傅立葉轉換

腦電圖（EEG）軌跡究竟代表什麼

腦電圖記錄的是隨時間推移而不斷變化的電壓。繪製出來後，這會產生一條單一的連續線條，即時間序列，隨著電極下方的電活動變化而上下波動。就其本身而言，這條線看起來像是一個單一的事件。但這種表象具有誤導性。

實際上，在任何單一瞬間記錄到的電壓，都是底層神經組織內同時發生的許多獨立振盪過程的綜合結果。其中一些過程循環較慢，另一些則較快。當它們同時發生時，各自的模式會疊加成一個複合波形，就像多種樂器演奏不同音符融合為一個和弦一樣。聽眾聽到的是一種聲音，但那種聲音其實是由多個不同的音高層疊而成。

EEG 軌跡的運作方式也是如此。看似一條不規則的線條，實際上是多種節律疊加成的一個信號。

這所產生的問題非常直接：如果多種節律混合成一個波形，我們要如何辨識存在哪些節律，或者每種節律有多強？

傅立葉轉換：是透鏡，而非顯微鏡

傅立葉轉換回答了這個問題，但並非透過發現新數據。它的運作方式是使用不同的坐標系統重新表達完全相同的 EEG 片段。它不是根據隨時間變化的電壓來描述信號，而是根據頻率成分（即信號中包含各個振盪速率的程度）來描述相同的信號。

該轉換在數學上是可逆的，因為它可以將 EEG 時程（epoch）轉換為其頻率表示，然後再轉換回來，原始的基於時間的波形就會完好如初地重新出現。

這兩種表示形式，時間與頻率，包含完全相同的資訊。它們只是組織方式不同，就像陽光穿過三稜鏡並不會創造顏色一樣。顏色本來就存在於白光中。三稜鏡只是將原本混合在一起的波長分開，使它們能夠單獨顯現。

傅立葉轉換對 EEG 信號進行了同等的分離，在完全不改變原始記錄的情況下，使節律成分變得清晰可見。

傅立葉轉換的數學基礎

從核心來看，該轉換依賴於信號乘以複指數函數的積分求值。此運算計算原始波形與不同頻率的正弦波之間的相關性。如果原始信號中存在特定頻率，則積分在頻域中的該點處會產生較高數值，代表局部能量強度。

正式定義利用歐拉公式在三角函數和複指數之間架起橋樑。正轉換將連續函數 f(t) 轉換為 F(ω)，而反運算則透過這些合成成分的總和來重建原始信號。這種對稱性確保在轉換過程中不會丟失任何資訊，從而實現完全可逆的數學轉換。

從業者在將這些積分應用於物理數據時，必須密切注意歸一化常數和收斂準則。對積分邊界或信號定義處理不當可能導致不準確的頻譜估計。透過遵循這些數學界限，可以確保頻域表示忠實反映原始的時間依賴數據流。

傅立葉轉換的類型

連續與離散傅立葉轉換

連續轉換適用於在無限時間間隔上定義的函數，而離散版本則對採樣的有限數據序列進行操作。

在實踐中，數位系統始終利用離散處理，需要仔細考慮採樣限制以精確表示連續現象。存在多種方法可以在沒有顯著數據損失的情況下近似此轉換，包括：

• 透過漸變輸入數據邊緣來防止頻譜洩漏的加窗函數。

• 用於增加所得頻率區間解析度的補零技術。

• 確保數位化過程中信號完整性的混疊消除策略。

• 捕獲所存在的所有相關高頻資訊的採樣定理合規性。

• 隨輸入數據點數量擴展的高效計算映射。

這些考量有助於決定離散結果在多大程度上有效地反映底層連續信號結構。

快速傅立葉轉換：速度為何至關重要

高效演算法的開發，例如快速傅立葉轉換（FFT），使具有龐大數據吞吐量的系統能夠進行即時頻譜分析。如果沒有這些優化，標準離散轉換的計算複雜性將使現代診斷技術無法使用。在比較大型數據集的計算時間時，效率提升極為顯著，如下所示。

透過將呈二次方擴展的運算轉變為呈對數擴展的運算，這些工具促進了快速信號監控。快速處理可實現即時反饋迴路，這在以即時觀察變化為主要研究目標的環境中至關重要。

每個傅立葉計算背後的週期性假設

當傅立葉轉換處理一段信號時，它在數學上將該片段視為在時間的兩個方向（向前和向後）無限重複、永無止境。正在分析的這小段 EEG 被視為無盡迴圈中的一個重複單元。

真實的 EEG 活動並非如此。大腦信號不是完全週期性的，從連續記錄中截取的片段，其起始值和結束值很少能平滑銜接以循環自連。

當片段的邊緣不匹配時，無限重複的假設會在邊界處引入失真，有時稱為邊緣假影或頻譜洩漏，其中某個頻率的能量似乎會塗抹到原始信號中實際不存在的相鄰頻率中。

這並非會使該方法失效的缺陷。這是一種已知的數學權衡，只要謹慎選擇片段，它是可以控制的。這也是為什麼基於頻率的 EEG 分析通常使用較短且相對穩定的信號段，而不是較長且持續變化的記錄的部分原因。

例如，Jansen 等人比較了短 EEG 間隔內的頻域特徵，而不是延伸的長記錄，這種方法與保持每個分析片段足夠短以使週期性假設保持合理近似是一致的。Vidyaratne 等人的研究採取了一條相關但更專業的路徑，計算諧波小波包轉換（一種建立在傅立葉轉換本身的技術），以提取頻率資訊，同時解決分析隨時間變化的大腦信號所帶來的解析度限制。

這兩種方法都展示了實用的 EEG 工作如何在不放棄工具本身的情況下，適應與生物現實不完全吻合的數學便利。

頻率成分對解讀大腦活動為何重要

一旦 EEG 時程轉換為其頻率成分，這些成分就會映射到任何閱讀過大腦活動相關內容的人可能都遇到過的類別：δ（delta）、θ（theta）、α（alpha）、β（beta）和 γ（gamma）頻段。這些標籤描述了振盪速度的範圍，構成了睡眠研究、認知研究和臨床診斷所使用的詞彙。

這種分解是基本上所有基於頻率的 EEG 解讀的理論基礎。每當一份報告提到特定頻段的活動增加，或頻段之間平衡的轉變時，該陳述之所以有意義，僅僅是因為信號首先使用傅立葉轉換提供的邏輯進行了分解。如果沒有這種分解，就完全沒有描述大腦節律的詞彙，只剩下一條未中斷的電壓軌跡。

振盪頻率包含有關大腦狀態的有意義資訊這一論點，在神經科學的許多領域中得到了廣泛討論。

基於傅立葉的分析揭示了有關癲癇發作活動的哪些資訊

區分發作期與無發作信號

研究人員 Ram Bilas Pachori 將一種稱為經驗模態分解的技術應用於顱內 EEG 信號，將每個記錄分解為一組稱為固有模態函數的頻帶受限成分。然後，他使用傅立葉-貝索展開計算了這些成分中每一個的平均頻率。

在將發作期信號（即活躍癲癇發作期間記錄的信號）與無發作信號進行比較時，平均頻率特徵顯示出兩種狀態之間存在統計學上的顯著差異。結果表明，透過基於傅立葉的方法提取的頻率資訊帶有與癲癇發作活動相關的可檢測特徵。

Vidyaratne 等人追求了一個相關但更複雜的目標：即時檢測癲癇發作。該方法將透過傅立葉轉換計算的諧波小波包轉換的能量特徵，與稱為分形維數的獨立度量相結合，後者捕獲信號內重複的自相似模式。

這些組合特徵在空間上跨電極通道組織，在時間上跨移動分析窗口組織，然後使用相關向量機進行分類，該方法因其對大型稀疏特徵集的高效率而被選中。

在長期頭皮 EEG 記錄上進行測試時，該系統檢測癲癇發作的靈敏度達到 96%，中位誤報率僅為每小時 0.1 次事件，平均檢測延遲為 1.89 秒。在來自頭皮和顱內記錄的短期數據上，分類準確率達到了 99.8%。

這兩項研究共同表明，透過傅立葉相關分解提取的振盪資訊在癲癇檢測的特定背景下具有診斷相關性。

傅立葉特徵與替代轉換的比較

Jansen 等人從不同的角度探討了這個問題，將兩種數學轉換直接進行相互比較。

研究人員沒有單獨測試傅立葉分析，而是將源自傅立葉轉換的特徵與源自沃爾什（Walsh）轉換的特徵進行了比較，後者是一種使用矩形、方形函數而非平滑正弦曲線來分解信號的方法。應用於短 EEG 間隔時，從傅立葉轉換中提取的特徵始終產生比從沃爾什轉換中提取的特徵更好的分類結果。

這種比較表明，至少對於該研究所檢驗的特定分類任務而言，正弦波構建塊可能比塊狀、矩形的替代方案更自然地與 EEG 信號的底層結構相吻合。

傅立葉轉換在便攜式設備應用 EEG 研究中的應用

便攜式 EEG headset 使在實驗室外記錄大腦活動成為可能，而傅立葉轉換仍然是從這些記錄中提取頻段資訊的主要工具。最近幾項使用 Emotiv Epoc X 的研究說明了頻譜分解如何支持教育、腦機介面、消費神經科學和操作表現方面的研究。

監控課堂上的認知負荷和注意力

在一項教育研究中，研究人員使用 Emotiv Epoc X 記錄了放鬆、閱讀和心算期間的 EEG。他們應用傅立葉轉換計算 θ、α 和 β 頻段功率，並得出注意力、投入度和認知負荷的估計值。作者指出，α 功率增加與疲勞有關，閱讀期間注意力提高，計算期間認知負荷升高——尤其是當答案正確時。

有閱讀障礙的參與者在睜眼放鬆期間表現出較低的 α 峰值頻率，在閱讀時表現出增加的 θ 活動，儘管他們的測試成績與對照組相符。研究結果表明，EEG 可以幫助追蹤警覺性和疲勞，但正如教育中的 EEG 監測中所述，用於注意力的 β/θ 比率可能無法可靠地監測持續注意力。

檢測用於機器人控制的穩態視覺誘發電位

一項腦機介面研究採用 Emotiv Epoc X 來檢測由閃爍 LED 組引起的穩態視覺誘發電位（SSVEP）。快速傅立葉轉換分析結合高斯模型，識別出了對應於使用者凝視方向的主導頻率成分。

在沒有經過任何受試者訓練的情況下，系統平均有 75% 的時間正確檢測到預期目標，表明基於傅立葉的頻率檢測可以將視覺注意力轉化為控制命令，如 基於 SSVEP 的 BCI 控制 所示。

從 α 頻段特徵中提取品牌偏好

在神經行銷學研究中，Emotiv Epoc X 記錄了參與者觀看汽車廣告時的大腦反應。隔離了 α 頻段（8-13 Hz），並透過快速傅立葉轉換提取了功率譜密度、頻譜能量和頻譜質心。當使用機率神經網絡對這些特徵進行分類時，系統在識別最受偏好品牌方面的準確率達到了 96.62%。

此結果表明，頻域特徵可以在受控環境中反映消費者的偏好，詳見基於 FFT 的神經行銷分析。

評估海上航行期間的態勢感知

一項針對拖船船長的研究使用 Emotiv Epoc X 搭配 EmotivPRO 軟體記錄了休息和實際港口操作期間的 EEG。快速傅立葉轉換頻帶功率分析比較了五種情況，發現 α 功率沒有差異，而 δ、θ、β 和 γ 功率在操作期間有所下降。作者將這種模式解釋為專業船長在休息和主動航行中保持一致的態勢感知的證據，如航行中的態勢感知所報導。

這些調查共同說明了傅立葉分析與便攜式 EEG 技術相結合，如何在各種現實任務中提取有意義的頻譜特徵。這些發現具有相關性且來自小樣本量，因此它們指出了潛在的應用方向，而非確立了可靠的生物標記。需要對更大、更多樣化的群體進行進一步研究，以了解這些基於頻率的測量方法的普遍性。

如何計算離散傅立葉轉換（DFT）

計算離散轉換始於在穩定期間代表信號的乾淨輸入數據。首先必須確保信號長度符合所需的頻率解析度，然後應用加窗函數以最小化由有限數據截斷引起的頻譜假影。這項準備工作對於防止計算階段出現重大誤差至關重要。

一旦信號準備就緒，實際計算就涉及在時間序列窗口內的所有採樣點上應用轉換公式。數位軟體平台處理繁重的工作，通常利用快速傅立葉轉換（FFT）演算法每秒執行數百萬次計算，並產生清晰的振幅譜。然後必須正確縮放此輸出以反映輸入測量的物理單位（例如 EEG 中的微伏，即 $\mu V$），確保結果對於後續研究保持可解釋性。

對所得頻譜幅度的解釋需要檢查數據中是否存在不同的振盪模式。雖然機械系統可能會顯示出尖銳、孤立的峰值，但像 EEG 這樣的生物信號通常需要分析寬頻帶（例如 8–12 Hz α 頻段）內的總功率，而不是僅僅依賴離散峰值。這些頻譜特徵的物理意義在很大程度上取決於上下文，通常指示底層的生理或機械行為。透過持續遵循這些步驟，從業者可以從最複雜的觀察波形中提取有意義、可操作的頻率數據。

傅立葉轉換與其他頻域方法的比較

雖然通用性極高，但傅立葉方法假設信號是平穩的，即在測量持續時間內保持穩定。在涉及快速、瞬態變化的情況下——例如突然的癲癇棘波或短暫爆發的睡眠紡錘波——小波轉換等其他方法透過在保留頻率細節的同時保留時間資訊，提供了更好的定位。選擇合適的工具需要評估信號是保持恆定的節律結構還是發生突然變化。

奇異譜分析（SSA）等替代方法為分解標準轉換難以解析的非線性、不可預測信號提供了優勢。在複雜的真實世界生理數據集中，這些方法通常擅長提取信號趨勢與振盪噪聲。選擇取決於特定研究設置中對時間與頻譜準確性所需的精度水平。

最終，沒有單一的轉換方法可以作為解決信號處理難題的萬靈丹。從業者必須根據其數據特徵權衡每種方法的計算成本和數學限制。整合這些不同的視角可確保一個穩健、全面的診斷過程，從而最大程度地提高最終解讀的保真度。

用於計算傅立葉轉換的工具和軟體

現代開源庫實現了這些先進數學運算的普及，使研究人員只需幾行代碼即可執行複雜的分析。專為數據科學構建的平台提供了優化的例程，可以輕鬆處理大型陣列和高維信號。這些工具有助於將頻譜分析整合到更大的流程中，包括自動信號清理和分類任務。

專為神經學或地震數據設計的專用軟體通常包含用於頻譜分解和假影去除的預構建模組。這些套件會自動處理頻率縮放和加窗的複雜細節，從而降低可能不具備底層演算法專業知識的研究人員出錯的風險。持續使用這些標準化工具也有助於不同實驗室之間研究結果的可重現性。

在選擇軟體套件時，與現有數據格式的相容性以及處理高密度感測器陣列的能力仍然是最高優先事項。提供參數調整和演算法選擇清晰範例的文檔對初學者非常有用。隨著社群不斷改進這些工具，重點越來越轉向即時邊緣處理和非常大數據集的基於雲端的擴展性。

頻率分析揭示了大腦隱藏節律的哪些秘密

傅立葉轉換就像大腦信號的數學三稜鏡，將重疊的節律解開成不同的頻帶。這種分解為描述大腦狀態（從深度睡眠到專注）提供了必不可少的詞彙，並賦予了 α 波或 δ 波等術語意義。如果沒有這種重組，EEG 軌跡將仍然是一條難以辨認的塗鴉，其隱藏的節律將不可見。

這種實用能力在癲癇發作檢測中表現得非常明顯，在該領域，頻率分析能以高準確度將癲癇發作活動與正常大腦模式區分開來。該轉換對信號片段完全重複的假設是一種數學上的便利，而非生物學事實，但仔細選擇簡短、穩定的片段可以使失真保持在可控範圍內。文獻表明，將大腦活動表示為節律的總和——雖然不是神經元如何發射的字面模型——產生的資訊既可測量又具有臨床實用性。

參考文獻

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

常見問題

原始 EEG 軌跡實際上代表什麼？

EEG 軌跡是顯示電壓隨時間變化的單一線條，但它實際上是大腦中同時發生的許多獨立振盪過程的綜合總和。不同的快速和慢速節律疊加成一個複合波形，就像多種樂器融合為一個和弦一樣。

傅立葉轉換如何分析 EEG 信號？

傅立葉轉換透過頻率成分而不是隨時間變化的電壓來描述完全相同的 EEG 數據，從而對其進行重組。它分離了原本就存在的混合節律成分，就像三稜鏡揭示一束光線中的各個波長一樣。

傅立葉轉換會為 EEG 記錄添加新資訊嗎？

不會，該轉換在數學上是可逆的，不會創造或丟棄任何數據。它只是透過將信號轉換為一組正弦頻率來改變顯示方式，使底層的節律成分清晰可見。

將傅立葉轉換應用於 EEG 時的關鍵數學假設是什麼？

該計算在數學上將選定的 EEG 片段視為在完美迴圈中無限重複。這種週期性假設簡化了分析，但如果信號的開始和結束不能平滑匹配，則可能會引入邊緣假影。

為什麼將不規則的腦電波分解為平滑的正弦波是有效的？

傅立葉定理表明，幾乎任何波形都可以透過將特定頻率、振幅和相位的純正弦波和餘弦波疊加在一 DEFAULT 來重建。這種數學表示法適用於分析，即使神經元字面上不會產生孤立、乾淨的正弦波。

為什麼像 α 或 δ 這樣的頻段在 EEG 解讀中很重要？

一旦信號被分解，其成分就會映射到像 δ 或 β 這樣的標準頻段，這些頻段構成了描述大腦狀態的基本詞彙。任何對特定頻段功率變化的提及，完全依賴於這種最初基於傅立葉的分離。

有什麼證據支持使用傅立葉分析來檢測癲癇發作？

使用源自傅立葉的頻率特徵的研究表明，癲癇發作與非癲癇發作大腦信號之間存在統計學上的顯著差異。一個即時檢測系統實現了高靈敏度，證明了振盪資訊帶有對癲癇具有臨床相關性的內容。

這種基於頻率的方法的主要限制是什麼？

無限重複假設是一種結構簡化，在較長且持續變化的記錄中會變得不夠準確。此外，強大的分類結果來自特定數據集，並不能證明大腦在生理結構上使用離散的正弦振盪器。