傅里叶变换

EEG 波形实际代表的含义

脑电图（EEG）记录的是随时间变化的电压。绘制出来的脑电图呈现为一条连续的单线，即时间序列，随着电极下方电活动的变化而上下起伏。仅凭直觉看，这条线似乎是一个统一的事件，但这种外观具有误导性。

实际上，在任何单一瞬间记录的电压都是底层神经组织内同时发生的许多独立振荡过程共同作用的结果。其中一些过程循环缓慢，另一些则循环迅速。当它们同时发生时，各自的模式就会叠加在一起，形成一个复合波形，就像多个演奏不同音符的乐器融合成一个和弦一样。听众听到的是一种声音，但这种声音实际上是由几种不同音高层叠而成的。

EEG 波形的工作原理也是如此。看似不规则的一条线，实际上是几种节律叠加成的一个单一信号。

这就产生了一个显而易见的问题：如果几种节律混合在同一个波形中，我们脑电图研究人员如何才能识别出存在哪些节律，或者每种节律有多强？

傅里叶变换：棱镜而非显微镜

傅里叶变换回答了这个问题，但它并非通过发现新数据来实现，而是通过使用不同的坐标系重新表达完全相同的 EEG 片段。它不再描述时间和电压的关系，而是描述同一信号的频率内容，即信号中存在多少每种振荡速率。

这种变换在数学上是可逆的：它可以将一段 EEG 信号转换为其频率表示，然后再将其转换回来，而原始的基于时间的波形会完全恢复如初。

时间和频率这两种表示形式包含完全相同的信息，只是组织方式不同，就像穿过棱镜的阳光并不会产生颜色一样。颜色早已存在于白光中，棱镜只是将本已混合在一起的波长分离开来，使它们能够被单独观察到。

傅里叶变换对 EEG 信号进行了同等的 cyclo 级分离，在不以任何方式改变底层记录的情况下，使节律成分清晰可见。

傅里叶变换的数学基础

傅里叶变换的核心依赖于信号与复指数函数相乘的积分计算。该操作计算了原始波形与不同频率的正弦波之间的相关性。如果原始信号中存在特定频率，则积分在频域的该点产生高值，代表局部能量强度。

正式定义利用欧拉公式架起了三角函数与复指数函数之间的桥梁。正向变换将连续函数 f(t) 转换为 F(ω)，而反向操作则通过这些合成成分的相加来重建原始信号。这种对称性确保了在转换过程中不会丢失任何信息，从而实现了完全可逆的数学过渡。

在将这些积分应用于物理数据时，从业者必须密切关注归一化常数和收敛条件。对积分边界或信号定义处理不当可能会导致光谱估计不准确。通过遵守这些数学边界，可以确保频域表示能够忠实地反映原始的随时间变化的数据流。

傅里叶变换的类型

连续与离散傅里叶变换

连续变换适用于在无限时间区间内定义的函数，而离散版本则对采样的、有限的数据序列进行操作。

在实践中，数字系统始终使用离散处理，要求仔细考虑采样限制以准确表示连续现象。存在多种方法可以在没有显着数据丢失的情况下近似执行此转换，包括：

• 通过削尖输入数据边缘来防止频谱泄漏的加窗函数。

• 零填充技术可增加所得频带的分辨率。

• 混叠消除策略，可在数字化过程中确保信号完整性。

• 遵守采样定理以捕获存在的所有相关高频信息。

• 随输入数据点数量缩放的高效计算映射。

这些考虑因素有助于决定离散结果镜像底层连续信号结构的有效程度。

快速傅里叶变换：为什么速度至关重要

高效算法（例如快速傅里叶变换 (FFT)）的发展，使得在具有大规模数据吞吐量的系统中进行实时频谱分析成为可能。如果没有这些优化，标准离散变换的计算复杂度将使现代诊断技术无法使用。在比较大型数据集的计算时间时，效率的提升显而易见，如下图所示。

通过将呈二次方缩放的操作转换为呈对数缩放的操作，这些工具促进了快速信号监测。快速处理允许瞬时反馈循环，这在实时观察变化是调查主要目标的环境中至关重要。

每个傅里叶计算背后的周期性假设

当傅里叶变换处理一段信号时，它在数学上将该片段视为在时间上向正反两个方向无限重复，直到永远。被分析的这一小段 EEG 被视为无尽循环中的一个重复单元。

真实的 EEG 活动并非如此。大脑信号并不是完全周期性的，从连续记录中提取的片段很少能完美地开始和结束，如果循环回自身，很难平滑连接。

当片段的边缘不匹配时，无限重复的假设就会在边界处引入失真（有时称为边缘伪影或频谱泄漏），即某一频率的能量似乎会渗透到邻近的频率中，而这些邻近频率在原始信号中其实并不存在。

这并非一个会让该方法失效的缺陷。它是一个已知的数学权衡，只要仔细选择片段，它就是可控的。这就是为什么基于频率的 EEG 分析通常使用短暂、相对稳定的信号片段，而不是冗长、不断变化的记录的原因之一。

例如，Jansen 等人比较了短期 EEG 间隔内的频域特征，而不是延长记录，这种方法与保持每个分析片段足够简短、以使周期性假设保持为合理近似是一致的。另一项由 Vidyaratne 等人进行的研究则采用了一条相关但更为专业的方法，计算谐波小波包变换（一种建立在傅里叶变换本身之上的技术），以提取频率信息，同时解决分析随时间变化的大脑信号时随之而来的分辨率限制。

这两种方法都表明，在不放弃工具的前提下，实际的 EEG 工作是如何容纳与生物现实不完全匹配的数学便利性的。

为什么频率内容对于解读大脑活动至关重要

一旦 EEG 片段被转换为频域成分，这些成分就会映射到任何读过关于大脑活动的文章的人可能都遇到过的类别：delta、theta、alpha、beta 和 gamma 频段。这些标签描述了振荡速度的范围，它们构成了睡眠研究、认知研究和临床诊断中通用的词汇。

这种分解是基本上所有基于频率的 EEG 解读的概念基础。任何时候报告中提到特定频段的活动增加，或者频段之间的平衡发生变化，该声明之所以有意义，完全是因为信号首先被利用傅里叶变换提供的逻辑进行了分解。如果没有这种分解，就根本没有词汇来描述大脑节律，留下的只是没有断点的时间-电压波形。

振荡频率携带有关大脑状态的有意义信息的这一主张在神经科学的许多领域得到了广泛讨论。

基于傅里叶的分析揭示了哪些关于癫痫发作活动的信息

分离发作期和无癫痫发作信号

研究人员 Ram Bilas Pachori 将一种称为经验模态分解的技术应用于颅内 EEG 信号，将每段记录分解为一组带通限制的成分，称为固有模态函数。随后，他使用傅里叶-贝塞尔展开式计算了这些成分中每一个的平均频率。

当将发作期信号（指在癫痫发作活动期间记录的信号）与无癫痫发作的信号进行比较时，平均频率特征在两种状态之间显示出统计学上的显著差异。结果表明，通过基于傅里叶的方法提取的频率信息携带了与癫痫发作活动相关的可检测特征。

Vidyaratne 等人追求一个相关但更为复杂的的目标：实时检测癫痫发作。该方法将通过傅里叶变换计算出的谐波小波包变换的能量特征，与另一种称为分形维数的测量方法结合起来，后者捕获信号内重复的自相似模式。

这些组合特征在电极通道上进行空间组织，并在移动分析窗口内进行时间组织，然后使用相关向量机进行分类，选择该方法是因为它在处理大型稀疏特征集时具有高效率。

在长期头皮 EEG 记录上进行测试，该系统对检测癫痫发作达到了 96% 的敏感性，中位误检率仅为每小时 0.1 次事件，平均检测延迟为 1.89 秒。在提取自头皮和颅内记录的短期数据上，分类准确率达到了 99.8%。

总之，这两项研究表明，在癫痫检测的具体背景下，通过傅里叶相关分解提取的振荡信息携带了与诊断相关的有用内容。

傅里叶特征与替代变换的比较

Jansen 等人从不同的角度探讨了这个问题，直接将两种数学变换相互比较。

研究人员没有孤立地测试傅里叶分析，而是将源自傅里叶变换的特征与源自沃尔什变换的特征进行了比较，沃尔什变换是一种使用矩形、方形函数而非平滑正弦曲线分解信号的方法。应用于短期 EEG 间隔时，源自傅里叶变换的特征始终产生比源自沃尔什变换的特征更好的分类结果。

这一比较表明，至少对于研究所检查的特定分类任务而言，正弦构建块可能比粗糙的矩形替代方案更自然地与 EEG 信号的底层结构相契合。

如何计算离散傅里叶变换 (DFT)

计算离散变换始于干净的输入数据，这些数据代表了稳定时期内的信号。必须首先确保信号长度符合所需的频率分辨率，然后应用加窗函数以最大程度地减少由有限数据截断引起的频谱伪影。这项准备工作对于防止在计算阶段发生严重错误至关重要。

一旦信号准备就绪，实际计算就涉及在时间序列窗口内的所有采样点上应用变换公式。数字软件平台承担了繁重的工作，通常使用快速傅里叶变换 (FFT) 算法来执行每秒数百万次的计算，并产生清晰的振幅谱。然后必须正确缩放此输出以反映输入测量的物理单位（例如 EEG 中的微伏，即 $\mu V$），从而确保后续研究可以解释这些结果。

解释所得的光谱幅度需要检查数据以寻找独特的振荡模式。虽然机械系统可能会显示出尖锐的、孤立的峰值，但像 EEG 这样的生物信号通常需要分析宽频带（例如，8–12 Hz 的 alpha 频段）内的总功率，而不是仅仅依赖于离散的峰值。这些光谱特征的物理意义在很大程度上取决于环境，通常反映了底层的生理或机械行为。通过始终如一地遵循这些步骤，从业者可以从最复杂的观测波形中提取出有意义、可付诸行动的频率数据。

傅里叶变换与其他频域方法的对比

虽然傅里叶方法非常通用，但它假设信号是平稳的，即在测量期间保持稳定。在涉及快速、瞬态变化的情况下——例如突发的癫痫棘波或短暂的睡眠纺锤波——其他方法（如小波变换）依靠在保留时间信息的同时保留频率细节，提供了更好的定位。选择正确的工具需要评估信号是保持恒定的节律结构还是突然变化。

替代方法（如奇异谱分析 (SSA)）为分解非线性、不可预测的信号提供了优势，这些信号是标准变换难以解决的。在现实世界复杂的生理数据集中，这些方法通常在提取信号趋势与振荡噪声方面表现出色。该决策取决于特定研究设置中对时间精度与光谱精度的要求程度。

最终，没有哪一种变换方法可以成为解决信号处理难题的万灵药。从业者必须根据其数据特征权衡每种方法的计算成本和数学约束。融合这些多元视角可确保诊断过程稳健、全面，从而使最终解释的保真度达到最高。

用于计算傅里叶变换的工具和软件

现代开源库使普通人也能使用这些先进的数学运算，研究人员只需几行代码即可执行复杂的分析。专为数据科学构建的平台提供了优化程序，可以轻松处理大型数组和高维信号。这些工具使光谱分析能够集成到更大的流线型工作中，包括自动信号清理和分类任务。

专为神经学或地震数据设计的专业软件通常包含内置模块，用于光谱分解和伪影去除。这些软件包自动处理频率缩放和加窗的复杂过程，从而降低了在底层算法方面可能不具备专业知识的研究人员的出错风险。一致使用这些标准化工具还有助于提高不同实验室之间研究结果的可重复性。

在选择软件套件时，与现有数据格式的兼容性以及处理高密度传感器阵列的能力仍然是重中之重。提供有关参数调整和算法选择清晰示例的文档对初学者非常有帮助。随着社区继续完善这些工具，重点已越来越多地转向针对极大数据集的实时边缘处理和基于云的可扩展性。

频率分析揭示了哪些关于大脑隐藏节律的信息

傅里叶变换就像大脑信号的数学棱镜，将重叠的节律解离成不同的频段。这种分解提供了描述大脑状态（从深度睡眠到注意力集中）的基本词汇，并赋予了 alpha 或 delta 波等术语实际意义。如果没有这种重组，EEG 波形将仍是一条无法破译的乱线，其隐藏的节律也将无法被观察到。

这种实用能力在癫痫检测中表现得尤为明显，其中频率分析能够以高准确度将癫痫活动与正常大脑模式区分开来。该变换关于信号片段完美重复的假设是一项数学便利，而非生物学事实。但仔细选择简短、稳定的脑电片段可以使失真保持在可控范围内。文献表明，将大脑活动表示为节律的总和——虽然不是神经元放电方式的字面模型——却能产生既可测量又在临床上非常有用的信息。

参考文献

1. Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). 与使用沃尔什变换和傅里叶变换的 EEG 间隔光谱分解有关的研究。IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). 使用 EEG 实时检测癫痫发作。IEEE Transactions on Neural Systems and Rehabilitation Engineering, 25(11), 2146-2156. https://doi.org/10.1109/TNSRE.2017.2697920

3. Pachori, R. B. (2008). 使用经验模态分解区分发作期和无癫痫发作的 EEG 信号。Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

常见问题解答

原始 EEG 波形实际上代表什么？

EEG 波形是显示电压随时间变化的单条线，但它实际上是大脑中同时发生的许多独立振荡过程的组合总和。不同的快、慢节律叠加在一起形成一个复合波形，就像多个乐器融合成一个和弦一样。

傅里叶变换如何分析 EEG 信号？

傅里叶变换重组了完全相同的 EEG 数据，它以频率内容而非随时间变化的电压来描述数据。它分离了已经存在的混合节律成分，就像一个棱镜，揭示了光束中的单个波长。

傅里叶变换会向 EEG 记录添加新信息吗？

不会，该变换在数学上是可逆的，不会凭空捏造或丢弃任何数据。它只是通过将信号转换为一组正弦频率来改变显示方式，从而使底层的节律成分清晰可见。

将傅里叶变换应用于 EEG 时的关键数学假设是什么？

计算在数学上处理选定的 EEG 片段，就好像它在一个完美的循环中无限重复一样。这种周期性假设简化了分析，但如果信号的开始和结束不能平滑连接，则可能会引入边缘伪影。

为什么将不规则的脑电波分解为平滑的正弦波是有效的？

傅里叶定理表明，几乎任何波形都可以通过将特定频率、幅度和相位的纯正弦波和余弦波相加来重建。这种数学表示适用于分析，即使神经元实际上并不会产生孤立、干净的正弦波。

为什么 alpha 或 delta 等频段在 EEG 解读中很重要？

一旦信号被分解，其成分就会映射到标准频段（如 delta 或 beta），这些频段构成了描述大脑状态的基本词汇。任何提及特定频段功率变化的论述都完全依赖于此处初始的基于傅里叶的分离。

有哪些证据支持使用傅里叶分析来检测癫痫发作？

使用傅里叶导出的频率特征进行的研究表明，癫痫发作和非癫痫发作的大脑信号之间存在统计学上的显著差异。一种实时检测系统实现了高敏感性，证明了振荡信息携带了与癫痫相关的临床有用内容。

这种基于频率的方法的主要局限性是什么？

无限重复假设是一种结构性简化，在更长、不断变化的记录中会变得不那么准确。此外，强力的分类结果来自于特定的数据集，并不能证明大脑使用离散的正弦振荡器作为生理结构。