將時間數據分解為頻率的技術

理解時域數據與頻率

時域數據是對具體時間戳進行索引的連續觀測記錄，反映了系統在指定時間段內的演變過程。

在神經科學領域中，這通常涉及記錄頭皮的電位，以瞭解大腦的動態。這些數據集很少是靜態的；它們包含節律性信號和隨機波動的混合，需要仔細解読以提取具可操作性的 Insight。

什麼是時域數據？

時域數據（或時間序列數據）代表以一致的時間間隔按順序進行的測量。這種數據的實用性取決於其採樣頻率和觀測窗口的長度，這兩者決定了可檢測變化的分辨率。

研究人員會檢查這些序列，以評估系統的穩定性，並識別在長期內持續存在的趨勢。

數據中頻率的概念

頻率指的是週期性模式在時間序列內重複出現的速率，通常以每秒週期數來衡量。通過評估這些節律，分析人員可以對驅動數據的底層過程進行分類。

以下列表列出了在人類生物監測應用中經常觀察到的關鍵頻段：

• Delta 波：通常與深度的恢復性睡眠階段相關。

• Theta 波：經常在輕度睡眠或冥想狀態下被觀察到。

• Alpha 波：其特徵在於在安靜、清醒的放鬆狀態下最為盛行。

• Beta 波：通常與活躍的認知專注和警覺性相關聯。

• Gamma 波：與高層次的處理和整合任務有關。

這種分類可以非精準地繪製狀態圖，幫助研究人員區分生理標記和背景變異性。

為什麼要將時域數據分解為頻率？

分解起到了分析透鏡的作用，將原始且充滿噪聲的信號分離為各個獨特的組成部分。如果沒有這種結構性的拆解，不同腦電波之間的複雜相互作用就會被埋在總振幅中。通過隔離這些成分，研究人員可以獨立分析特定的神經振盪，從而揭示認知狀態的真正複雜性。

識別模式和週期

時域數據中的模式識別允許檢測在特定刺激或任務下重複出現的一致神經週期。識別這些週期提供了區分健康大腦活動與異常模式的基線指標。

一旦模式通過分解被隔離出來，就可能以更高的統計置信度來追蹤它的出現和持續時間。

降噪與信號增強

有效的信號處理對於從生理記錄中去除環境干擾（例如 60Hz 電源線干擾）至關重要。通過定義合法生物數據的頻率邊界，研究人員可以應用濾波器來消除不需要的信號成分。

這種信號提取過程從根本上加強了底層數據的清晰度，以便進行進一步的診斷性審查。

預測與預測建模

預測模型利用分解後的片段，在系統轉變或事件觸發器完全顯現之前，對其進行預測。這些模型依賴於已識別頻率成分的穩定性，來預測時間序列的未來演變。

這種能力支持了前瞻性的臨床監測，以及對長期大腦可塑性的實驗性研究。

時域數據分解的關鍵技術

分解需要嚴格的數學運算，以確保轉換後的數據仍能代表原始的神經活動。

幾種已建立的方法根據採集信號的分辨率和穩定性提供了獨特的優勢。選擇合適的工具需要在計算需求與對時域和譜域精準度的必要性之間取得平衡。

傅立葉轉換方法

傅立葉分析是將時域信號映射到其對應頻域的基礎方法。這種方法非常擅長識別平穩的頻率成分，但在分析隨時間變化的瞬態信號時面臨限制。

下表對當前研究環境中應用的主要分解技術進行了比較：

小波轉換

小波轉換通過伸縮和平移母小波來掃描信號，從而提供多分辨率分析。

與傅立葉方法不同，這種方法在時間和頻率上都保持了局部化定位的信息，這使得它非常適合捕捉在 EEG 測量中常見的瞬態電尖峰。這種適應性對於識別傳統譜分析方法在快速數據過渡期間可能會忽略的非平穩特徵至關重要。

奇異譜分析 (SSA)

奇異譜分析提供了一種非參數方法，它根據數據本身的結構將時間序列分解為趨勢、振盪和噪聲成分。通過將時間序列嵌入到多維空間並執行奇異值分解，SSA 能夠提取出最顯著的結構模式。

這使得即使在潛在的生成過程未知或高度非線性的情況下，也能實現信號的提純。

傅立葉轉換如何解構 EEG 信號

頻率分析的經典起點是傅立葉轉換，這是一種將信號分解為不同頻率的正弦波之和的數學運算。

在純數學形式中，傅立葉轉換假設信號是無限的，且其統計特性永遠不會改變，這是真實 EEG 記錄永遠無法滿足的條件。在實踐中，研究人員通過將離散傅立葉轉換 (DFT) 應用於錄音中較短的、窗口化的片段（通常為幾秒長），並利用該結果來估計功率譜密度 (PSD) 來解決這一問題，PSD 量化了該窗口內每個頻率上的信號功率大小。

這種解決方案伴隨著兩個核心假設：

1. 首先，在所選窗口的持續時間內，信號被視為是平穩的，這意味著其頻率內容在該時間切片內被假設是不會改變的。

2. 其次，信號被建模為固定正弦波的線性總和，這種近似對於平滑、週期性的活動效果很好，但在應對突然變化或非正弦波形時則比較吃力。

儘管有這些簡化，但基於 PSD 的方法在實踐中已被反覆證明是非常有用的。

例如，一項對運動想像分類的譜特徵提取方法進行的對比分析發現，PSD 技術在提取獨特的譜模式以區分左手和右手運動想像方面，表現最為一致性地穩健且有效，該研究在兩個記錄會期中對十一名受試者進行了評估。

此外，另一項專注於嗜睡檢測的研究也加強了這一模式。通過使用單通道 EEG，研究人員構建了一個結合了 PSD 測量指標（包括中心頻率、四分之一譜功率下降以下的頻率、總譜能量以及 theta 和 alpha 頻段內的功率）與基於小波特徵的特徵集。

這種結合方法在檢測嗜睡發作時達到了 86.5% 的準確率，在檢測清醒片段時達到了 81.7% 的準確率。該特徵集中的 PSD 組成部分正在追蹤譜內容中粗略的、取決於狀態的轉變，這種轉換屬於精神狀態之間的寬泛轉變，而不是毫秒級的振盪事件。

這兩項研究共同表明，PSD 估計雖然有平穩性假設，但仍能夠捕捉與大腦狀態變化相關的有意義的譜模式，即使產生這些模式的信號是動態的。

經驗模態分解及其自適應替代方案

經驗模態分解 (EMD) 採取了一種完全不同的方法。EMD 不是強行將信號放入預先定義的正弦波基底中，而是自適應地將信號本身篩選為一組稱為本徵模態函數 (IMF) 的分量。

每個 IMF 都是直接從數據自身的振盪結構中提取出來的，這在原理上允許該方法跟隨振幅和頻率的瞬時變化，而不需要信號在統計上保持靜止。

值得注意的是，EMD 也帶來了已知的缺點，包括容易出現模態混疊（即單個 IMF 最終包含了來自多個真實頻段的振盪），以及對噪聲敏感，這可能會使分解失真。

一種相關的技術——變分模態分解 (VMD)，其開發目的之一就是為了解決這些不穩定性問題。VMD 使用更受約束的數學公式來提取帶寬受限的模態（每個模態都以特定頻率為中心），這與標準 EMD 相比，往往能產生更穩定的結果。

一項 2019 年的研究將 VMD 與一種名為模態譜熵（量化給定頻率模態的無序度）的指標結合使用，以檢測 EEG 記錄中的癲癇發作事件。在經過包括用於通道選擇的主成分分析等預處理步驟後，該方法在 Bonn EEG 數據庫上達到了 98% 至 100% 的準確率。在更具挑戰性的 CHB-MIT 數據集上，它達到了 88.55% 的平均敏感度、94.86% 的特異度和 72.92% 的準確率。

這一結果表明，基於模態的分解可以成功處理高度非平穩、瞬態的神經事件，因為癲癇發作從定義上來說，就是對基線大腦活動的突然且短暫的偏離。

空間-譜分解解決了源混合問題

空間-譜分解 (SSD) 是一種橫跨整個傳感器陣列的線性分解方法，它能夠尋找通道的空間組合，以最大化目標峰值頻率處的信號功率，同時將兩側相鄰頻率分組處的功率降至最低。其輸出不僅僅是一個更乾淨的頻譜，而且是一個展示哪些電極位置（進而大致代表哪些潛在的大腦區域）對該特定振盪貢獻最大的模式。

引入該方法的研究表明，即使在信噪比低至 1 到 10 的情況下，SSD 也能可靠地提取振盪信號，鑑於噪聲比感興趣的信號強得多，這是一項非常苛刻的測試。

在直接對比中，SSD 的表現優於基於獨立成分分析 (ICA) 的傳統方法。當應用於真實 EEG 數據時，SSD 分離出了空間模式與中央、感覺運動位置相匹配的成分，以及與枕頂葉、後部位置相匹配的獨立成分。

時域數據分解的未來趋势

計算能力和機器學習算法的進步正在開始將經典的譜分解與數據驅動的預測架構融合在一起。這些整合系統有望自動提取生物標記，從而實現對神經動態的即時分析，而在以前，這需要漫長的離線處理。這些方法的融合可能會縮短數據採集與臨床決策之間的延遲，促進反應更靈敏的腦機接口的發展。

研究越來越多地集中在開發量子增強型譜估計器上，以此超越經典窗口函數固有的限制。通過優化小波集的帶寬效率，研究人員希望能夠達到超高分辨率，從而在毫米級別上區分重疊的皮質源。這種演變預示著未來信號監測將變得更加精細且更具易用性。

跨全球研究實驗室的標準化仍然是未來十年時域數據科學的關鍵目標。為性能評估建立基準將確保技術進步是可複製的，並可轉化為公共衛生應用。隨著這些方法的穩定，基礎神經科學研究與實際診斷效用之間的差距預計將大幅縮小。

結論

將時域數據分解為頻率的技術仍然是解密人體生理中複雜電信號的一門至關重要的學科。通過應用強健的數學方法從嘈雜的數據集中提取有意義的模式，研究人員提高了他們監測穩定性和檢測病理性轉變的能力。

隨著這些分析框架的持續演進，它們將進一步提高神經科學研究的精準度以及後續臨床臨床成果的成效。

參考文獻

1. Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694

2. Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721

3. Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426

4. Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057

常見問題解答

時域和頻域有什麼區別？

時域顯示信號的振幅如何隨時間變化，而頻域則顯示信號有多少存在於特定的頻段內。

時域分解能實時進行嗎？

是的，現代數字信號處理硬件允許對頻率成分進行連續計算，從而實現了實時監測和反饋應用。

如何將噪聲與大腦的實際活動分開？

噪聲通常是通過識別已知神經活動範圍之外的頻段，或通過識別與環境干擾相關的特徵空間或譜特徵來隔離的。

傅立葉轉換如何從 EEG 中提取頻率信息？

傅立葉轉換在假設信號在短時間窗口內是平穩的前提下，將信號分解為正弦波之和。功率譜密度 (PSD) 隨後測量每個頻率上存在多少功率，從而提供振盪內容的快照。

經驗模態分解 (EMD) 與傅立葉分析有何不同？

EMD 在不假設平穩性的情況下，自適應地將信號篩選為本徵模態函數，從而使其能夠追蹤瞬時頻率和振幅變化。這使其在理論上更適合處理像 Mu 律動這樣的非平穩節律，儘管它可能會受到模態混疊的影響。

什麼時候會選擇 PSD 而不是模態分解方法？

當研究跨條件的寬泛、可重複的譜模式（例如比較運動想像任務）時，PSD 是一個穩健的選擇。它的計算簡單性以及在對精神狀態進行分類時公認的可靠性，使得它在快速變化的精確計時不關鍵時非常有效。