离散信号处理

什么是离散信号处理？

离散信号处理涉及对表示为数字序列的信息进行数学操作。通过将现实世界的模拟输入转换为离散样本，计算机可以执行使用传统模拟电路无法完成的复杂分析。

这些数字操作的精确性和可重复性使其在从气候建模到脑电图（EEG）信号处理等领域中变得不可或缺。该领域为如何将连续数据离散化、处理并最终重建以供人类或机器使用奠定了规则。

离散时间信号处理与连续时间信号

连续时间信号在定义的时间间隔内的每个点上都平滑变化并存在，而离散时间信号仅在特定的周期性点上定义。

数字信号处理依赖于这两者之间的转换，通常利用硬件来弥补这一差距。工程师必须仔细管理这一过渡，以确保离散序列能够准确反映基础连续现象，而不会引入采样率不足以捕捉信号中最快变化时所产生的混叠误差。

离散时间信号的连续时间处理：采样与重建

将连续影响转化为数字格式的过程需要一个模数转换器，该转换器以精确的时间间隔记录信号强度。处理完成后，如果数据要被人类感知，就必须将其恢复到模拟形式，这是通过重建滤波器来实现的。这些滤波器将采样数据呈“阶梯”状的外观平滑成连续的波形。

有效的重建取决于对奈奎斯特-香农采样定理的遵守，该定理规定了系统测量输入以保留所有有效信息所需的最低频率。

离散信号处理中的核心概念

现代数字分析依赖于一套旨在有效分解、重组和解释数据点的数学工具。这些概念为工程师处理从庞大传感器阵列到简单音频输入的各种问题提供了一个框架。

通过选择正确的数学方法，研究人员可以在最大限度地提高输出中观察到的信号质量的同时，减少计算开销。

频域分析：数字信号处理中的离散傅里叶变换

离散傅里叶变换（DFT）是一项基本技术，它将任何时间序列数据序列转换成其次要的频率成分。

这种转换允许用户查看哪些频率支配着信号，哪些频率缺失，从而有助于进行谐波分析和数据压缩等任务。通过在谱域中查看信号，从业者可以分离出在仅观察时间序列时可能被完全掩盖的特定事件。

滤波：消除或增强信号成分

滤波允许通过在允许所需成分通过的同时衰减不需要的频率，来选择性地修改信号。可以对数字滤波器进行细致的调整，以抑制困扰原始数据收集的高频嘶嘶声、低频嗡嗡声或特定的周期性干扰。

下表说明了针对数字工作流程中特定操作需求量身定制的常用滤波器类型：

这些配置代表了大多数数字实现中可用的标准工具集。

离散随机信号与统计信号处理

统计信号处理解决的是信号并非纯粹确定性，而是表现出不同程度随机性的情况。通过将这些输入视为随机过程，分析人员可以确定系统的平均行为和方差，即使单个数据点看起来不可预测。

这种方法对于估计神经科学中的信号路径以及管理嘈杂环境中的不确定性至关重要。

卷积：结合信号

卷积提供了一种严谨的数学方法，用于根据系统的输入及其脉冲响应来确定系统输出的变化方式。当一个信号与另一个信号进行卷积时，生成的输出展现了系统如何随时间和空间转换入射波形。

以下步骤概述了卷积的实际实现：

1. 反转第二个信号的时间顺序。

2. 将反转后的信号在第一个信号上平移。

3. 计算重叠区域的积分或求和。

4. 对沿时间轴的每个点重复这一计算。

这种系统化的方法确保了输出是根据系统的固有属性和环境约束进行准确建模的。

离散信号处理的应用

离散信号处理定义了许多与物理世界交互的现代机器的性能。通过应用这些算法，开发者可以确保敏感数据保持清晰准确，无论该信息是来自网络桥接器还是个人的EEG记录。

这些方法的多功能性意味着通用的算法经常出现在从消费级便携设备到专业工业测试设备等各种硬件中。

音频应用中语音信号的离散时间处理

音频信号会经过密集的计算，以确保传输和存储过程中的清晰度。离散方法允许在保留足够细节以使其听起来自然的同时，减少数据量，这一成果是通过模拟人类听觉并消除通常听不到的声音来实现的。

这种先进的空间滤波技术可以有效管理复杂的声学环境，而无需过多的硬件容量。

图像和视频处理

视觉媒体依赖于二维离散分析，其中像素作为采样数据点。通过操作这些网格，设备可以执行诸如锐化边缘、调整色彩平衡以及压缩视频以节省带宽同时保持高视觉空间分辨率等任务。

这些操作通常利用主成分分析在数百万帧中高效丢弃冗余信息。

电信与数据传输

电信依赖于对信号流的持续优化，以确保信息包无损地到达目的地。先进的错误检测和纠正算法使用离散数学来实时验证数据完整性，即使在存在强烈电磁干扰的情况下也不例外。

这种级别的可靠性使得现代网络基础设施能够在全球范围内快速扩展。

大脑的连续声音及其起点

脑电图（EEG）帽捕获的电信号源自在大脑中保持松散同步放电的庞大神经元群。虽然单个神经元的活动过于局限和微弱，无法在头皮上探测到，但数千个神经元的集体放电会产生波动的电压——通常只有几十微伏。这种微弱的信号必须穿过脑组织、颅骨和头皮，才能最终到达记录电极。

由于这种信号非常脆弱，它到达头皮时严重混有生理和环境噪声，例如肌肉运动、眼震以及附近的电磁干扰。为了理解这些原始数据，研究人员必须一丝不苟地将大脑活动整合到特定的频带中——通常标为delta、theta、alpha、beta和gamma——每个频带对应不同的精神状态，并占据独特的频谱范围。

这种分离的重要性在研究中得到了强调，例如 2010 年发表在《Journal of Biomedical Science and Engineering》上的一项研究，在该研究中，在通过表面拉普拉斯滤波进行初始清理后，使用离散小波变换（DWT）将 EEG 记录分解为 alpha、beta 和 gamma 频带。

这种级别的精确度至关重要：如果要对可扩展至 100 Hz 的 gamma 节律进行确切分析，数字化过程必须将这些频带保留为不同的成分。如果没有忠实的信号处理，这些重要的波动就会模糊成无法区分的一片，使得准确的神经科学分析变得不可能。

采样：拍摄流动河流的照片

将连续电压转化为一系列数字需要进行采样，即在时间上定期、离散地测量信号电压，而不是连续测量。

想象一条流经固定点的河流。你无法将它的运动作为运动来捕捉。相反，你每隔几秒就拍一张照片。将足够多的照片按顺序串联起来，你就能得到流动的一个合理的替代。照片拍得太少，河流的真实运动就会变得模糊或具有误导性。

这就是被称为奈奎斯特准则的规则变得不可避免的地方。它指出，采样率（每秒进行的测量次数）必须大于原始模拟信号中存在的最高频率的两倍。

如果达不到这一要求，就会发生称为混叠的失真，即快速移动的信号被错误地记录为慢速信号。一旦发生这种情况，就没有任何数学技巧能够将真正的慢信号与曾经是快信号的虚假慢信号分离开来。信息已经消失，永久性地折叠到了错误的地方。

临床 EEG 系统通常以 250 到 500 Hz 之间的速率进行采样，这在保留余量的情况下能够轻松捕获跨越 0 到 100 Hz 的大脑活动。即使在大脑信号延伸到 gamma 频带的高端时，这个余量也是满足奈奎斯特准则的缓冲区。

想想在七个不同的小波族和多个分解级别上进行详尽搜索，以找到分析脑电图数据最佳设置的癫痫发作检测框架。只有当搜索的频率内容准确无误时，该搜索作为一项科学研究才有意义。

如果最初的采样率违反了奈奎斯特准则，那么来自肌肉活动或电干扰的高频噪声就会折叠到研究人员试图孤立的频带中。寻找最佳小波设置的工作将针对一个失真的目标进行优化，而所报告的超过 90% 的癫痫发作检测准确率将无法反映真正的诊断能力。它反映的只是一种针对噪声的良好调整的响应。

抗混叠滤波器如何防止垃圾数据输入

由于混叠无法在事后纠正，因此必须在采样发生之前将其阻止。

这是抗混叠滤波器的任务，它是在模数转换器进行测量之前放置在硬件路径中的模拟低通滤波器。它的作用包括剥离高于奈奎斯特限制的任何频率内容，使得信号中不存在以后可能被误认为其他内容的东西。

一旦跳过这滤波步骤或做得不好，损坏就会永久性地固化到数据中。此后，无论多么先进的软件都无法撤销它。

在的一项阿尔茨海默病诊断研究中，研究人员应用了带通椭圆数字滤波器来消除 EEG 数据集中的干扰和偏差，然后通过 DWT 提取特征。这种滤波发生在数字化之后，而不是作为硬件抗混叠步骤，但其基本逻辑是完全相同的。

这两个过程的存在都是为了在算法尝试解释剩余内容之前，将不需要的频谱内容从画面中剔除。无论滤波器是置于采样前的模拟电路中，还是置于采样后的数字处理链中，其目的都是相同的：防止污染向后蔓延到分析中。

此外，一项2020年的运动伪影研究说明了为什么即使有先进的清理工具，这一点仍然至关重要。该研究结合了三种技术：集合经验模态分解、典型相关分析和离散小波变换，来去除 EEG 信号中与运动相关的干扰，显著提高了信噪比指标。

但整个清理流水线都假设进入其中的高频频谱是未混叠的。如果在数字化时缺少硬件抗混叠滤波器，生成的信号就会携带额外的一层损坏，即使设计良好的伪影去除系统也无法完全理顺。

比特深度：用有限的调色板绘制电压

采样决定了何时测量电压。比特深度（Bit depth）决定了记录该测量的精确度。

一旦模数转换器捕捉到某一瞬间的电压，它就必须将该值表示为二进制数，而能用于该表示的比特数决定了测量的分辨率。在正负 1 毫伏的电压范围内使用 16 位深度的系统，可以分辨出大约半微伏的细微差异。

增加更多比特，分辨率会进一步提高。降低比特深度，波形中的细微变化就会直接消失，被扁平化为较粗糙刻度上最近的可用阶梯。

这种区别具有真正的诊断价值。一项2019年的癫痫检测研究依赖于对小波系数进行的模糊熵计算，以区分癫痫 EEG 活动与非癫痫活动。

熵测量在设计上对细粒度的幅度变化非常敏感。它们量化了信号中的不规则性和复杂性，而这一计算首先取决于有足够的分辨率来检测微小的差异。粗糙量化的信号将抹平熵计算本旨在发现的不规则性。

同样，上述阿尔茨海默病研究从通过 DWT 生成的小波子带中提取了包括标准差、方差和范数在内的统计特征。这些都是衡量信号变化程度的指标。如果由于比特深度不足而导致基础电压值被过于粗暴地四舍五入，那么健康大脑状态与病变大脑状态之间的自然差异就会压缩到相似的扁平范围，而使 99.98% 的分类准确率成为可能的统计学差异也会相应缩小。

为什么正确的采样率能阻止垃圾数据

这三个要素——符合奈奎斯特标准的采样、正常工作的抗混叠滤波器以及足够的比特深度——并不是独立的。它们形成了一个单一的依赖链，本研究中报告的每一个分类准确率都位于该链的下游。

选择过低的采样率，或者跳过保护它的抗混叠滤波器，就会产生信号处理中教科书式的失败，即“垃圾进，垃圾出”。一旦混叠的高频噪声折叠到看起来像 beta 或 gamma 能量中，就没有足够复杂的算法能够逆转这一过程并恢复真实的潜在节律。相反，选择正确的采样率能为每个下游工具提供一个干净、值得信赖的画布来进行处理。

2010 年的情绪分类研究展示了在这个干净的画布上能实现什么。通过对使用 DWT 提取的特征进行 K-最近邻（KNN）分类，研究人员在区分厌恶、快乐、惊讶、恐惧和中性反应等情绪状态时取得了 83.26% 的准确率。这一结果取决于在分解过程中 alpha、beta 和 gamma 节律能够彼此正确分离，而这种分离只有在这些频带数字化且没有发生频率混叠的情况下才可能实现。

此外，癫痫发作检测框架从另一个角度强化了这一观点。作者指出，他们对频带和特征的优化选择消除了大约 40% 的冗余信息，在不牺牲 90% 以上准确率的情况下简化了分析。

这种智能修剪只有在剩余信息真实的情况下才起作用。从混叠信号中去除冗余并不能简化任何有意义的内容。由于损坏的频率内容已经与合法的大脑活动无法区分，这最终只会高效地丢弃一部分噪声，同时留下另一部分噪声。

阿尔茨海默病的诊断结果带来的启示最为清晰。一个相对简单的分类器 KNN，使用从妥善分解的小波子带中提取的特征，达到了 99.98% 的准确率。这一结果表明，当分析的基础坚实可靠时，即使是简单的分类方法也能发挥出极高的水平。

这也带来了反向的启示。下游再多的算法改进，无论是通过先进的神经网络还是详尽的特征工程，都无法弥补在基础环节上出错的数字化过程。

为什么真实的大脑数据始于一道隐形护盾

离散信号处理是现代技术的无形支柱，使得在几乎所有科学和商业领域中都能有效管理和解读数字数据。通过掌握采样、滤波和变换的原理，研究人员和工程师可以不断推动从数字脑电图到全球无线通信网络等各个领域的发展边界。

参考文献

1. Murugappan, M., Ramachandran, N., & Sazali, Y. (2010). Classification of human emotion from EEG using discrete wavelet transform. Journal of biomedical science and engineering, 3(4), 390-396. http://dx.doi.org/10.4236/jbise.2010.34054

2. Chen, D., Wan, S., Xiang, J., & Bao, F. S. (2017). A high-performance seizure detection algorithm based on Discrete Wavelet Transform (DWT) and EEG. PloS one, 12(3), e0173138. https://doi.org/10.1371/journal.pone.0173138

3. AlSharabi, K., Salamah, Y. B., Abdurraqeeb, A. M., Aljalal, M., & Alturki, F. A. (2022). EEG signal processing for Alzheimer’s disorders using discrete wavelet transform and machine learning approaches. IEEE Access, 10, 89781-89797.

4. Shukla, S., Roy, V., & Prakash, A. (2020, April). Wavelet based empirical approach to mitigate the effect of motion artifacts from EEG signal. In 2020 IEEE 9th International Conference on Communication Systems and Network Technologies (CSNT) (pp. 323-326). IEEE. https://doi.org/10.1109/CSNT48778.2020.9115761

5. Chiang, H. S., Chen, M. Y., & Huang, Y. J. (2019). Wavelet-based EEG processing for epilepsy detection using fuzzy entropy and associative petri net. Ieee Access, 7, 103255-103262. https://doi.org/10.1109/ACCESS.2019.2929266

常见问题解答

模拟处理和数字处理有什么区别？

模拟处理涉及连续的电压或电流水平，而数字处理使用一系列数字来表示数据，从而可以进行更精确的控制和存储。

数字滤波器是如何工作的？

数字滤波器使用数学算法从输入序列中计算出一个新序列，有选择性地缩放或延迟特定频率，以允许所需的成分通过。

什么是奈奎斯特准则？为什么它对脑电图数字化至关重要？

奈奎斯特准则要求采样率必须大于脑电图中最高频率的两倍，以防止频率失真。这至关重要，因为违反此规则会导致混叠，即快速的大脑脑波被错误地记录为慢速脑波，从而永久损坏数据，使准确分析变得不可能。

什么是混叠？为什么采样后无法纠正？

混叠是一种采样误差，其中高频信号被错误地记录为低频成分。一旦发生，原始的快速信号信息就会不可挽回地混入其他频带，因此没有任何数学技术可以消除这种失真。

抗混叠滤波器如何保护脑电图信号？

抗混叠滤波器是置于模数转换器之前的模拟低通滤波器，它去除了高于奈奎斯特限制的频率。通过在采样前剥离高频内容，它能防止混叠的发生，并保护大脑信号的完整性。

在将大脑电压转换为数字时，为什么比特深度很重要？

比特深度通过定义有多少个离散步骤来表示信号的幅度，从而决定了每个电压测量的精确度。较精细的比特深度能够捕捉到细微的幅度变化，这对于依赖熵或方差等特征来区分大脑状态的算法来说至关重要。

如果以过低的速率对脑电图（EEG）进行采样会发生什么？

如果采样率过低，就会发生混叠，导致高频活动（如肌肉噪声或快速的大脑节律）被错误地记录为更慢的大脑脑波。这将永久性地污染数字化信号，使得下游分析将基于损坏的数据而非真实的大脑活动。

为什么混叠被认为是一种永久性的数据损坏形式？

混叠会永久损坏数据，因为它将高频信号转化为虚假的低频表示，导致原始的高频信息不可恢复地丢失。由于这两者在记录的信号中具有相同的编码形式，下游算法无法将混叠噪声与合法的大脑活动区分开来。