傅立葉轉換

EEG 軌跡實際代表什麼

腦電圖（electroencephalogram）記錄的是隨時間推移而變化的電壓。繪製出來後，這會產生一條單一的連續曲線，即時間序列，隨著電極下方的電活動變化而上下移動。就其本身而言，這條曲線看起來像是一個單一的過程，但這種外表具有誤導性。

實際上，在任何一個瞬間記錄的電壓，都是底層神經組織中同時發生的許多獨立振盪過程共同作用的結果。其中一些過程循環較慢，另一些則較快。當它們同時發生時，其各自的模式就會疊加成一個複合波形，就像多種樂器演奏不同音符融合成一個和弦一樣。聽眾聽到的是一個聲音，但這個聲音暗中是由幾個疊加在一起的獨特音高組成的。

EEG 軌跡的工作原理也是如此。看似一條不規則的曲線，實際上是多種節律疊加成一個單一信號。

這產生的問題很直接：如果多個節律混合在一個波形中，要如何識別存在哪些節律，或者每個節律有多強？

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，但並不是通過發現新的數據來解決的。它的工作原理是使用不同的座標系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，而是根據頻率成分來描述同一個信號，即其中存在多少每種振盪速率。

該轉換在數學上是可逆的，因為它可以將一個 EEG 紀元轉換為其頻率表示，然後再轉換回來，原始的時域波形就會完全恢復原樣。

這兩種表示形式（時間和頻率）包含完全相同的資訊。它們只是組織方式不同，就像陽光通過三稜鏡並不會創造顏色一樣。顏色已經存在於白光中。三稜鏡只是將原本混合在一起的波長分離開來，使其分別變得可見。

傅立葉轉換在 EEG 信號上執行等效的分離，在不以任何方式改變底層記錄的情況下使節律成分變得可見。

傅立葉轉換的數學基礎

其核心在於，該轉換依賴於信號與複數指數函數相乘的積分評估。此項運算計算了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，則該積分在頻域中的該點會產生高值，代表局部能量強度。

正式定義利用歐拉公式來橋接三角函數與複數指數之間的差距。正向轉換將連續函數 f(t) 轉換為 F(ω)，而逆向運算則通過這些合成成分的累加來重建原始信號。這種對稱性確保了轉換過程中不會丟失任何資訊，從而實現了完美可逆的數學過渡。

在將這些積分應用於物理數據時，從業者必須密切注意歸一化常數和收斂標準。對積分邊界或信號定義的處理不當可能會導致光譜估計不準確。通過遵守這些數學邊界，可以確保頻域表示保持對原始時序數據流的忠實反映。

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，而離散版本則運行在採樣的、有限的數據序列上。

在實踐中，數位系統總是利用離散處理，這需要仔細考慮採樣限制以準確表示連續現象。存在各種方法來近似這種過渡而不會產生顯着的數據丟失，其中包括：

• 通過漸變輸入數據邊緣來防止頻譜洩漏的窗函數。

• 補零技術可提高所得頻率箱的解析度。

• 混疊緩解策略，可確保數位化過程中的信號完整性。

• 遵守採樣定理，以捕獲存在的演算法所有相關高頻資訊。

• 隨輸入數據點數量擴展的高效計算映射。

這些考慮因素有助於確定離散結果鏡像底層連續信號結構的有效性。

快速傅立葉轉換：為何速度至關重要

快速傅立葉轉換 (FFT) 等高效演算法的開發，使具有海量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度將使現代診斷技術無法使用。如下圖所示，在比較大型數據集的計算時間時，效率提升極其明顯。

通過將二次方縮放的運算轉換為對數縮放的運算，這些工具促進了快速的信號監測。快速處理允許瞬時反饋迴路，這在以即時觀察變化為主要調查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上前後兩個方向無限重複、永遠循環。被分析的這一小段 EEG 被視為無盡循環中的一個重複單元。

真實的 EEG 活動並非如此。大腦信號不是完美的週期性信號，而且從連續記錄中提取的片段很少能以在首尾循環連接時平滑對接的數值開始和結束。

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（有時稱為邊緣偽影或頻譜洩漏），此時某個頻率的能量似乎會擴散到鄰近的頻率，而這些頻率在原始信號中實際上並不存在。

這並不是一個使該方法失效的缺陷。這是一個已知的數學權衡，只要仔細選擇片段，它就是可以管理的。這也是為什麼基於頻率的 EEG 分析通常使用較短、相對穩定的信號段，而不是冗長、持續變化的記錄的部分原因。

例如，Jansen 等人比較了短暫 EEG 間隔內而非延伸記錄的頻域特徵，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一致。Vidyaratne 等人採用了一條相關但更專門的路徑，計算諧波小波包轉換（一種基於傅立葉轉換本身建構的技術），以提取頻率資訊，同時解決分析隨時間變化的腦信號時所帶來的解析度限制。

這兩種方法都展示了實用的 EEG 工作如何適應不完全符合生物學現實的數學便利，而不放棄該工具本身。

為什麼頻率成分對解讀腦部活動至關重要

一旦 EEG 紀元被轉換為其頻率成分，這些成分就會對應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：delta、theta、alpha、beta 和 gamma 頻帶。這些標籤描述了振盪速度的範圍，它們構成了睡眠研究、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 解讀的概念基礎。每當報告提到特定頻帶中的活動增強，或者頻帶之間的平衡發生轉變時，該陳述只有在首先使用傅立葉轉換提供的邏輯將信號拆解後才有意義。沒有這種分解，就根本沒有描述大腦節律的詞彙，而只有一條不間斷的電壓軌跡。

關於振盪頻率攜帶有關大腦狀態的有意義資訊這一主張，在神經科學的許多領域中都得到了廣泛的討論。

基於傅立葉的分析對癲癇發作活動的發現

分離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，將每次記錄分解為一組稱為固有模態函數的帶限成分。然後，他使用傅立葉-貝索展開來計算這些成分中每一個的平均頻率。

在將發作期信號（即在活躍的癲癇發作期間記錄的信號）與無發作信號進行比較時，平均頻率特徵在兩種狀態之間顯示出統計學上的顯著差異。結果表明，通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 等人追求一個相關但更複雜的目標：即時檢測癲癇發作的開始。這種方法將通過傅立葉轉換計算的諧波小波包轉換的能量特徵，與另一種稱為分形維度的量測方法結合起來，後者捕獲了信號中重複的自相似模式。

這些結合的特徵在空間上分佈在電極通道上，在時間上分佈在移動的分析窗口上，然後使用相關向量機進行分類，選擇該方法是因為其在處理大型稀疏特徵集時的高效性。

在長期頭皮 EEG 記錄上進行測試，該系統檢測癲癇發作開始的敏感度達到 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，分類準確度達到了 99.8%。

這兩項研究共同表明，通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攜帶了診斷相關的內容。

傅立葉特徵與替代轉換的比較

Jansen 等人從另一個角度探討了這個問題，直接將兩種數學轉換進行了比較。

研究人員沒有孤立地測試傅立葉分析，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波分解信號的方法。應用於短 EEG 間隔時，源自傅立葉轉換的特徵在分類結果上始終優於源自沃爾什轉換的特徵。

這一比較表明，至少對於研究檢驗的特定分類任務而言，正弦構件可能比塊狀矩形替代方案更自然地與 EEG 信號的底層結構保持一致。

如何計算離散傅立葉轉換 (DFT)

計算離散轉換始於乾淨的輸入數據，這些數據能代表穩定時期內的信號。必須首先確保信號長度與所需的頻率解析度相匹配，然後應用窗函數以盡量減少由有限數據截斷引起的頻譜偽影。這項準備工作對於防止計算階段出現重大錯誤至關重要。

一旦準備好信號，實際的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。數位軟體平台處理重活，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，以反映輸入量測的物理單位（例如 EEG 中的微伏或 $\mu V$），確保結果對後續研究仍具可解釋性。

對所得頻譜幅度的解釋需要檢查數據中是否存在獨特的振盪模式。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 alpha 頻帶）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重要性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。通過始終遵循這些步驟，從業者可以從最複雜的觀察波形中提取出有意義、可操作的頻率數據。

傅立葉轉換與其他頻域方法的比較

雖然傅立葉方法非常通用，但它假設的是平稳信號，即在測量期間呈穩定狀態。在涉及快速、瞬態變化的場景中（例如突然的癲癇棘波或短暫的睡眠紡錘波），小波轉換等其他方法通過在保留頻率詳細資訊的同時維護時間資訊，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还是發生突然的變化。

替代方法（如奇異譜分析 (SSA)）對於分解非線性、不可預測的信號提供了優勢，而標準轉換很難解決這些信號。在複雜的現實生理數據集中，這些方法通常在提取信號趨勢與振盪噪聲方面表現出色。選擇取決於特定研究設置中對時間與頻譜準確度所需的精確度水平。

最終，沒有哪一種轉換方法可以作為解決信號處理難題的萬靈丹。從業者必須權衡每種方法的計算成本和數學限制與其數據特徵。整合這些多樣化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

現代開源程式庫使這些先進的數學運算大眾化，使研究人員只需幾行程式碼即可執行複雜的分析。專為數據科學建構的平台提供了最佳化的常式，可輕鬆處理大型陣列和高維信號。這些工具促進了將頻譜分析整合到更大的管線中，包括自動信號清洗和分類任務。

專為神經學或地震數據設計的專業軟體通常包括用於頻譜分解和偽影消除的預建構模組。這些套件會自動處理頻率縮放和加窗的複雜細節，從而降低了可能不具備底層演算法專業知識的研究人員出錯的風險。一致使用這些標準化工具也有助於提高不同實驗室之間研究結果的可重複性。

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級。為初學者提供參數調整和演算法選擇的清晰示例的文檔非常有用。隨著社群的不斷完善，這些工具的重點越來越轉向針對極大數據集的即時邊緣處理和基於雲端的擴充性。

頻率分析揭示的大腦隱藏節律

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獨特的頻帶。這種分解提供了描述大腦狀態（從深層睡眠到專注高度集中）的基本詞彙，並賦予了 alpha 或 delta 波等術語意義。如果沒有這種重新組織，EEG 軌跡將仍然是一條無法解讀的波浪線，其隱藏的節律也無法被看見。

實際作用在癲癇檢測中極其明顯，頻率分析可以高精度地將癲癇活動與正常大腦模式區分開。轉換關於信號片段完美重複的假設是一種數學上的便利，而不是生物學上的事實，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之和（雖然不是神經元放電的字面模型）可以產生既可衡量又在臨床上有用的資訊。

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 軌跡實際代表什麼？

EEG 軌跡是顯示電壓隨時間變化的單一曲線，但它實際上是大腦中同時發生的許多獨立振盪過程的結合總和。不同的快、慢節律疊加成一個複合波形，就像多種樂器融合成一個和弦一樣。

傅立葉轉換如何分析 EEG 信號？

傅立葉轉換通過根據頻率成分而非隨時間變化的電壓來描述完全相同的 EEG 數據，從而對其進行重新組織。它將原本就存在的混合節律成分分離開來，就像三稜鏡揭示光束中的個別波長一樣。

傅立葉轉換會為 EEG 記錄增加新資訊嗎？

不會，該轉換在數學上是可逆的，不會捏造或丟棄任何數據。它只是通過將信號轉換為一組正弦頻率來改變顯示方式，使底層的節律成分變得可見。

將傅立葉轉換應用於 EEG 時，關鍵的數學假設是什麼？

該計算在數學上將所選的 EEG 片段視為在完美循環中無限重複。這種週期性假設簡化了分析，但如果信號的起點和終點不能平滑匹配，則可能會引入邊緣偽影。

為什麼將不規則的腦電波分解成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通過將特定頻率、振幅和相位的純正弦波和餘弦波相加來重建。這種數學表示適用於分析，即使神經元並非字面意義上產生孤立、乾淨的正弦波。

為什麼像 alpha 或 delta 這樣的頻帶在 EEG 解讀中很重要？

一旦信號被分解，其成分就會對應到標準頻帶（如 delta 或 beta），這些頻帶構成了描述大腦狀態的基本詞彙。任何提及特定頻帶中功率變化的內容都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？

使用傅立葉導出的頻率特徵進行的研究表明，發作期和非發作期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敏感度，證明振盪資訊攜帶了與癲癇相關的臨床內容。

這種基於頻率的方法的主要局限性是什麼？

無限重複假設是一種結構簡化，在更長、變化的記錄上不夠準確。此外，強大的分類結果來自特定的數據集，並不能證明大腦使用離散的正弦振盪器作為生理結構。