フーリエ変換

脳波（EEG）波形が実際に表しているもの

脳波計（脳波）は、刻一刻と変化する電圧を記録します。これをプロットすると、電極下の電気活動の変化に伴って上下に動く単一の連続線（時系列）が生成されます。単体で見ると、この線は1つの統一された事象のように見えます。しかし、その見た目は誤解を招きやすいものです。

実際には、任意の瞬間に記録される電圧は、その下にある神経組織内で同時に発生している多くの個別の振動プロセスの複合的な結果です。これらのプロセスの一部はゆっくりと周期的に変化し、他は急速に変化します。これらが同時に発生すると、複数の楽器が異なる音を奏でて1つの和音に溶け込むのと同じように、個々のパターンが合算されて1つの複合波形になります。聞き手には1つの音として聞こえますが、その音は密かに重ね合わされたいくつかの異なる音高で構成されています。

EEG波形も同じように機能します。1つの不規則な線に見えるものは、実際には単一の信号に重ね合わされた複数のリズムです。

これにより生じる問題は単純明快です。複数のリズムが1つの波形に混ざり合っている場合、どのリズムが存在するのか、あるいはそれぞれがどれほど強いのかを、どうやって特定できるのでしょうか？

フーリエ変換：顕微鏡ではなくレンズ

フーリエ変換はその疑問に答えますが、新しいデータを発見することによってではありません。まったく同じEEGセグメントを、異なる座標系を使用して再表現することによって機能します。時間を軸とした電圧の観点から信号を記述する代わりに、周波数成分の観点から同じ信号を記述し、その中に各振動レートがどれだけ存在するかを示します。

この変換は数学的に可逆的であり、EEGエポックを周波数表現に変換した後に元に戻すと、元の時間ベースの波形がまったく同じ状態で再び現れます。

時間と周波数という2つの表現には、まったく同一の情報が含まれています。日光がプリズムを通過しても色が生成されるわけではないのと同じように、それらは単に情報を異なって整理しているだけです。色はすでに白色光の中に存在していました。プリズムは、混ざり合っていた波長を分離して個々に見えるようにするだけです。

フーリエ変換はEEG信号に対してそれと同等の分離を実行し、元の記録を一切変更することなく、リズミカルな構成要素を可視化します。

フーリエ変換の数学的基礎

その核心において、この変換は信号と複素指数関数の積の積分評価に依存しています。この演算は、元の波形とさまざまな周波数の正弦波との間の相関を計算します。元の信号内に特定の周波数が存在する場合、積分によって周波数領域のそのポイントで高い値が得られ、局所的なエネルギー強度を表します。

正式な定義では、オイラーの等式を利用して三角関数と複素指数関数の間のギャップを埋めます。順変換は連続関数 f(t) を F(ω) に変換し、逆変換はこれらの合成された成分の総和を通じて元の信号を再構成します。この対称性により、変換中に情報が失われないことが保証され、完全に可逆的な数学的遷移が可能になります。

実務者は、これらの積分を物理データに適用する際、正規化定数と収束基準に細心の注意を払う必要があります。積分範囲や信号定義の不適切な取り扱いは、不正確なスペクトル推定につながる可能性があります。これらの数学的境界を尊重することで、周波数領域表現が元の時間依存データストリームを忠実に反映し続けることが保証されます。

フーリエ変換の種類

連続フーリエ変換と離散フーリエ変換

連続変換は無限の時間間隔で定義された関数に適用されますが、離散バージョンはサンプリングされた有限のデータシーケンスに対して動作します。

実際には、デジタルシステムは常に離散処理を利用しており、連続的な現象を正確に表現するにはサンプリング限界を慎重に検討する必要があります。大きなデータ損失なしにこの遷移を近似するためのさまざまな方法が存在します。これには以下が含まれます：

• 入力データのエッジをテーパー状にすることでスペクトル漏れを防ぐ窓関数。

• 得られる周波数ビンの解像度を高めるためのゼロパディング技術。

• デジタル化プロセス中の信号の完全性を保証するエイリアシング緩和戦略。

• 存在する関連するすべての高周波情報を捉えるためのサンプリング定理の遵守。

• 入力データポイントの数に応じてスケールする効率的な計算マッピング。

これらの考慮事項は、離散的な結果が基礎となる連続信号構造をどれほど効果的に反映するかを決定づけるのに役立ちます。

高速フーリエ変換：速度が重要な理由

高速フーリエ変換（FFT）などの効率的なアルゴリズムの開発により、大規模なデータスループットを持つシステムでのリアルタイムスペクトル解析が可能になりました。これらの最適化がなければ、標準的な離散変換の計算の複雑さにより、最新の診断技術は使用できなくなります。以下に示すように、大規模なデータセットの計算時間を比較すると、効率の向上は極めて明白です。

2次関数的にスケールする演算を対数的にスケールする演算に変換することで、これらのツールは迅速な信号監視を促進します。高速な処理により瞬時のフィードバックループが可能になり、これは変化をリアルタイムで観察することが調査の主な目的である環境において極めて重要です。

あらゆるフーリエ計算の背後にある周期性の仮定

フーリエ変換が信号のセグメントを処理するとき、数学的にはそのセグメントが時間の前方および後方の両方向に永遠に無限に繰り返されるかのように扱われます。分析されているEEGの短いスライスは、無限ループ内の1つの繰り返し単位として扱われます。

実際のEEG活動はこのようには動作しません。脳信号は完全に周期的ではなく、連続的な記録から取得されたセグメントが、それ自体にループバックした場合にスムーズに接続されるような値で開始および終了することはめったにありません。

セグメントのエッジが一致しない場合、無限の繰り返しの仮定により境界で歪みが生じます。これはエッジアーティファクトまたはスペクトル漏れと呼ばれることがあり、ある周波数からのエネルギーが、元の信号には実際には存在しなかった隣接する周波数へとぼやけて広がっているように見えます。

これは手法を無効にするような欠陥ではありません。これは既知の数学的トレードオフであり、セグメントを慎重に選択すれば管理可能です。これが、周波数ベースのEEG分析が通常、長時間にわたる絶え間なく変化する記録ではなく、短く比較的安定した信号の区間を扱う理由の1つです。

例えば、Jansenらは長時間の記録ではなく短いEEGインターバルにわたって周波数領域の特徴を比較しました。これは、分析される各セグメントを、周期性の仮定が妥当な近似であり続けるのに十分な短さに保つことと一致するアプローチです。Vidyaratneらによる研究は、関連しつつもより特化した道筋をたどり、フーリエ変換自体に基づいて構築された手法である調和ウェーブレットパケット変換を計算して周波数情報を抽出しながら、時間の経過とともに変化する脳信号の分析に伴う解像度の限界に対処しました。

どちらのアプローチも、ツール自体を放棄することなく、生物学的な現実と完全には一致しない数学的便宜を、実際のEEG研究がどのように受容しているかを示しています。

脳活動の読み取りにおいて周波数成分が重要な理由

EEGエポックがその周波数成分に変換されると、それらの成分は、脳活動について読んだことがある人ならおそらく目にしたことがあるカテゴリー（デルタ波、シータ波、アルファ波、ベータ波、ガンマ波の各帯域）に対応付けられます。これらのラベルは振動速度の範囲を表し、睡眠研究、認知研究、臨床診断全体で使用される語彙を形成しています。

この分解は、実質的にすべての周波数ベースのEEG解釈の基礎となる概念的基盤です。レポートで特定の帯域での活動の上昇や帯域間のバランスの変化に言及されている場合、その言及は、信号がまずフーリエ変換が提供する論理を使用して分解されたからこそ意味を持ちます。この分解がなければ、脳のリズムを説明するための語彙はまったく存在せず、ただの途切れない電圧の軌跡が存在するだけです。

振動周波数が脳の状態に関する有意義な情報を運ぶという主張は、神経科学の多くの分野で広く議論されています。

フーリエに基づく分析が発作活動について明らかにしたこと

発作時（Ictal）信号と非発作時信号の分離

研究者のRam Bilas Pachoriは、経験的モード分解と呼ばれる手法を頭蓋内EEG信号に適用し、各記録を固有モード関数として知られる一連の帯域制限成分に分解しました。その後、フーリエ・ベッセル展開を使用して、これら各成分の平均周波数を計算しました。

発作時（活動的な発作中に記録されたものを意味する）の信号と非発作時の信号を比較したところ、平均周波数の特徴は2つの状態間で統計的に有意な差を示しました。この結果は、フーリエベースの手法によって抽出された周波数情報が、発作活動に関連する検出可能なシグネチャを持っていたことを示しています。

Vidyaratneらは、関連しつつもさらに高度な目標である、リアルタイムでの発作発症の検出を追求しました。このアプローチでは、フーリエ変換によって計算された調和ウェーブレットパケット変換からのエネルギー特徴と、信号内の繰り返される自己相似パターンを捉えるフラクタル次元と呼ばれる別の測定値を組み合わせました。

これらの結合された特徴は、電極チャネル全体で空間的に、また移動分析ウィンドウ全体で時間的に整理され、その後、大規模でスパースな特徴セットに対する効率性を理由に選択された手法である関連性ベクトルマシンを使用して分類されました。

長期頭皮EEG記録でテストされたこのシステムは、発作発症の検出において96パーセントの感度を達成し、誤検出率の中央値は1時間あたりわずか0.1イベント、平均検出レイテンシは1.89秒でした。頭皮と頭蓋内の両方の記録から得られた短期データでは、分類精度は99.8パーセントに達しました。

これら2つの研究を合わせると、フーリエ関連の分解を通じて抽出された振動情報が、てんかん検出という特定のコンテキストにおいて診断上関連性のある内容を保持していることが示されています。

代替変換と比較されたフーリエ特徴

Jansenらは異なる角度からこの問題にアプローチし、2つの数学的変換を直接比較しました。

研究者らは、フーリエ分析を単独でテストするのではなく、フーリエ変換から導出された特徴と、滑らかな正弦波の代わりに矩形や正方形の関数を使用して信号を分解する手法であるウォルシュ変換から導出された特徴を比較しました。短いEEGインターバルに適用した場合、フーリエ変換から得られた特徴は、ウォルシュ変換から得られた特徴よりも一貫して優れた分類結果をもたらしました。

この比較は、少なくともその研究が調査した特定の分類タスクにおいては、正弦波の構成要素が、四角い矩形の代替物よりもEEG信号の基礎構造とより自然に合致している可能性があることを示唆しています。

ポータブルデバイスを使用した応用EEG研究におけるフーリエ変換

ポータブルEEG headsetにより、研究室の外で脳活動を記録することが可能になり、フーリエ変換はそれらの記録から周波数帯域情報を抽出するための主要なツールのままであり続けています。Emotiv Epoc Xを使用した最近のいくつかの研究は、スペクトル分解が教育、ブレイン・コンピュータ・インタフェース、消費者神経科学、および運用パフォーマンスにおける研究をどのようにサポートしているかを示しています。

教室における認知負荷と注意力のモニタリング

ある教育研究において、研究者らはEmotiv Epoc Xを使用して、リラクゼーション、読書、計算中のEEGを記録しました。彼らはフーリエ変換を適用してシータ波、アルファ波、ベータ波の帯域パワーを計算し、注意、エンゲージメント、認知負荷の推定値を導出しました。著者らは、疲労に関連するアルファ波パワーの増加、読書中の注意力の高まり、および計算中の認知負荷の上昇（特に回答が正解だった場合）を報告しています。

失読症（ディスレクシア）の参加者は、開眼リラクゼーション中のアルファ波ピーク周波数が低く、読書中のシータ波活動が増加していましたが、テストのスコアは対照群と一致していました。これらの知見は、EEGが覚醒度と疲労を追跡するのに役立つ可能性を示唆していますが、注意に使用されるベータ/シータ比は持続的注意を確実に監視できない可能性があることも示唆されています（教育におけるEEGモニタリングに記載）。

ロボット制御のための定常状態視覚誘発電位の検出

ブレイン・コンピュータ・インタフェースの研究では、点滅するLEDグループによって引き起こされる定常状態視覚誘発電位（SSVEP）を検出するためにEmotiv Epoc Xが採用されました。高速フーリエ変換分析とガウスモデルを組み合わせることで、ユーザーの視線方向に対応する支配的な周波数成分が特定されました。

被験者のトレーニングを一切行わずに、システムは意図したターゲットを平均75%の確率で正しく検出し、SSVEPベースのBCI制御に示されているように、フーリエベースの周波数検出が視覚的注意を制御コマンドに変換できることを実証しました。

アルファ帯域の特徴からのブランド選好の抽出

ニューロマーケティングの調査において、Emotiv Epoc Xは参加者が自動車の広告を見ている間の脳の反応を記録しました。アルファ帯域（8〜13 Hz）が分離され、高速フーリエ変換によってパワースペクトル密度、スペクトルエネルギー、およびスペクトル重心が抽出されました。これらの特徴が確率的ニューラルネットワークで分類された際、システムは最も好まれるブランドを特定する上で96.62%の精度を達成しました。

この結果は、FFTベースのニューロマーケティング分析で詳述されているように、周波数領域の特徴が制御された環境において消費者の好みを反映できることを示しています。

海上ナビゲーション中の状況認識の評価

タグボートの船長を対象とした研究では、Emotiv Epoc XとEmotivPROソフトウェアを使用して、休息中および実際の港湾操船中のEEGを記録しました。高速フーリエ変換帯域パワー分析で5つの条件を比較したところ、アルファ波パワーには差が見られなかったのに対し、操船中はデルタ波、シータ波、ベータ波、ガンマ波のパワーが低下しました。著者らはこのパターンを、ナビゲーションにおける状況認識で報告されているように、プロの船長が休息時と活動的な操船時を通じて一貫した状況認識を維持していた証拠であると解釈しています。

総合すると、これらの調査は、フーリエ解析がポータブルEEG技術と組み合わさることで、多様な現実世界のタスクにわたって有意義なスペクトル特徴をいかに抽出できるかを示しています。これらの知見は相関関係に基づくものであり、少人数のサンプルサイズから導き出されたものであるため、信頼できるバイオマーカーを確立したというよりは、潜在的な応用可能性を指し示しているにすぎません。これらの周波数ベースの指標の汎用性を理解するには、より大規模で多様なグループを対象としたさらなる研究が必要です。

離散フーリエ変換（DFT）の計算方法

離散変換の計算は、安定した期間にわたる信号を代表するクリーンな入力データから始まります。まず信号の長さが希望する周波数分解能と一致していることを確認し、次に有限データの打ち切りによって引き起こされるスペクトルアーティファクトを最小限に抑えるために窓関数を適用する必要があります。この準備作業は、計算フェーズでの重大なエラーを防ぐために不可欠です。

信号の準備が整ったら、実際の計算には時系列ウィンドウ内のすべてのサンプルポイントに変換式を適用することが含まれます。デジタルソフトウェアプラットフォームが重労働を処理し、通常は高速フーリエ変換（FFT）アルゴリズムを利用して毎秒何百万もの計算を実行し、明確な振幅スペクトルを生成します。この出力は、その後の研究で結果を解釈できるようにするために、入力測定値の物理単位（EEGの場合はマイクロボルト、$\mu V$ など）を反映するように正しくスケーリングする必要があります。

得られたスペクトル強度の解釈には、個別の振動パターンがないかデータを調べる必要があります。機械システムでは鋭く孤立したピークが見られる場合がありますが、EEGのような生体信号では、個別のピークだけに頼るのではなく、広い周波数帯域（例：8〜12 Hzのアルファ帯域）内の総パワーを分析することがしばしば求められます。これらのスペクトル特徴の物理的重要性はコンテキストに大きく依存し、多くの場合、基礎となる生理学的または機械的な動作を示しています。これらの手順を一貫して実行することで、実務者は最も複雑な観測波形からでも、有意義で実行可能な周波数データを抽出できます。

フーリエ変換と他の周波数領域手法の比較

非常に汎用性が高い一方で、フーリエアプローチは測定期間中に安定している定常信号を前提としています。急激なてんかん性スパイクや睡眠紡錘波の短いバーストなど、急速で一時的な変化を伴うシナリオでは、ウェーブレット変換などの他の手法が周波数の詳細とともに時間情報を維持することで、より優れた位置特定を提供します。適切なツールを選択するには、信号が一定のリズミカルな構造を維持しているか、それとも突然変化するかを評価する必要があります。

特異スペクトル解析（SSA）などの代替手法は、標準的な変換では解明が困難な非線形で予測不可能な信号を分解するのに有利です。これらの手法は、複雑で現実世界の生理学的データセットにおいて、信号のトレンドと振動ノイズを抽出するのに優れていることがよくあります。選択は、特定の研究セットアップにおいて時間的精度とスペクトル精度のどちらにどの程度のレベルの精度が必要かによって決まります。

結局のところ、単一の変換手法が信号処理のジレンマに対する万能薬となるわけではありません。実務者は、各アプローチの計算コストと数学的制約をデータ特性と照らし合わせて比較検討する必要があります。これらの多様な視点を統合することで、最終的な解釈の忠実度を最大化する、堅牢でバランスの取れた診断プロセスが保証されます。

フーリエ変換を計算するためのツールとソフトウェア

最新のオープンソースライブラリにより、これらの高度な数学的演算へのアクセスが民主化され、研究者はわずか数行のコードで複雑な分析を実行できるようになりました。データサイエンス向けに特別に構築されたプラットフォームは、大規模な配列や高次元の信号を容易に処理できる最適化されたルーチンを提供します。これらのツールは、自動化された信号のクリーニングや分類タスクなど、スペクトル分析の大規模なパイプラインへの統合を容易にします。

神経データまたは地震データ用に設計された専用ソフトウェアには、スペクトル分解やアーティファクト除去用の事前構築済みモジュールが含まれていることがよくあります。これらのパッケージは、周波数のスケーリングやウィンドウ処理の複雑さを自動的に処理し、基盤となるアルゴリズムの専門知識を持たない可能性のある研究者のエラーのリスクを軽減します。これらの標準化されたツールを一貫して使用することは、異なる研究所間での研究結果の再現性にも役立ちます。

ソフトウェアスイートを選択する際、既存のデータ形式との互換性と高密度センサーアレイを処理する能力が依然として最優先事項です。パラメータの調整やアルゴリズムの選択に関する明確な例を提供するドキュメントは、初心者にとって非常に役立ちます。コミュニティがこれらのツールを改良し続けるにつれて、焦点はますますリアルタイムのエッジ処理と超大規模データセット向けのクラウドベースのスケーラビリティへと移行しています。

周波数分析が明らかにする脳の隠されたリズム

フーリエ変換は脳信号に対する数学的なプリズムのように機能し、重複するリズムを解きほぐして個別の周波数帯域にします。この分解は、深い睡眠から注意深い集中に至るまでの脳の状態を説明するための不可欠な語彙を提供し、アルファ波やデルタ波などの用語の意味を理解できるようにします。この再構成がなければ、EEG波形は解読不可能な波打つ線のままであり、その隠されたリズムは見えないままです。

実用的な力は発作検出において明確に現れ、周波数分析により高い精度で発作活動と通常の脳パターンが区別されます。信号セグメントが完全に繰り返されるという変換の仮定は生物学的な事実ではなく数学的な便宜ですが、短く安定した区間を慎重に選択することで歪みを管理可能な状態に保ちます。文献が示しているように、脳活動をリズムの総和として表現することは（ニューロンがどのように発火するかの文字通りのモデルではないものの）、測定可能であり臨床的にも有用な情報をもたらします。

参考文献

1. Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920

3. Pachori, R. B. (2008). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

よくある質問

生のEEG波形は実際に何を表していますか？

EEG波形は時間の経過に伴う電圧変化を示す1本の線ですが、実際には脳内で同時に発生している多くの個別の振動プロセスの合算です。複数の楽器が単一の和音に溶け込むように、異なる速いリズムと遅いリズムが合算されて1つの複合波形になります。

フーリエ変換はEEG信号をどのように分析しますか？

フーリエ変換は、時間を軸とした電圧ではなく周波数成分の観点から記述することにより、まったく同じEEGデータを再構成します。すでに存在している混ざり合ったリズミカルな成分を分離し、光線内の個々の波長を明らかにするプリズムのように機能します。

フーリエ変換はEEG記録に新しい情報を追加しますか？

いいえ、変換は数学的に可逆的であり、データを創出したり破棄したりすることはありません。信号を一連の正弦波周波数に変換することで表示を変更し、基礎となるリズミカルな構成要素を可視化するだけです。

フーリエ変換をEEGに適用する際の主要な数学的仮定は何ですか？

計算では、選択されたEEGセグメントが完全なループで無限に繰り返されるかのように数学的に扱われます。この周期性の仮定は分析を簡素化しますが、信号の開始と終了がスムーズに一致しない場合にエッジアーティファクトを引き起こす可能性があります。

不規則な脳波を滑らかな正弦波に分解することがなぜ有効なのですか？

フーリエの定理は、特定の周波数、振幅、位相を持つ純粋な正弦波と余弦波を加算することによって、ほぼすべての波形を再構成できることを示しています。ニューロンが文字通り孤立したクリーンな正弦波を生成するわけではありませんが、この数学的表現は分析に有効です。

EEGの解釈において、アルファ帯域やデルタ帯域などの周波数帯域が重要なのはなぜですか？

信号が分解されると、その成分はデルタ波やベータ波などの標準的な帯域に対応付けられ、これらが脳の状態を説明するための基本的な語彙を形成します。特定の帯域におけるパワーの変化に関する言及はすべて、このフーリエに基づく初期の分離に完全に依存しています。

発作を検出するためにフーリエ分析を使用することを支持するどのような証拠がありますか？

フーリエ由来の周波数特徴を使用した研究では、発作時と非発作時の脳信号の間に統計的に有意な差があることが示されています。あるリアルタイム検出システムは高い感度を達成し、振動情報がてんかんにとって臨床的に関連のある内容を運んでいることを実証しました。

この周波数ベースのアプローチの主な限界は何ですか？

無限繰り返しの仮定は構造的な単純化であり、長時間にわたる変化する記録では精度が低下します。さらに、強力な分類結果は特定のデータセットから得られたものであり、脳が生理学的構造として個別の正弦波発振器を使用していることを証明するものではありません。