離散傅立葉分析 (DFT) 提供了一個強大的框架，用於將複雜信號分解為其基本週期成分，以進行精確的解讀。
本文詳細介紹了 DFT 如何將有限塊的取樣電壓數據（例如靜息狀態記錄或任務型實驗中的單個數據塊）轉換為一組頻率成分。
什麼是離散傅立葉分析？
離散傅立葉分析是一種數學方法，用於將取樣訊號分解為一系列組成頻率，進而對其進行解讀。
此方法並非將數據視為連續流，而是處理離散且有限的數值序列（例如來自 EEG 記錄系統的電壓讀數），以識別各種振盪週期的相對強度。藉由將這些樣本轉換為振幅和相位的數值表示，研究人員能清楚了解數據集中哪些頻率成分最占主導地位。
這種技術填補了原始數據收集與有意義信息提取之間的空白，在實質上起到了數字稜鏡的作用。當應用於複雜的波形時，該過程會將重疊的振盪分離成可讀的頻帶，從而分離出在更廣泛的訊號噪聲掩蓋下原本無法察覺的特定節律特徵。這是現代神經科學研究的基石，在該研究中，分離出獨特的大腦活動模式對於理解健康的神經功能和病理狀態都至關重要。
利用頻率分析重組時間序列的能力，科學家可以有效地過濾掉可能污染讀數的環境電噪音或偽影。這種轉換不僅僅是一次統計練習，而是一個至關重要的工具，能以定量的格式使微妙的高頻振盪變得可見。各頻帶之間的功率分布，構成了當今現代臨床實驗室進行大部分診斷評估的基礎。
離散傅立葉轉換（和 FFT）在 EEG 訊號處理中究竟發揮了什麼作用
一旦連續的 EEG 訊號被取樣成有限的數值序列，DFT 就可以對其進行操作。給定 N 個電壓樣本，DFT 將產生 N 個複數，每個複數代表特定窄頻率區域（稱為頻箱）的貢獻。這樣一來，您不會得到一條混亂的電壓軌跡，而是獲得一個結構化的列表，顯示在該記錄中存在多少各個頻率。
隨着 N 的增大，直接計算 DFT 會變慢，因為計算量與樣本數量的平方成正比。快速傅立葉轉換（FFT）是一種算法，它在運行效率大幅提高的同時，能夠產生在數學上完全相同的結果。
在實踐中，幾乎沒有人通過暴力法計算原始的 DFT。FFT 只是實現該目標的標準且高效的方式，這兩個術語在 EEG 研究中通常互換使用。
如何閱讀原始 EEG 頻譜
假設一段記錄包含 N 個樣本，以每秒 fₛ 個樣本的取樣率進行採集。該記錄的 DFT 將產生 N 個均勻間隔的頻箱，範圍從 0 Hz 到 fₛ Hz。
相鄰頻箱之間的間距（稱為頻箱寬度）等於 fₛ 除以 N。這個單一數值（頻箱寬度）決定了分析所能區分的精細頻率細節。
因為 EEG 電壓是實實值訊號，而不是複數訊號，所以只有這些頻箱的前半部分（具體為 N/2 + 1 個）包含獨特的信息。其餘的頻箱是前半部分的鏡像，不添加任何新內容。頻箱編號 k 对应於 k 乘以頻箱寬度 (fₛ / N) 的真實頻率。
在每個頻箱中，DFT 輸出一個複數，這意味着它有兩個組成部分，而不是一個。該複數的模（幅值）是相應頻率成分的振幅，在適當縮放後以微伏表示。這可以告訴您在錄製片段中該特定節律有多強。
複數的輻角是相位，它告訴您該節律在錄製開始時處於其週期的哪個位置，從而有效地標記了該節律相對於窗口開始時何時達到峰值。
塑造每個 EEG 頻譜的三個限制
三個實際限制決定了基於 DFT 的頻譜有多可靠，而這三個限制都可以追溯到以下事實：輸入的是有限的、已取樣的記錄，而不是無限的、連續的記錄：
頻箱寬度（頻率分辨率）等於 fₛ 除以 N；只有更長的記錄才能分離出兩個相近的節律。
除非在取樣前進行過濾，否則在取樣率一半處的奈奎斯特極限會永久混疊更快的大腦活動。
當大腦節律的頻率落在頻箱中心之間時，頻譜洩漏會將其能量擴散到鄰近的頻箱中；漸變窗口可以減少這種擴散。
將 DFT 應用於靜息態和塊設計 EEG
DFT 在隱含中假設訊號的頻率內容在被分析的片段中不會發生太大變化。在持續休息期間或在重複性認知任務的統一區塊中，這種假設是合理的，這些狀態大約是平穩的。在這些情況下，在整個時期內進行的單個 DFT 會產生一個能代表大腦在該段時間內節律活動的頻譜。
這與一項傳統研究中採用的方法極為相似，該研究探討了大腦半球 EEG 的不對稱性，期間參與者在進行語言、算術、空間和音樂任務時，研究人員從顳葉和頂葉電極部位記錄了 EEG。
這些記錄的離散傅立葉轉換產生了功率比，用於比較右腦半球和左腦半球在標準頻帶上的差異。alpha 頻帶顯示，大腦半球之間的不對稱性顯著取決於正在執行哪項任務，而積極參與該任務的大腦半球始終顯示出比例較低的 alpha 功率。
在 alpha 頻帶中的這種任務依賴性效應被報告為比早期研究在不單獨分離 alpha 頻帶的情況下觀察全頻帶功率時大 2 到 5 倍。這種靈敏度的提升直接來自於使用 DFT 分離頻帶，而不是將訊號視為一個未分割的整體。
此外，日本福井工業大學對正常和癲癇 EEG 的一項研究也提供了類似的模式，並應用於可能的靜息狀態。其傅立葉分析揭示了前面提到的 1/f 狀頻譜形狀，並證實了正常記錄中顯著的 alpha 節律在癲癇記錄中是缺失的。
局限性：DFT 在何時會力有未逮
只要 EEG 活動在此窗口內快速變化，DFT 關於頻率內容在整個分析片段中保持恆定的核心假設就會崩潰。癲癇棘波和突然的情緒轉變是這種非平穩行為的兩個明顯例子。
分析正常和癲癇 EEG 的研究直接證實了這一限制。雖然傅立葉轉換成功捕捉到了錄像的整體 1/f 頻譜形狀，但它未能揭示典型癲癇發作活動的局部棘波和尖波綜合。
小波轉換是另一種獨特的時頻工具，能夠檢測到傅立葉方法無法檢測到的局部事件。
實際的結論非常直接：對於平穩記錄、靜息態區塊或控制良好的任務區塊，DFT 為頻率分析提供了堅實且易於解讀的基礎。對於短暫或快速變化的事件，時頻延伸（例如小波或自適應短時轉換）可能才是不可或缺的。
離散傅立葉分析和小波分析：兩者的比較
離散傅立葉分析提供了訊號的出色全局視圖，識別了整個數據塊上的靜態頻率組成。因為它計算了該時間窗口的單個平均頻譜，所以對於節律特性保持一致的平穩訊號非常高效。然而，它缺乏精確解析特定頻率事件何時在該分析片段內發生的能力，實質上將時間特徵模糊成了一個單一的骨幹畫像。
與之相反，小波分析提供了一種多分辨率方法，能在時間和頻率上都提供局部信息。通過使用大小可變的窗口，小波轉換可以放大短暫的棘波或突然爆發的活動，而這些活動在使用更廣泛的傅立葉方法時往往會丟失。這使得它們在檢查情境性大腦現象或不遵循一組周期性模式的快速神經變化時，具有顯著更高的靈活性。
在這兩種方法之間做出選擇，需要在研究項目參數內優先考慮信息需求。研究人員通常會遵循一個標準的程序工作流來確定其訊號處理策略：
確認感興趣的訊號是平穩的還是瞬態的。
應用傳統的全域頻譜分析進行平均功率評估。
實施時頻分解以進行局部事件跟踪。
根據已知生理偽影驗證生成的能量分布。
離散傅立葉分析 Python 實現指南
在 Python 中實現這種分析通常涉及使用像 NumPy 或 SciPy 這樣的專業庫，它們提供了用於計算快速傅立葉轉換的優化函數。
主要函數 fft 接受一組電壓樣本並返回一個複值容器，代表每個諧波處的功率和相位。開發人員必須確保在必要時正確填充輸入數組，儘管現代庫會針對大多數標準數組大小自動處理底層矩陣操作。
在計算出原始轉換後，實際應用需要對輸出進行歸一化，並計算絕對值以推導出功率譜。這涉及除以序列的總長度以適當地縮放幅度。一旦縮放，就可以相對於定義的頻率軸繪製頻譜，該頻率軸是根據記錄硬件的原始採樣頻率構建的。
完成代碼需要通過帶通濾波器首先清理輸入訊號來處理潛在的偽影。通過僅隔離當前研究感興趣的頻率，用戶可以減少計算佔用空間並提高最終頻譜圖的可讀性。隨着新研究需求的出現，這種模塊化方法允許對處理流水線進行快速提煉。
離散傅立葉分析 PDF 指南和資源
對於那些尋求深度技術手冊的人來說，有幾個基礎的 PDF 資源詳細介紹了頻譜分析的數學證明和實現策略。這些文檔充當了理論訊號處理教科書與實際實驗室應用之間的橋樑，闡明了如何解釋誤差範圍和系統特性的偏差。其中許多指南都是由學術研究小組策劃的，目的是在多機構研究中將處理過程標準化。
這些資源經常包含關於準備分析用原始時間序列數據的教程，強調特定的數據清潔度要求，例如偽影剔除和重新參考。它們還提供了各種窗口函數的綜合概述，解釋了它們如何影響頻譜分辨率與幅值精度之間的權衡。對於任何希望超越常見庫函數黑箱實現的從業者來說，理解這些細微差別至關重要。
藉由參考這些技術指南，學生和研究人員可以深入了解與數字轉換相關的常見陷阱，例如頻譜洩漏和摺疊偽影。這些指南會定期更新，以反映計算速度和效率方面的進步，以確保所描述的方法學在當前科學項目中使用的現代高分辨率採樣硬件上保持最新且適用。
頻率分析如何揭示隱藏的大腦節律
將 EEG 記錄分解為其組成頻率，可以將一條糾結的電壓軌跡轉化為更具啟示性的內容。離散傅立葉轉換能精確顯示存在哪些節律以及它們的強度，這就是為什麼它已成為提取與智力任務相關的 alpha 頻帶不對稱性，或區分正常大腦活動與癲癇記錄的獨特 1/f 形狀等特徵的第一步。這一步驟在穩定、靜息或基於任務的狀態期間，提供了大腦振盪景觀的清晰且易於解讀的畫面。
然而，該方法帶有重要的限制，因為它需要足夠快的採樣率以避免混疊，足夠長的窗口以區分相近的節律，並且需要意識到突然的神經事件會破壞其大腦狀態穩定的核心假設。對於那些短暫的棘波或快速的情緒轉變，研究人員通常會轉向時頻替代方案，儘管在許多任務中進行的這些工具比較仍然很少。
了解原始幅值譜能說明什麼以及不能說明什麼，可以保持對數據實際支持內容的關注，通過一項又一項的研究構建出大腦功能的研究圖景。
參考文獻
Doyle, J. C., Ornstein, R., & Galin, D. (1974). Lateral specialization of cognitive mode: II. EEG frequency analysis. Psychophysiology, 11(5), 567-578. https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
Yamaguchi, C. (2003, March). Fourier and wavelet analyses of normal and epileptic electroencephalogram (EEG). In First International IEEE EMBS Conference on Neural Engineering, 2003. Conference Proceedings. (pp. 406-409). IEEE. https://doi.org/10.1109/CNE.2003.1196847
Samiee, K., Kovacs, P., & Gabbouj, M. (2015). Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans. Biomed. Eng., 62(2), 541-552. https://doi.org/10.1109/TBME.2014.2360101
常見問題解答
離散傅立葉轉換究竟對 EEG 記錄做了什麼？
DFT 將採樣 EEG 電壓的有限塊分解為一組頻率成分，每個成分由一個複數表示。這些數字揭示了存在多少各頻率（振幅）以及它在分析窗口內從哪個相位開始。
為什麼在記錄 EEG 時採樣率如此關鍵？
採樣率決定了可以精確獲取的最高頻率，稱為奈奎斯特頻率。如果訊號包含高於採樣率一半的頻率，它們就會發生混疊（被誤認為是較低頻率），並且事後無法糾正。為了防止這種情況，EEG 系統會在取樣前應用低通濾波器以去除超出奈奎斯特極限的頻率。
什麼決定了 DFT 區分相近頻率的精細程度？
頻率分辨率由頻箱寬度設定，該寬度等於採樣率除以片段中的樣本數。更窄的頻箱允許更好地分離附近的節律，但實現它們需要更長的記錄時期。
什麼是頻譜洩漏，以及如何解決？
當真實的大腦節律與 DFT 頻箱不完美對齊時，就會發生頻譜洩漏，導致其能量傳播到多個頻箱中並模糊峰值。應用一個能平滑訊號邊緣的漸變窗口（如漢寧窗）可以減少這種洩漏，儘管無法完全消除。
除了一個簡單的功率值外，DFT 輸出還能告訴我們什麼？
原始 DFT 既提供了代表微伏特節律強度的振幅，又提供了表示節律週期在記錄窗口開始時所處位置的相位。雖然振幅被廣泛使用，但相位在 EEG 研究中常常被忽視，但它仍然是 DFT 結果中固有的部分。
在什麼條件下，DFT 能提供大腦活動的可靠圖景？
當 EEG 訊號大約是平穩的，意味着它的頻率內容在記錄塊期間沒有太大變化時，DFT 效果很好。這在靜息態記錄或認知任務的控制良好、統一的區塊中非常典型。
為什麼 DFT 可能無法捕捉到某些大腦事件？
DFT 假設頻率內容在所分析的片段上保持不變，因此它無法精確地表示像癲癇棘波或突然的情緒變化等快速、瞬態的事件。在這些非平穩的情況下，能量會被抹在許多頻率上，此時像小波一類的時頻方法會更適合。
快速傅立葉轉換（FFT）與 DFT 有何關係，以及為什麼要使用它？
FFT 是一種計算 DFT 速度快得多的算法，能產生在數學上完全相同的結果。在 EEG 研究中，這兩個術語通常可以互換使用，因為 FFT 是獲取頻譜的標準且高效的方式。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
克里斯蒂安·布戈斯
