的產品。從小專案開始：
專案一：ECG 訊號分析 去 PhysioNet 這個免費的生理訊號資料庫下載心電圖數據。用 Python 讀取數據、畫出心電圖波形、標記 R 波的位置（就是心電圖中最高的那個尖峰），然後計算心率（Heart Rate）和心率變異度（HRV, Heart Rate Variability）。
心率變異度是什麼？簡單來說，你的心臟不是像節拍器一樣完美地每秒跳一下。兩次心跳之間的間隔其實有微小的變化，這個變化的程度就是 HRV。HRV 跟自律神經系統（Autonomic Nervous System）的狀態有關——交感神經興奮時 HRV 下降，副交感神經活躍時 HRV 上升。這個指標在心臟醫學（Cardiac Physiology）和壓力/疲勞偵測領域非常重要。
專案二：EEG 訊號分類 腦波（EEG）包含不同頻率的成分——alpha 波（8-13 Hz，放鬆時出現）、beta 波（13-30 Hz，專注時出現）、theta 波（4-8 Hz，瞌睡時出現）等。試著用傅立葉轉換（FFT, Fast Fourier Transform）把原始 EEG 拆解成這些頻率成分，然後用機器學習分類器（比如隨機森林 Random Forest 或 SVM）來自動判斷受試者是清醒還是打瞌睡。
專案三：做一個小型的穿戴式裝置原型 用 Arduino 或 Raspberry Pi 搭配便宜的生理訊號感測器（像是 AD8232 心電圖模組），做一個能即時顯示心電圖的小裝置。成品不用多精美，重要的是展現你從硬體到軟體都能搞定。
把這些專案整理好，放到 GitHub 上，附上清楚的 README 和技術說明。面試的時候直接打開給面試官看，比什麼口頭解釋都有力。
建議二：面試要展現「跨領域翻譯」的能力
你的獨特優勢是什麼？
轉職面試的時候，面試官最想知道的是：「你跟其他電機、資工背景的候選人比起來，有什麼不一樣？」
答案就是：你能當科學和工程之間的翻譯官。
舉個例子。當團隊在開發心電圖分析演算法時，電機工程師可能只關注訊號的數學特徵——「這段訊號的 QRS 波群寬度是多少毫秒」。但你知道 QRS 波群代表的是心室去極化的過程，寬度異常可能代表束支傳導阻斷（Bundle Branch Block），這在臨床上有具體的意義。
這種把「工程數據」對接到「臨床意義」的能力，是純工程背景的人很難有的。
面試準備的具體方向
- 技術面：能講清楚你的專案用了什麼演算法、為什麼選這個方法、結果如何。如果用了機器學習，要能解釋你的特徵工程（Feature Engineering）邏輯、模型選擇的理由、評估指標（Accuracy、F1-score、AUC 等）
- 領域知識面：能解釋基本的電生理學（Electrophysiology）原理。什麼是動作電位（Action Potential）？心電圖的 P-QRS-T 各代表什麼？EEG 的不同頻段有什麼生理意義？
- 問題解決面：準備一兩個你在專案中遇到困難、然後想辦法解決的故事。面試官最愛聽這種。
建議三：持續擴充技能樹
必學的核心技能
轉職不是一次性的事，進了門之後還要持續學習。以下是生理訊號工程師的核心技能樹：
程式語言
- Python：生態系最完整，NumPy、SciPy、scikit-learn、MNE-Python（專門用來分析 EEG 的套件）
- MATLAB：很多學術界的訊號處理工具箱（Toolbox）都是 MATLAB 寫的，在生理訊號領域還是主流
- C/C++：如果你要做嵌入式系統或即時處理（Real-time Processing），這是必須的
訊號處理
- 傅立葉轉換（FFT）：時域訊號轉頻域的基本工具
- 數位濾波器設計（Digital Filter Design）：低通、高通、帶通濾波器，用來去除雜訊
- 小波轉換（Wavelet Transform）：適合分析非穩態的生理訊號
機器學習
- 傳統 ML：SVM、Random Forest、XGBoost——分類和回歸任務的主力
- 深度學習：CNN（適合處理影像或頻譜圖）、RNN/LSTM（適合處理時間序列資料如生理訊號）
- 模型驗證：交叉驗證（Cross-Validation）、混淆矩陣（Confusion Matrix）、避免過擬合（Overfitting）
建議的學習路徑
如果你現在是大學生，我建議這樣的順序：
- 先把 Python 學到能做專案的程度（3-6 個月）
- 學基礎的訊號處理（修線上課程或看教科書，2-3 個月）
- 做兩三個生理訊號分析的小專案（3-6 個月）
- 學機器學習的基礎（Andrew Ng 的課程是經典入門，2-3 個月）
- 嘗試把 ML 應用到你的生理訊號專案上
整個過程大概需要一到兩年，但你不需要等到全部學完才開始找工作。有了前三步的基礎和作品集，就可以開始投履歷了。邊工作邊學是最有效率的方式。
轉職不是從零開始
最後想說的是：生科轉工程師，不是從零開始。你在生科訓練中培養的東西——實驗設計的邏輯、文獻閱讀的能力、對人體生理的理解、處理數據的經驗——這些全部都是你的資產。
你要做的不是「丟掉過去重新來過」，而是在既有的基礎上，加蓋新的樓層。
地基已經在了，接下來只看你願不願意繼續往上蓋。
延伸概念：自主神經系統 · 自主神經系統 · 神經系統解剖 · 機器學習在生物資訊 · 心電圖 · 心臟生理 · 免疫系統生理概論 · 腦神經 · AlphaFold資料庫
