為什麼神經科學家會將時間轉換為頻率

什麼是時間到頻率的轉換？

轉換過程涉及將原始數據序列（通常測量為隨時間變化的振幅）轉換為頻率譜。這種數學轉變使研究人員能夠觀察信號的組成節律成分，而不僅僅是原始的電壓或壓力波動。通過這個視角觀察數據，複雜數據集中的微妙模式變得更容易分類和解釋，以便進行進一步的分析。

理解基礎知識：從時域到頻域

在標準信號記錄中，時間維度代表事件發生的順序，保持了便於立即監控的直觀時間順序。然而，許多動態系統表現出重複性行為——例如與神經科學相關的神經元節律性發放——這些行為僅通過觀察原始信號是很難被區分開的。

轉移到頻率視角實際上起到了分析過濾器的作用，使人能夠孤立個別節律及其對整體信號結構的相對貢獻。

數學基礎：傅立葉變換

傅立葉變換基於這樣一個原理：任何複雜的振盪信號都可以表示為更簡單的正弦波和餘弦波的加權和。這種數學運算本質上執行了一種分解，提取出信號潛在的週期結構，而不管其最初的複雜性如何。

通過應用這種變換，研究人員將時間數據點映射到一個新的領域，其中橫軸代表頻率，縱軸表示每個特定頻率成分的功率或振幅。

為什麼時間-頻率分析很重要？

在頻域中分析信號對於隔離嵌入在雜訊或更大的混合波形中的特定現象至關重要。這種方法被廣泛應用於各個依賴精確信號處理以從傳感器和測量儀器中提取相關 Insight 的領域。

在信號處理中的應用

工程師經常會遇到被背景干擾或環境電磁雜訊污染的信號，這可能會掩蓋感興趣的主要信息。觀察頻率組成的分析技術允許進行精確的過濾，從而使特定的無用範圍衰減，而不干擾核心數據。

這種能力是現代通信系統和傳感器技術的基礎，確保了有效的信號峰值保持清晰且可解釋，以便進行下游處理。

語音和音頻分析中的 Insight

人類言語和自然聲音由多個重疊的頻率組成，每個頻率都表徵了底層聲源的音色和音調。將這些信號轉換到頻域可以讓研究人員繪製出共振峰或檢測隨時間變化的語音特徵，這是聲學中的常見需求。

通過將這些信號視為語音譜圖，分析人員可以監控可能指示特定聲音偽影或區分一個聲源與另一個聲源的模式的暫態變化。

生物醫學工程中的應用案例

在醫療環境中，生物電輸出的精確測量對於觀察健康狀況和診斷神經系統疾病至關重要。使用腦電圖 (EEG) 作為主要工具，醫生可以記錄腦電波模式，而研究人員則使用特定的頻率分析來研究與不同警覺狀態相關的節律行為。

整合諸如 PCI 數據採集硬體之類的專用設備可以確保捕獲高保真數據，然後通過頻域變換對其進行處理，以提供有意義的診斷 Insight。

時間到頻率轉換的常用方法

存在各種用於轉換時間數據的算法，每種算法都適用於不同級別的信號穩定性和精度要求。合適方法的選擇取決於信號的性質和最終光譜輸出所需的解析度。

短時傅立葉變換 (STFT)

該方法將長信號分割成較小的、重疊的窗口，對每個窗口進行傅立葉變換，以觀察頻率內容如何演變。它對於非完全平穩但短時間內保持穩定的信號特別有用。

如何手動將時間轉換為頻率

雖然軟體自動執行了大部分計算，但理解週期信號的手動轉換需要識別循環持續時間。通過計算週期的倒數，可以確定事件完成一個完整循環速率，從而得到以赫茲為單位測量的頻率值。

該表說明了週期與頻率之間的反比關係，其中更短的循環持續時間會導致顯著更高的頻率輸出。

使用頻率-時間計算器進行快速估計

從業者經常使用估計工具來橋接時間和頻率之間的差距，而無需進行詳盡的計算。這些工具通常在數據分析期間提供以下快速配置功能：

• 自動將循環時間轉換為赫茲。

• 支持多種刻度單位，如毫秒和微秒。

• 即時切換函數以反轉轉換。

• 立即繪圖以直觀比較信號穩定性。

這些計算器在研究環境中應用更複雜的數位濾波或光譜分解技術之前提供初步評估。

小波變換

與傳統的傅立葉方法不同，小波變換使用可變大小的窗口同時分析低頻和高頻成分。這允許更好地定位突然的信號變化，例如對於窗口化 STFT 分析而言發生得太快而無法捕獲的瞬態放電或尖峰。

它在單次運行中需要高時間和頻率敏感性的領域中受到高度重視。

隱形三稜鏡：將時間變為頻率

大腦活動的單個瞬間很少是由一個乾淨的波形組成的。它的行為更像是一個音樂和弦，其中幾個音符同時響起以創造一個複雜的音調。

如果您只聽和弦的整體，您聽到的是和音，而不是單個音符。同樣的問題也適用於原始 EEG 軌跡。在任何給定的瞬間，慢、中、快振盪都在同時發放，而時域視圖將它們堆疊成一個單一、難以解析的波形。

將該波形轉換為頻域並不會為信號添加新的信息。它重新組織了現有的信息，使不同的振盪作為獨立的成分變得可見。這種重組對於研究人員清潔噪雜數據和檢測有意義模式的能力具有可衡量的、實際的影響。

考慮眼動偽影，這是 EEG 記錄中最持久的污染源之一。當眼睛移動時，產生的電信號（稱為眼電圖 EOG）會泄漏到附近的 EEG 通道中並使讀數失真。早期的糾正嘗試假設從眼睛到頭皮的泄漏在所有節律中表現一致，因此簡單的時域減法應該在所有地方都同樣有效。

Kenemans 等人直接測試了這一假設。利用模擬和真實數據，研究人員比較了三種清理策略：

1. 簡單的時域回歸

2. 更複雜的多滯後時域回歸

3. 頻域回歸。

當眼到頭皮的電傳輸與頻率無關（意味著它在所有節律中的表現相同）時，這三種方法表現得同樣好。但是，當傳輸與頻率相關時（意味著污染會根據所涉及的節律而改變），簡單的時域方法無法完全重建原始 EEG。

只有頻域方法和更複雜的多滯後時域方法才能解釋這種變異性。這表明大腦信號偽影在時間上並不總是表現均勻，有時只有具備頻率感知能力的鏡頭才能正確地將真實的大腦活動與污染區分開來。

在癲癇發作檢測中，這種重新構建的回報甚至是更加戏剧性的。一項 2018 年的研究發現，當將原始時域 EEG 信號輸入分類系統時，在某些實驗中頭皮記錄的準確度降至 60% 左右，這一結果在某些分類任務中並不比扔硬幣好多少。當首先將相同的數據轉換為頻域時，在相同任務上的準確度躍升至大約 96%。

正確識別癲癇發作狀態所需的信息一直存在於記錄中。只是在通過其頻率成分觀察信號之前，它是不可見的。

為什麼頻率視角很重要：從雜訊到改變生活的應用

從時間到頻率的轉換不是抽象的技術偏好。它在四種截然不同的應用中具有具體的影響。

更銳利的偽影去除

眼球運動和眨眼是 EEG 記錄中長期的污染源，因為眼睛產生的電信號會傳播到附近的頭皮電極中。

Kenemans 等人的研究表明，這種污染在所有頻率上的傳輸速率並不總是恆定的。當傳輸與頻率相關時，基本的時域糾正表現不佳，而頻域回歸方法成功重建了原始大腦信號。

這對於需要乾淨信號質量的任何應用都至關重要，因為如果應用了錯誤的清理方法，未糾正的眼部偽影可能會被誤認為是真正的大腦活動。

您的大腦，您的簽名

發表在《神經工程學報》上的一項研究發現，一個人的大腦節律整體模式在不同的記錄session中，甚至在頭皮上不同的傳感器放置位置上都保持著驚人的穩定。這種被描述為一種 EEG 指紋的一致性在 alpha 波段最強，但在 1 到 40 Hz 的廣泛範圍內都是可檢測的。

值得注意的是，即使受試者正在執行完全不同的認知任務，這種識別特徵依然存在，這表明該模式反映了一個人大腦結構上穩定的東西，而不是對當時特定心理活動的反應。

這些節律的區分能力在整個頻率範圍內遵循研究人員所描述的 W 形模式，最強的識別峰值集中在 10 Hz alpha 節律附近。這一發現與生物特徵識別系統直接相關，這些系統有朝一日可能會使用大腦活動作為一種安全的個人驗證形式。

讀取情緒

情緒狀態在腦節律模式中留下了可測量的痕跡，Petrantonakis 和他的團隊進行的一項研究表明，這些痕跡在時頻域中最容易被捕捉，而不是原始的時域信號。通過使用自適應分割方法並測量額葉 alpha 不對稱性，研究人員建立了一個分類系統，能夠區分效價和喚醒度的不同組合，正確對情緒狀態進行分類的水平遠高於隨機猜測的預期。

這種類型的基於頻率的情緒檢測與人們對腦機介面設計的不斷增長的興趣相關聯，這些介面旨在響應用戶的心情或情感投入，儘管所報告的分類準確度（根據測試的特定情感類別，範圍從大約 64% 到 83% 不等）表明這仍然是一個概率性工具，而不是決定性的情緒讀取。

戰勝癲癇

也許頻域實際價值最引人注目的展示來自癲癇研究。上述 2018 年的研究直接比較了時域和頻域信號作為卷積神經網路輸入的表現，該網絡的任務是區分發作期、發作前期和發作間期的大腦狀態。

在顱內 Freiburg 數據庫中，頻域輸入在三個獨立的分類實驗中產生了 92% 至 97% 之間的平均準確度，而同一個數據庫上的時域輸入產生的準確度範圍約為 84% 至 91%。在頭皮記錄的 CHB-MIT 數據庫上，這一差距顯著拉大，頻域準確度保持在較高水平（大約在 93% 到 98% 之間），而時域準確度在某些實驗中崩潰到僅 48% 到 62% 的範圍。

這表明，對於某些記錄條件（特別是頭皮 EEG），原始時域信號可能根本缺乏可靠的自動癲癇發作分類所需的解析結構，而同一個信號的頻域重組使機器學習系統能夠訪問底層模式。

此外，Madhavan 等人在他們 2020 年的研究中，通過專注於定位而非檢測，進一步推動了這一概念。通過使用一種稱為同步擠壓變換的技術來生成詳細的時頻表示，並結合深度卷積神經網絡，該研究在區分局灶性 EEG 信號（起源於負責觸發癲癇發作的致癇區）與起源於大腦其他部位的非局灶性信號方面，實現了高於 99% 的準確度、敏感性和特異性值。

這種精度水準直接適用於癲癇手術，其中正確識別負責癲癇發作活動的確切大腦區域是安全有效手術干預的前提條件。

觀察活體大腦的新透鏡

從隨時間漂移的單個電壓線轉換為不同節律的頻譜，是使 EEG 首先變得可讀的機制。沒有它，從頭皮數據工作的癲癇發作檢測算法的表現勉強比碰運氣好一點。

有了它，同一個算法的準確度可以攀升至 90% 以上。沒有它，微妙的眨眼污染會偽裝成真正的大腦活動。

有了具備頻率感知能力的糾正，這種污染可以更可靠地被隔離出來。沒有它，隱藏在某人大腦節律中穩定的、因人而異的模式（最集中在 alpha 波段）就無法被看見。有了它，該模式就成為一個可測量的特徵簽名。

這些應用都不需要向 EEG 信號中添加新信息。它們需要將現有的信息重新組織成一種形式，使 meaningful 模式最終能夠從雜訊中被區分出來。

這種重組，即從時間到頻率的轉變，是將混亂的電壓軌跡轉變為 delta、theta、alpha、beta 和 gamma 活動的結構化記錄的關鍵，為研究人員和臨床醫生提供了一種更清晰、非侵入性的方法，來研究活體大腦中展開的睡眠、情緒狀態、個人身份和神經系統疾病。

參考文獻

1. Kenemans, J. L., Molenaar, P. C., Verbaten, M. N., & Slangen, J. L. (1991). Removal of the ocular artifact from the EEG: a comparison of time and frequency domain methods with simulated and real data. Psychophysiology, 28(1), 114-121. https://doi.org/10.1111/j.1469-8986.1991.tb03397.x

2. Zhou, M., Tian, C., Cao, R., Wang, B., Niu, Y., Hu, T., ... & Xiang, J. (2018). Epileptic seizure detection based on EEG signals and CNN. Frontiers in neuroinformatics, 12, 95. https://doi.org/10.3389/fninf.2018.00095

3. DelPozo-Banos, M., Travieso, C. M., Weidemann, C. T., & Alonso, J. B. (2015). EEG biometric identification: a thorough exploration of the time-frequency domain. Journal of neural engineering, 12(5), 056019.

4. Petrantonakis, P. C., & Hadjileontiadis, L. J. (2012). Adaptive emotional information retrieval from EEG signals in the time-frequency domain. IEEE transactions on signal processing, 60(5), 2604-2616. https://doi.org/10.1109/TSP.2012.2187647

5. Madhavan, S., Tripathy, R. K., & Pachori, R. B. (2019). Time-frequency domain deep convolutional neural network for the classification of focal and non-focal EEG signals. IEEE Sensors Journal, 20(6), 3078-3086. https://doi.org/10.1109/JSEN.2019.2956072

常見問題解答

為什麼神經科學家要將腦電圖信號從時間轉換為頻率？

原始的 EEG 軌跡將多個不同速度的大腦節律堆疊成一個單一的複雜波形，使單個模式難以看清。轉換到頻域將該信號分裂成獨立的組成頻率，就像三稜鏡將白光折射成不同的顏色一樣，這樣就可以單獨研究每種節律。

頻率視角如何改善眨眼偽影的去除？

眨眼污染在 EEG 頻帶上的傳輸方式可能不同，這意味著基於時間的簡單減法法通常會失敗。頻域回歸考慮了這些與頻率相關的差異，從而可以更準確地重建真實的大腦信號。

使用頻域代替時域時，癲癇發作檢測的準確度會發生什麼變化？

與癲癇發作相關的模式存在於原始信號中，但在時域中是不可見的。頻率分析重新組織了數據，使分類器能夠達到 90% 以上的準確度，而在頭皮記錄上，原始時域輸入在某些實驗中表現得並不比隨機猜測好。

為什麼 alpha 節律被認為是強大的生物識別標識？

Alpha 活動在 10 Hz 附近顯示出獨特、穩定的峰值，在不同的任務和記錄session中保持一致。這種穩定性反映了一個人內在的大腦結構，使其成為可靠的 EEG 指紋，可用於身份識別。

EEG 頻率模式如何指示情緒狀態？

額葉 alpha 不對稱性（比較左右額葉大腦區域側的 alpha 強度）隨著情感效價和喚醒度而異。頻域分析捕捉到了這些不對稱模式，從而允許對情緒狀態進行分類，其水平遠高於隨機猜測。

為什麼頻率分析對於癲癇手術中致癇灶的定位至關重要？

短暫的高頻 gamma 爆發和跨所有頻帶的轉移標誌著致癇區。像同步擠壓變換這樣的時頻技術將這些模式轉化為詳細的表示，使深度學習模型能夠以極高的精度區分局灶性癲癇發作信號與非局灶性信號——這是安全手術規劃的前提條件。