許多現實世界中的信號，如氣候指數、生物醫學記錄、醫學圖像，並不是靜止不變的。它們的特徵會隨著時間而變化：心跳在運動時加速，隨後減慢；海洋表面溫度隨季節波動，但也會在數十年內發生變化。這些都是非平穩信號。
小波轉換就是為處理這些信號而設計的數學工具。它將信號分解為在時間和尺度上都具備局部特性的分量，從而精確地揭示特定模式在何時出現，以及在何種持續時間或拉伸程度下運行。
與將信號分解為無盡正弦波的傳統傅立葉分析不同，連續小波轉換（CWT）利用單一原型波的縮放和平移副本，構建出時間-尺度的表示法。本文將闡述 CWT 的邏輯、如何選擇母小波、計算並解讀所得的小波能譜圖（scalogram），以及數十年的應用所展示的成果與該方法固有的局限性。
什麼是小波轉換？
小波轉換是一種在多個尺度上分析訊號的數學方法。它不單單是透過全局正弦分量來表示整個訊號，而是將訊號與稱為小波的短函數進行比較。這些函數沿著訊號平移，並進行伸展或壓縮以揭示局部特徵。
其結果是一組係數的集合。每個係數都表示訊號在特定位置和尺度上與特定小波的相似程度。小尺度通常強調快速變化和微細細節，而大尺度則描述較慢的變化和較寬的結構。
這種局部行為是小波分析與許多傳統頻率方法之間的核心區別。傅立葉轉換可以顯示存在哪些頻率，但小波轉換還可以指示這些特徵發生的位置。這使得它非常適合用於瞬態、不連續點、突發訊號、邊緣以及其他時間位置至關重要的事件。
連續小波轉換：工作原理
CWT 的核心是一個稱為母小波的單一局部振盪函數，記作 ψ(t)。您不需要將訊號分解為一組固定的正弦波。相反地，您可以透過拉伸（縮放）和滑動（平移）這一個原型來產生一個小波家族。在尺度 a 和位置 b 處的 CWT 是訊號 x(t) 與經過尺度 a 縮放和位移 b 的小波的內積：
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
因子 1/√a 歸一化了跨尺度的能量。當 a 較小時，小波被壓縮並捕獲短暫、快速的變化。當 a 較大時，小波被拉伸並捕獲緩慢、寬闊的起伏。平移 b 將小波沿著時間軸移動，因此分析從頭到尾滑動。
輸出是一個時間和尺度的二維函數，可以顯示為時頻譜圖（scalogram）。回顧 1988 年，Ingrid Daubechies 等研究人員正式確立了離散小波多解析度分析的基石概念，證明了可以構建具有高規則性的緊支撐正弦正交基。CWT 繼承了這種基本的縮放和平移原理，但不需要正交基：您可以使用任何滿足簡單容許性條件的母小波，這使得該轉換是可逆的。
這種構造賦予了小波其標誌性的優勢。因為母小波是一個短暫的波狀脈衝，它自然地聚焦於瞬態事件。單憑縮放和平移即可提供時間和尺度的同時視角，這是固定窗口的傅立葉方法在不強加時間和頻率解析度之間人工折衷的情況下無法比擬的。
什麼是離散小波轉換？
離散小波轉換（DWT）是在結構化網格上對尺度和平移參數進行取樣，而不是評估每個可能的值。在常見的構建中，尺度和位置呈雙進制（dyadically）變化，通常以 2 的冪次方變化。這產生了一組緊湊的係數，同時保留了多個解析度下的資訊。
DWT 通常使用成對的低通和高通濾波器來實現。低通分支保留了訊號的平滑逼近，而高通分支則捕獲了細節。隨後的下取樣減少了每個級別的樣本數量，並且逼近分支可以再次進行分解。
這種濾波器組結構使得 DWT 對於有限數字數據非常高效。當分析和合成濾波器設計得當時，它也支持重構。
其應用包括去噪、壓縮、事件檢測和多尺度特徵提取，不過係數的解釋仍然取決於取樣、邊界處理和小波的選擇。
離散小波轉換詳解
DWT 透過連續級別上的逼近係數和細節係數來表示取樣訊號。在第一級，訊號被分離為寬闊、緩慢變化的內容和變化較快的細節。對逼近部分重複該操作會創建一個解析度層級結構。
與 CWT 不同，DWT 通常不會為每個連續的位置和尺度產生係數。其結構化取樣減少了冗餘和計算成本。這使得它對於大型陣列、即時處理和壓縮系統非常實用。
分解層級決定了分析進行到何種程度。太少的層級可能會遺漏寬闊的結構，而太多的層級則可能產生難以解釋或受訊號長度和邊界條件強烈影響的係數。因此，有用的深度是數據和分析目的之屬性，而非通用常數。
DWT 離散小波轉換演算法步驟
標準的 DWT 透過重複的濾波和下取樣進行。核心操作很簡單，但每個步驟都會影響後續的表示。
選擇一個小波族和所需的分解層級。
將訊號通過低通濾波器以獲得逼近樣本。
將相同的訊號通過高通濾波器以獲得細節樣本。
對兩個輸出進行下取樣，並在逼近分支上重複該過程。
儲存係數並在需要時重構訊號。
產生之係數樹將粗糙結構與逐漸變細的細節分開。在實踐中，重構可用於測試所選係數是否保留了與分析相關的訊號特徵。
哈爾小波轉換：最簡單的小波
哈爾小波（Haar wavelet）是使用最簡單的小波。它是分段常數，因為它在一個短區間的一部分上取一個值，在另一部分上取相反的值，其平均值為零。其陡峭的形狀使其自然地對跳變和階躍狀過渡敏感。
對於一對簡短的樣本，哈爾轉換可以理解為計算平均值和差值。平均值成為粗略的逼近，而差值則記錄局部變化。重複此操作將創建一個具有特別清晰解釋的多級表示。
哈爾小波在計算上很便宜且易於解釋，但它並不平滑。以漸變振盪為主的訊號其表示效率可能不如使用更平滑的小波。當簡單性、快速計算或對不連續性的敏感性比平滑的頻率選擇性更重要時，它的價值最大。
選擇母小波
並非每一種微小的起伏都有資格成為母小波。該函數必須滿足容許性條件，這本質上意味著它的均值為零且能量有限，也就是說它在零上下起伏，並在一個短區間之外衰減為零。
除了該要求之外，您可以自由選擇與數據中預期特徵相匹配的形狀。這種選擇不是公式化的，但實踐經驗指出了一些啟發式方法：
形狀相似性。如果您的訊號包含振盪突發，Morlet 小波（包裹在高速高斯函數中的複正弦波）通常效果很好，因為它類似於局部振盪。對於尖銳、突出的瞬態，像墨西哥帽小波（高斯函數的二階導數）或緊支撐小波之類的方法可以更乾淨地隔離邊緣和峰值。
時間-尺度解析度平衡。較長的小波可以在相鄰尺度之間提供更精細的區分，但會模糊特徵發生的確切時刻。較短的小波可以精確定位時間，但會將尺度混在一起。這是局部化分析不可避免的折衷，而不是缺陷。
實小波與複小波。實值母小波（例如墨西哥帽）僅提供振幅資訊。複小波（例如 Morlet）則同時產生振幅和相位，當您稍後希望透過交叉小波相干性檢查兩個訊號之間的時間關係時，這可能是至關重要的。
Daubechies 研究中構建的緊支撐小波的正交基適用於離散、完美的重構任務。對於 CWT，您不受正交性的束縛，因此如果非正交小波能更好地匹配訊號的形態，您可以自由選擇它們。
儘管如此，緊支撐性和規則性仍然是理想的，因為它們可以減少邊緣抹平並提供乾淨的轉換。
計算連續小波轉換
在實踐中，CWT 是透過將訊號與母小波的縮放、時間反轉副本進行摺積來近似計算的。因為訊號是有限的，當小波接近記錄的起點或終點時，它不可避免地會延伸到數據邊界之外。這些邊界區域會產生失真的值；影響錐（COI）標記了邊緣效應導致分析不可靠的時間-尺度區域。任何伸入 COI 的特徵都必須謹慎對待。
為了建立時頻譜圖，尺度通常被採樣為 2 的分數次方，以覆蓋與訊號持續時間相匹配的範圍。計算 CWT 係數的平方幅度會產生小波能量，然後將其繪製為以時間為一軸、尺度為另一軸的彩色圖。
解讀時頻譜圖
時頻譜圖是小波分析的主要視覺輸出。明亮的區域對應於高小波能量，這些是訊號在特定尺度和時間具有強分量的位置。
但並非每個熱點都是有意義的。為了將真實特徵與隨機波動區分開來，研究人員通常會針對理論背景進行統計顯著性檢定：白噪音（其能量均勻分佈）和紅噪音（其能量集中在低頻，正如許多自然過程那樣）。透過將觀察到的能量與背景光譜的第 95 百分位數進行比較，您可以識別出不太可能偶然出現的時期和尺度。
在時間、尺度或兩者上進行平滑處理可以提高此類特徵的可靠性。
CWT 的已知局限性與注意事項
沒有任何一種數學工具是完美無缺的，CWT 也不例外。母小波的選擇既是靈活性，也是一項負擔。沒有任何自動程序能保證為未知訊號提供最佳小波。
不恰當的選擇（例如，對於充滿尖銳脈衝的訊號使用長 Morlet）可能會抹平特徵或創建令人誤解的時頻譜圖偽影。即使實驗人員憑直覺找到了很好的匹配，分析仍然具有部分主觀性。
邊緣效應是有限數據的客觀現實。長尺度將小波推向遠超出邊界的地方，因此 COI 可以吞噬最粗糙尺度下時頻譜圖的大部分。從邊緣推斷出的任何事件都必須視為暫定的。統計檢定雖然有原則，但取決於可能不適用於每個數據集的假設噪音模型。
在處理新的數據集時，最清晰的路徑是將對訊號預期結構的物理推理與保守的統計檢查相結合，並清醒地接受時頻譜圖是一個啟發性的地圖，而不是一個確定性的解剖藍圖。
使用小波轉換進行 EEG 分析
腦波圖（EEG）記錄了隨時間變化的電壓變化，而這些變化通常包含重疊的節律、瞬態事件和非平穩行為。小波轉換可以在時間和尺度上表示這些成分，使其可用於檢查特定模式何時出現。因此，該方法與神經科學和EEG記錄分析高度相關。
在 EEG 工作中，係數可以按尺度、時間間隔、通道或事件條件進行彙整。此類彙整可以支持對節律、誘發反應、癲癇相關瞬態、睡眠模式或偽影結構的研究。轉換本身並不能診斷大腦疾病；其解讀需要適當的採集、預處理、對照組和領域專業知識。
預處理仍然是核心。電極偽影、眼球運動、肌肉活動、參考選擇、濾波、缺失數據和邊緣效應都會改變小波係數。結果也對頻率到尺度的對應關係以及所選小波是否類似於正在研究的時間形態高度敏感。
計算小波轉換的工具和軟體
小波轉換可以使用數值庫、科學程式設計環境和專門的訊號處理軟體來計算。合適的選擇取決於目標是教學、探索性視覺化、批次處理、嵌入式計算還是可重複的研究。
一個有用的工具應該清晰地暴露轉換參數，而不是將它們隱藏在單一的默認命令後面。
典型的工作流程是載入並驗證採樣數據、選擇小波、計算 CWT 或 DWT、檢查係數並評估重構或下游特徵。透過控制參數變化重複該工作流程可以顯示結果是否穩定。當微小的實現差異影響係數值時，文件和版本記錄就很重要。
為了進行可靠的工作，軟體評估通常包括數值精度、對多維數據的支持、邊界選項、繪圖、計算成本和互操作性。程式碼還應該保留採樣率和預處理歷史，因為沒有這些背景的係數是難以複製或解釋的。
為什麼小波分析對於讀取非平穩訊號至關重要
小波轉換的定義性洞察在於，最好將訊號的身份理解為一個關於模式何時發生以及持續多久的動態地圖，而不是靜態的頻率列表。這種時間-尺度視角已在現實世界中證明了其價值。然而，這些成功總是伴隨著一個警告：分析的可靠性取決於在數學計算開始之前所做出的選擇。
選擇母小波是一個科學判斷問題，而邊緣效應加上噪音假設對任何時頻譜圖所能聲稱的內容設定了真實的邊界。坦率的結論是，小波分析提供了一種觀察變化訊號中結構的方法，但它要求保守的解讀，而不是盲目接受每個明亮區域。
將物理推理與統計檢查相結合的研究人員能從該工具中獲得最大的價值，同時使他們的結論保持適當的謙虛。
參考文獻
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
常見問題解答
什麼是小波轉換？為什麼它用於非平穩訊號？
小波轉換將訊號分解為在時間和尺度上均局部化的成分，從而揭示模式何時出現以及它運作的持續時間。它是為非平穩訊號（其特徵隨時間變化）而構建的，這與假設穩定行為的固定方法不同。
連續小波轉換與傅立葉分析有何不同？
CWT 不是將訊號分解為無盡的正弦波，而是使用單一母小波的縮放和平移副本。這種構造提供了時間和尺度的同時視角，避免了傅立葉方法中時間和頻率解析度之間固定窗口的折衷。
什麼是母小波？它必須滿足什麼條件？
母小波是一個單一的局部振盪函數，透過拉伸和移位來分析訊號。要使其有效，它必須滿足容許性條件，這本質上意味著它的均值為零且能量有限——它在零上下起伏，並在短區間外衰減為零。
您如何為特定訊號選擇母小波？
選擇一個形狀與您預期的特徵相匹配的小波；例如，Morlet 小波適用於振盪突發，而墨西哥帽小波可以隔離尖銳的脈衝。您還需要平衡時間與尺度解析度，並決定是否需要相位資訊，其中複小波同時提供振幅和相位。
什麼是時頻譜圖，如何解讀它？
時頻譜圖是小波分析的主要視覺輸出，它繪製了小波能量，其中時間在一軸，尺度在另一軸。明亮的區域表示在特定時間和尺度上有強烈的訊號成分，但針對白噪音或紅噪音背景的顯著性檢定有助於將真實特徵與隨機波動區分開來。
什麼是影響錐？為什麼它很重要？
影響錐（COI）標記了邊緣效應使小波分析不可靠的時間-尺度區域，因為小波延伸到了有限的數據邊界之外。任何落在 COI 內部的特徵都必須謹慎對待。
連續小波轉換的主要局限性是什麼？
母小波的選擇部分是主觀的，不恰當的選擇可能會抹平特徵或創建令人誤解的偽影。邊緣效應可能會污染時頻譜圖的大片區域，並且顯著性檢定依賴於可能不適用於每個數據集的假設噪音模型。
實母小波和複母小波在實踐中有何不同？
實值小波（如墨西哥帽）僅提供振幅資訊。複小波（如 Morlet）同時提供振幅和相位，這對於透過交叉小波相干性檢查訊號之間的時間關係至關重要。
CWT 和 DWT 有什麼區別？
連續小波轉換評估許多緊密間隔的尺度和位置，產生詳細且通常冗餘的表示。離散小波轉換使用一組結構化的尺度和位置來產生更緊湊的表示。
哈爾小波用於什麼？
哈爾小波可用於對具有突然變化或階躍狀行為的訊號進行簡單、快速的分析。其分段常數形式也使得潛在的平均值和差值易於解釋。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
克里斯蒂安·布爾戈斯
