離散訊號處理

什麼是離散訊號處理？

離散訊號處理涉及對以數字序列表示的資訊進行數學操作。藉由將現實世界的類比輸入轉換為離散樣本，電腦便能進行傳統類比電路無法實現的複雜分析。

這些數位操作的精密性與可重複性，使其在從氣候模擬到腦電圖（EEG）訊號處理等領域中皆不可或缺。此領域為連續數據如何被離散化、處理並最終重構供人類或機器使用制定了規則。

離散時間訊號處理與連續時間訊號的對比

連續時間訊號在定義的時間區間內平滑變化且存在於每一個時間點；而離散時間訊號則僅定義在特定的週期性時間點上。

數位訊號處理依賴於這兩種纇型之間的轉換，通常利用硬體來彌合此差距。工程師必須小心管理此過渡過程，以確保離散序列能準確反映潛在的連續現象，而不會引入當取樣率不足以捕捉訊號中最快變化時所產生的混疊誤差。

離散時間訊號的連續時間處理：取樣與重構

將連續影響轉換為數位格式的過程需要一個類比數位轉換器，以在精確的時間間隔內記錄訊號強度。一旦處理完成，資料若要被人類感知，就必須恢復為類比形式，這需要透過重構濾波器來實現。這些濾波器能將取樣資料的「階梯狀」外觀平滑化為連續波。

有效的重構取決於是否遵守奈奎斯特-夏農取樣定理，該定理規定了系統為了保留所有有效資訊而測量輸入時必須達到的最低頻率。

離散訊號處理的核心概念

現代數位分析依賴於一套旨在有效分解、重組和解釋數據點的數學工具。這些概念為工程師提供了一個框架，用以處理從龐大的感測器陣列到簡單的音訊輸入等各種對象。

藉由選擇正確的數學方法，研究人員可以在減少運算開銷的同時，最大化在輸出中觀察到的訊號品質。

頻域分析：數位訊號處理中的離散傅立葉轉換

離散傅立葉轉換（DFT）是一項基本技術，能將任何時間序列數據的序列轉換為其組成的頻率成分。

這種轉換能讓使用者看清哪些頻率主導了訊號，以及哪些頻率缺失，從而促進了諸如諧波分析和數據壓縮等任務。藉由在頻譜域中觀察訊號，從業者可以孤立出那些在僅觀察時間序列時可能會被完全掩蓋的特定事件。

濾波：移除或增強訊號成分

濾波允許藉由衰減不需要的頻率同時允許所需的成分通過，來對訊號進行選擇性修改。數位濾波器經過精心調諧，可以抑制高頻雜音、低頻交流聲，或困擾原始數據收集的特定週期性干擾。

下表說明了針對數位工作流程中特定操作需求而設計的常見濾波器類型：

這些配置代表了大多數數位實現中可用的標準工具集。

離散隨機訊號與統計訊號處理

統計訊號處理旨在解決訊號並非純粹確定性，而是表現出不同程度隨機性的情況。藉由將這些輸入視為隨機過程，分析人員可以確定系統的平均行為和變異數，即使個別數據點看似不可預測。

這種方法對於在神經科學中估計訊號路徑以及在噪雜環境中管理不確定性至關重要。

卷積：結合訊號

卷積提供了一種嚴格的數學方法，用於根據系統的輸入及其脈衝響應來確定系統輸出如何變化。當一個訊號與另一個訊號進行卷積時，產生的輸出展示了系統如何隨時間和空間轉換入射波形。

以下步驟概述了卷積的實際執行過程：

1. 將第二個訊號在時間上反轉。

2. 將反轉後的訊號在第一個訊號上平移並滑動。

3. 計算重疊區域的積分或總和。

4. 對沿時間軸的每個點重複此計算。

這種有條理的方法可確保根據系統固有的特性和環境約束來準確模擬輸出。

離散訊號處理的應用

離散訊號處理定義了許多與物理世界互動的現代機器的性能。藉由應用這些演算法，開發人員可以確保敏感數據保持清晰且準確，無論該資訊是來自網路橋接器還是個人的腦電圖記錄。

這些方法的多功能性意味著常見的演算法通常會出現在從消費型手持設備到專業工業測試設備的硬體中。

音訊應用中語音訊號的離散時間處理

音訊訊號要經過密集的計算，以確保傳輸和儲存過程中的清晰度。離散方法允許在減小數據大小的同時，保留足夠的細節以聽起來自然，這是透過模擬人類聽覺並消除通常無法聽到的聲音來達到的成就。

這種先進的空間濾波技術可以有效管理複雜的聲學環境，而無需過多的硬體容量。

圖像與視訊處理

視覺媒介依賴於二維離散分析，其中像素作為取樣的數據點。藉由操作這些網格，設備可以執行諸如銳化邊緣、調整色彩平衡以及壓縮視訊以節省頻寬等任務，同時保持高視覺空間解析度。

這些操作通常利用主成分分析，在數百萬個訊框中高效地丟棄冗餘資訊。

電信與數據傳輸

電信依賴於訊號流的持續最佳化，以確保資訊封包能無損地抵達目的地。先進的錯誤偵測與更正演算法利用離散數學即時驗證數據完整性，即使在存在強烈電磁干擾的情況下也是如此。

這種水準的可靠性使得現代網路基礎建設得以在全球範圍內快速擴展。

大腦的連續聲音及其起點

腦電圖帽補捉到的電訊號源自於大群神經元以鬆散同步的方式發放。雖然單個神經元的活動範圍太過局限且微弱，無法在頭皮上被偵測到，但成千上萬個神經元的集體放電會產生波動的電壓——通常僅測得數十微伏特。這種微弱的訊號必須穿過腦組織、顱骨和頭皮，最終才能到達記錄電極。

由於這種訊號非常脆弱，它到達頭皮時會與生理和環境噪音（例如肌肉運動、眨眼和附近的電磁干擾）嚴重混合。為了理清這些原始數據，研究人員必須仔細地將大腦活動整理到特定的頻帶中——傳統上標記為 delta、theta、alpha、beta 和 gamma——每個頻帶對應不同的精神狀態，並佔據頻譜的獨特範圍。

這種分離的重要性在一些研究中得到了強調，例如 2010 年發表於《Journal of Biomedical Science and Engineering》上的一項研究中，在使用表面拉普拉斯濾波進行初步清洗後，利用離散小波轉換（DWT）將腦電圖記錄分解為 alpha、beta 和 gamma 頻帶。

這種精確度至關重要：如果要對可延伸高達 100 Hz 的 gamma 節律進行可靠的分析，數位化過程就必須將這些頻帶保留為獨特的成分。若沒有忠實的訊號處理，這些至關重要的振盪就會模糊成無法區分的混雜物，從而使準確的神經科學分析變得不可能。

取樣：拍攝流動河水的照片

將連續電壓轉換為一系列數字需要取樣，即在時間上定期、離散地測量訊號電壓，而不是連續測量。

想像一條流經固定點的河流。你無法將它的運動當作運動本身來捕捉。相反地，你每隔幾秒鐘就拍一張照片。將足夠多的照片按順序串聯起來，你就能得到一個合理的河水流動替代模型。若拍的照片太少，河流的真實運動就會變得模糊或引起誤導。

這就是被稱為奈奎斯特準則的規則變得不可避免的地方。它指出取樣率（每秒進行測量的次數）必須大於原始類比訊號中最高頻率的兩倍。

如果達不到這個要求，就會發生一種稱為混疊的失真，即快速變化的訊號被錯誤地記錄為較慢的訊號。一旦發生這種情況，就沒有任何數學技巧能將真正的慢速訊號與曾是快速訊號的虛假慢速訊號分分開來。資訊已經消失，永久折疊進了錯誤的地方。

臨床腦電圖系統通常以 250 至 500 Hz 的速率進行取樣，這可以在留有餘裕的情況下，輕鬆捕捉跨越 0 至 100 Hz 的大腦活動。這個餘裕是一個緩衝區，即使大腦訊號延伸到 gamma 頻帶的高端，也能滿足奈奎斯特準則。

想想那個在七個不同的波形家族和多個分解層次上進行詳盡搜尋，以找到分析腦電圖數據最佳設定的癲癇發作偵測框架。只有在被搜尋的頻率內容準確時，該搜尋作為一項科學研究才有意義。

如果原始取樣率違反了奈奎斯特準則，來自肌肉活動或電磁干擾的高頻噪聲就會折疊進研究人員試圖孤立的頻帶中。那麼尋找最佳小波設置的過程，將會是針對失真目標進行的最佳化，而所報告的癲癇發作偵測超過 90% 的準確度將無法反映出真實的診斷能力。它反映的只是一個對雜訊調校良好的反應。

抗混疊濾波器如何防止垃圾數據輸入

因為混疊在發生後無法被糾正，所以必須在取樣發生之前就加以防止。

這就是抗混疊濾波器的工作。它是一個置於類比數位轉換器進行測量之前的硬體通道中的類比低通濾波器。它的功能在於剝除高於奈奎斯特限制的任何頻率內容，以便訊號中不存在任何稍後可能被誤認為其他事物的東西。

一旦跳過此濾波步驟或濾波效果不佳，損害就會永久固化在數據中。任何後續軟體，無論多麼先進，都無法將其撤銷。

在一個阿茲海默症診斷研究中，研究人員在使用 DWT 提取特徵之前，應用了帶通橢圓數位濾波器來移除腦電圖數據集中的干擾和打擾。這種濾波發生在數位化之後，而不是作為硬體抗混疊步驟，但其潛在邏輯是完全相同的。

這兩個過程的存在都是為了在演算法試圖解釋剩餘內容之前，將不需要的頻譜內容從畫面中剝除。無論該濾波器是置於取樣前的類比電路中，還是置於其後的數位處理鏈中，其目的都是一樣的：防止污染向後擴散到分析中。

此外，一項2020 年的運動人為誤差研究說明了為什麼即使在有先進清理工具可用的情況下這依然重要。該研究結合了三種技術：集合經驗模態分解、典型相關分析以及離散小波轉換，以將與運動相關的干擾從腦電圖訊號中剝除，從而以顯著的幅度提高了信噪比指標。

但這整個清理管道都假設進入它的高頻頻譜是未混疊的。如果在數位化時缺少硬體抗混疊濾波器，產生的訊號就會帶有額外的污染層，即使是精心設計的人為誤差消除系統也無法完全理清。

位元深度：用有限的調色盤繪製電壓

取樣決定了何時測量電壓。位元深度則決定了該測量被記錄的精確程度。

一旦類比數位轉換器在給定瞬間捕捉到電壓，它就必須將該值表示為二進位數字，而可用於該表示的位元數決定了測量的解析度。一個在正負 1 毫伏特電壓範圍內使用 16 位元深度的系統，可以解析出大約半微伏特這樣細微的差異。

增加更多位元，解析度就會進一步提高。減少位元深度，波形中的細微變化就會直接消失，被扁平化為更粗糙尺度上最近的可用階梯。

這種區別具有真正的診斷分量。一項2019 年的癲癇偵測研究依賴於對小波係數進行模糊熵計算，以區分癲癇性腦電圖活動與非癲癇性活動。

熵測量在設計上對細微的振幅變化非常敏感。它們量化了訊號中的不規則性和複雜性，而該計算首先取決於是否有足夠的解析度來偵測微小的差異。一個粗糙量化的訊號會平滑掉熵計算本要尋找的不規則性。

同樣地，上述的阿茲海默症研究從小波子頻帶（藉由 DWT 產生）中提取了包括標準差、變異數和範數在內的統計特徵。這些都是衡量訊號變化程度的指標。如果潛在的電壓值因為位元深度不足而被過於粗暴地四捨五入，那麼健康人與患病大腦狀態之間的自然變化就會被壓縮至一個相似、扁平的範圍，而使 99.98% 分類準確度成為可能的統計差異也會相應縮小。

為什麼正確的取樣率能阻擋垃圾輸出

這三個要素——符合奈奎斯特準則的取樣、正常工作的抗混疊濾波器以及足夠的位元深度——並非獨立的技術奇蹟。它們形成了一個單一的依賴鏈，而該研究體系中報告的每個分類準確度都位於該鏈的下游。

選擇過低的取樣率，或跳過保護它的抗混疊濾波器，都會產生教科書式的訊號處理失敗，即所謂「垃圾進，垃圾出」。一旦混疊的高頻雜訊折疊成看起來像 beta 或 gamma 的功率，就沒有足夠先進的演算法能逆轉這個過程並恢復真正的潛在節律。相比之下，正確選擇的採樣率能為每個下游工具交付一個乾淨、值得信賴的畫布來操作。

2010 年的情感分類研究展示了在那塊乾淨畫布上變得可能的事情。藉由對透過 DWT 提取的特徵使用 K-最近鄰（KNN）分類，研究人員在區分諸如厭惡、高興、驚訝、恐懼和中性反應等情緒狀態時達到了 83.26% 的準確度。該結果取決於在分解過程中 alpha、beta 和 gamma 節律能被彼此正確分離，而這種分離只有在這些頻帶最初數位化時沒有發生頻率混合才有可能實現。