离散傅里叶分析 (DFT) 提供了一个强大的框架，用于将复杂信号分解为其基本的周期性分量，以便进行精确的解释。
本文将详细介绍 DFT 如何将一段有限的采样电压数据（例如静息态记录或任务态实验中的单个数据块）转换为一组频率分量。
什么是离散傅里叶分析？
离散傅里叶分析是一种数学方法，用于通过将采样信号分解为一系列构成频率来解释这些信号。
该方法不将数据视为连续流，而是处理离散且有限的数字序列（例如来自 EEG 记录系统的电压读数），以识别各种振荡周期的相对强度。通过将这些样本转换为振幅和相位的数值表示，研究人员能清晰地了解在数据集中哪些频率成分最占主导地位。
该技术架起了原始数据收集与有意义信息提取之间的桥梁，其本质上起到了数字棱镜的作用。当应用于复杂的波形时，此过程会将重叠的振荡分离为可读的频带，从而使那些原本会被更广泛的信号噪声所掩盖的特定节律特征得以孤立出来。它是现代神经科学研究的基石，在其中孤立出独特的脑活动模式对于理解健康的神经功能和病理状态都至关重要。
通过利用频率分析重组时间序列的能力，科学家可以有效过滤可能污染读数的环境电噪声或伪影。这种转换不仅是一种统计练习，更是一个至关重要的工具，它使微妙的高频振荡以定量的格式变得可见。所得出的不同频带的能量分布，构成了当今现代临床实验室中进行的大部分诊断评估的基础。
离散傅里叶变换（及FFT）在EEG信号处理中的实际作用
一旦连续的EEG信号被采样为有限的数字序列，DFT 就可以对其进行操作。给定电压的 N 个样本，DFT 会产生 N 个复数，每个复数代表一个特定而窄的频率切片（称为频段（bin））的贡献。你得到的不是一个杂乱的电压迹线，而是一个结构化的列表，显示该记录中存在多少每个频率成分。
随着 N 变大，直接计算 DFT 会变慢，因为计算量随样本数量的平方而变化。快速傅里叶变换（FFT）是一种算法，它能产生数学上完全相同的计算结果，但运行效率要高得多。
在实践中，几乎没有人通过暴力方法计算原始的 DFT。FFT 只是实现这一目标的标准的、高效的方法，这两个术语在 EEG 研究中经常互换使用。
如何读取原始EEG频谱
假设一个记录包含以每秒 fₛ 个样本采样率获取的 N 个样本。该记录的 DFT 产生 N 个均匀间隔的频率 bins，范围从 0 Hz 到 fₛ Hz。
相邻 bins 之间的间距（称为 bin 宽度）等于 fₛ 除以 N。bin 宽度这个单一数值决定了分析所能区分的最精细频率细节。
因为 EEG 电压是实值信号而非复数信号，所以这些 bins 中只有前一半（具体为 N/2 + 1 个）包含独特的信息。其余的 bins 是前一半的镜像，不添加任何新内容。Bin 编号 k 对应于 k 乘以 bin 宽度 (fₛ / N) 的真实频率。
在每个 bins 处，DFT 输出一个复数，这意味着它有两个成分而非一个。该复数的幅度是对应频率成分的振幅，在适当缩放后以微伏表示。这可以告诉你在记录的片段中，该特定节律有多强。
复数的角度是相位，它能告诉你该节律在记录开始时处于其周期的哪个位置，实际上标记了该节律相对于窗口开始时何时达到峰值。
塑造每个EEG频谱的三个约束条件
三个实际限制决定了基于 DFT 的频谱的可靠性，而这三个限制都源于一个事实：输入的是有限的、采样的记录，而不是无限的、连续的记录：
Bin 宽度（频率分辨率）等于 fₛ 除以 N；只有更长的记录才能区分两个相近的节律。
在采样率一半处的奈奎斯特极限会永久混叠更快的脑活动，除非在采样前进行滤波。
当其频率落在 bin 中心之间时，频谱泄露会将节律的能量分摊到相邻的 bins 中；渐变窗口（tapering windows）可减少这种扩散。
将DFT应用于静息态和区块设计EEG
DFT 至少隐式地假设信号的频率内容在所分析的片段中不会发生太大变化。在持续休息或重复认知任务的统一区块（这些状态大约是平稳的）期间，这种假设是合理的。在这些条件下，跨越整个分析时段（epoch）获取的单一 DFT 产生的一个频谱，能够有意义地代表大脑在此时间段内的节律活动。
这接近于一项关于大脑半球EEG不对称性的传统研究中所使用的方法，该研究中，参与者在进行言语、算术、空间和音乐任务时，记录了颞叶和顶叶电极部位的 EEG。
这些记录的离散傅里叶变换产生了用于比较标准频带内右脑半球和左脑半球的能量比。阿尔法（alpha）频带表明，大脑半球间的不对称性显著取决于正在执行的任务，且被任务更积极占用的脑半球一致表现出比例较低的阿尔法能量。
据报道，阿尔法频带中的这种任务依赖性效应，比早期不分离阿尔法而研究全频带能量时所发现的效应要大 2 到 5 倍。这种敏感性的提高直接来自于使用 DFT 分离频带，而不是将信号视为一个未分割的整体。
此外，来自日本福井工业大学的一项关于正常和癫痫 EEG 的研究提供了类似的模式，应用于可能的静息态条件。其傅里叶分析揭示了前文提到的类 1/f 频谱形状，并证实了在正常记录中纯在的显著阿尔法节律在癫痫记录中是缺失的。
局限性：DFT在何时会失效
当 EEG 活动在分析窗口内迅速变化时，DFT 的核心假设——即频率内容在整个分析片段内保持恒定——就会崩溃。癫痫棘波和突然的情绪转变是这种非平稳行为的两个明显例子。
分析正常和癫痫 EEG 的研究直接证明了这一局限性。虽然傅里叶变换成功捕捉到了记录的整体 1/f 频谱形状，但它未能揭示癫痫发作活动中典型的局部棘波和尖波综合。
小波变换作为另一套不同的时频工具，能够检测到这些傅里叶方法无法检测到的局部事件。
实际结论很直接：对于平稳的记录（静息态区块或控制良好的任务区块），DFT 为频率分析提供了坚实且易于解释的基础。对于瞬态或快速变化的事件，可能需要时频扩展方法，例如小波变换或自适应短时变换。
离散傅里叶分析与小波变换：它们如何对比
离散傅里叶分析提供了一个极好的信号全局视图，能识别整个数据块上的静态频率组成。由于它计算该时间窗口的单个平均频谱，因此对于节律特性保持一致的平稳信号非常高效。然而，它缺乏精确解析特定频率事件在分析片段内何时发生的能力，实质上是将时间特征模糊成了单一的综合画像。
相反，小波变换提供了一种多分辨率方法，能在时间和频率上提供局部信息。通过利用大小可变的窗口，小波变换可以放大瞬态棘波或突发的活动，而这些活动在使用更广泛的傅里叶方法时往往会丢失。这使得它们在检查阵发性脑现象或不遵循固定周期模式的快速神经变化时具有更大的 Flex 性。
在这些方法之间进行选择，是在研究项目参数内优先考虑哪些信息需求的问题。研究人员在确定其信号处理策略时通常遵循标准的操作流程：
确认感兴趣的信号是平稳的还是瞬态的。
应用传统全局光谱分析进行平均功率评估。
实施时频分解以进行局部事件跟踪。
根据已知的生理伪影验证所得的能量分布。
离散傅里叶分析Python实现指南
在 Python 中实现这种分析通常涉及使用像 NumPy 或 SciPy 这样的专业库，它们提供了用于计算快速傅里叶变换的优化函数。
主函数 fft 接受一个电压样本数组，并返回一个代表每个谐波处能量和相位的复值容器。开发人员必须确保输入数组在必要时进行了正确填充，尽管现代库可以为大多数标准数组大小自动处理底层的矩阵运算。
在计算完原始变换后，实际实现需要对输出进行归一化并计算绝对值以推导功率谱。这涉及除以序列的总长度以适当缩放幅度。缩放后，可以针对定义的频率轴绘制频谱，该轴是根据记录硬件的原始采样频率构建的。
最终确定代码需要通先通过带通滤波器清洁输入信号来处理潜在的伪影。通过仅分离当前研究中感兴趣的频率，用户可以减少计算占用空间并提高最终频谱图的可解释性。随着新研究要求的出现，这种模块化方法允许快速改进处理流程。
离散傅里叶分析PDF指南与资源
对于寻找深层技术手册的人，有几个基础的 PDF 资源详细介绍了频谱分析的数学证明和实现策略。这些文档在理论信号处理教科书与实际实验室应用之间架起了桥梁，澄清了如何解释误差范围和系统特定的偏差。其中许多指南是由学术研究小组策划的，目的是在多机构研究中实现处理的标准化。
这些资源经常包括关于准备用于分析的原始时间序列数据的教程，强调特定的数据清洁要求（如伪影去除和重新参考）。它们还提供了各种窗函数的全面概述，解释了它们如何影响光谱分辨率与振幅精度之间的权衡。对于任何希望超越常见库函数的黑箱实现的从业者来说，理解这些细微差别是至关重要的。
通过咨询这些技术指南，学生和研究人员可以获得对与数字变换相关的常见陷阱（如频谱泄漏和混叠伪影）的 Insight。这些指南会定期进行更新，以反映计算速度和效率方面的进展，从而确保所述方法在当前科学项目中使用的现代高分辨率采样硬件上保持最新和适用。
频率分析如何揭示隐藏的大脑节律
将 EEG 记录分解为其成分频率，能将纠缠在一起的电压迹线转化为更有说服力的内容。离散傅里叶变换准确地显示了存在哪些节律以及它们有多强，这就是为什么它已成为提取与心理任务相关的阿尔法频带不对称性，或将正常脑活动与癫痫记录分离的独特 1/f 形状等特征的第一步。这一步为稳定、静息态或基于任务的状态期间大脑的振荡景观提供了清晰、易于解释的画面。
然而，该方法具有重要的界限，因为它需要足够快的采样率来避免混叠，需要足够长的窗口来区分相近的节律，并且需要意识到突然的神经事件会打破其对稳定大脑状态的核心假设。对于那些瞬态棘波或快速情绪变化，研究人员经常求助于时频替代方法，尽管这些工具在许多任务中的对比仍然很少。
了解原始振幅谱能说明什么和不能说明什么，可以让人们专注于数据实际支持的内容，通过一项又一项的研究构建出大脑功能的细致画面。
参考文献
Doyle, J. C., Ornstein, R., & Galin, D. (1974). Lateral specialization of cognitive mode: II. EEG frequency analysis. Psychophysiology, 11(5), 567-578. https://doi.org/10.1111/j.1469-8986.1974.tb01116.x
Yamaguchi, C. (2003, March). Fourier and wavelet analyses of normal and epileptic electroencephalogram (EEG). In First International IEEE EMBS Conference on Neural Engineering, 2003. Conference Proceedings. (pp. 406-409). IEEE. https://doi.org/10.1109/CNE.2003.1196847
Samiee, K., Kovacs, P., & Gabbouj, M. (2015). Epileptic seizure classification of EEG time-series using rational discrete short-time fourier transform. IEEE Trans. Biomed. Eng., 62(2), 541-552. https://doi.org/10.1109/TBME.2014.2360101
常见问题解答
离散傅里叶变换究竟对EEG记录做了什么？
DFT 将采样的 EEG 电压的有限块分解为一组频率成分，每个成分由一个复数表示。这些数字揭示了存在多少每个频率（振幅），以及它在分析窗口内的哪个相位开始。
为什么在记录EEG时采样率如此关键？
采样率决定了能够被准确捕获的最高频率，即奈奎斯特频率。如果信号包含高于采样率一半的频率，它们就会发生混叠（被错误地表示为较低的频率），且事后无法纠正。为了防止这种情况，EEG 系统在采样前会应用低通滤波器来去除超出奈奎斯特限制的频率。
什么决定了DFT区分相近频率的精细程度？
频率分辨率由 bin 宽度决定，它等于采样率除以分析片段中的样本数。更窄的 bins 允许更好地分离相邻的节律，但实现它们需要更长的记录时段（epochs）。
什么是频谱泄漏，如何解决？
当真实的大脑节律不能完美对齐 DFT 频率 bin 时，就会发生频谱泄露，导致其能量扩散到几个 bins 中并模糊峰值。应用平滑信号边缘的渐变窗口（如韩窗（Hann window））可以减少这种泄露，尽管无法完全消除。
除了简单的能量值，DFT输出还能告诉我们什么？
原始 DFT 既提供了指明节律强度的振幅（以微伏为单位），又提供了相位（指明了在记录窗口开始时节律周期所处的位置）。虽然振幅被广泛使用，但在 EEG 研究中相位经常被忽视，但它仍然是 DFT 结果固有的组成部分。
在什么条件下DFT能提供可靠的大脑活动画面？
当 EEG 信号大约是平稳的（即在记录块期间其频率内容变化不大）时，DFT 效果很好。这在静息态记录或认知任务的控制良好的统一区块中很常见。
为什么DFT可能无法捕获某些大脑事件？
DFT 假设频率内容在所分析的片段上保持恒定，因此它无法准确表示像癫痫棘波或突然情緒转变这样的快速瞬态事件。在这些非平稳情况下，能量会被抹平在许多频率上，采用小波等时频方法更为合适。
快速傅里叶变换（FFT）与DFT有什么关系，为什么要使用它？
FFT 是一种计算 DFT 快得多的算法，能产生数学上完全相同的结果。在 EEG 研究中，这两个术语经常互换使用，因为 FFT 是获取频谱的标准、高效方式。
Emotiv 是一家神经技术领域的领导者，致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
Christian Burgos
