傅里叶变换

脑电图波形究竟代表什么

脑电图记录的是电压随时间变化的情况。将其绘制出来后，会呈现为一条单一且连续的曲线，即时间序列，随着电极下方的电活动变化而上下波动。单看这条曲线，它似乎是一个单一的综合事件。但这种表象具有误导性。

事实上，在任何单一瞬间记录到的电压，都是底层神经组织内同时发生的许多独立振荡过程综合作用的结果。这些过程有些循环缓慢，有些则非常迅速。当它们同时发生时，各自的模式会叠加成一个复合波形，就像多件乐器演奏不同音符融合成一个和弦一样。听者听到的是一种声音，但这种声音实际上是由几个不同的音调分层组合而成的。

脑电图波形的作用方式也是如此。看似一条不规则的线条，实际上是几种节律叠加而成的单一信号。

这就带来了一个显而易见的问题：如果几种节律混合成一个波形，人们如何才能识别出存在哪些节律，或者每种节律的强度如何？

傅里叶变换：透镜而非显微镜

傅里叶变换回答了这个问题，但它不是通过发现新数据来实现的。它的工作原理是使用不同的坐标系重新表达完全相同的脑电图片段。它不再根据电压随时间的变化来描述信号，而是根据频率成分来描述同一信号，即信号中包含各振荡频率的成分多少。

该变换在数学上是可逆的，因为它可以将脑电图历程转换为其频率表示形式，然后再转换回来，原始的基于时间的波形就会完好如初地重新呈现。

时间和频率这两种表示形式包含相同的信息。它们只是组织形式不同，就像阳光穿过三棱镜并不会产生颜色一样。颜色早已存在于白光中。三棱镜只是将原本混合在一起的波长分离开来，使它们各自可见。

傅里叶变换对脑电图信号执行了相同的分离操作，使节律成分清晰可见，而完全不会改变底层记录的内容。

傅里叶变换的数学基础

傅里叶变换的核心在于对信号与复指数函数乘积的积分求值。该操作计算原始波形与不同频率正弦波之间的相关性。如果原始信号中存在特定频率，则积分会在频域中的该点产生较高值，代表局部的能量强度。

形式化定义利用欧拉恒等式架起了三角函数与复指数函数之间的桥梁。正变换将连续函数 f(t) 转换为 F(ω)，而逆变换则通过这些合成成分的求和来重构原始信号。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转变。

在将这些积分应用于实际物理数据时，实践人员必须密切注意归一化常数和收敛准则。积分限或信号定义处理不当可能会导致频谱估计不准确。通过遵循这些数学边界，可以确保频域表示能够真实反映原始的时间相关数据流。

傅里叶变换的类型

连续与离散傅里叶变换

连续变换适用于定义在无限时间区间上的函数，而离散版本则对采样的有限数据序列进行操作。

在实践中，数字系统始终使用离散处理，需要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逼近这种转换，包括：

• 通过对输入数据边缘进行平滑衰减来防止频谱泄漏的窗函数。

• 用于提高所得频度辨率的补零技术。

• 在数字化过程中确保信号完整性的抗混叠策略。

• 遵循采样定理以捕获所有相关的存在高频信息。

• 随输入数据点数量扩展的高效计算映射。

这些考量有助于决定离散结果在多大程度上能够有效地反映底层连续信号的结构。

快速傅里叶变换：为什么速度至关重要

高效算法的开发，例如快速傅里叶变换（FFT），使得具有海量数据吞吐量的系统能够进行实时频谱分析。如果没有这些优化，标准离散变换的计算复杂性将使现代诊断技术无法投入实用。如下所示，在比较大型数据集的计算时间时，效率的提升非常明显。

通过将呈二次方扩展的操作转换为呈对数扩展的操作，这些工具有利于实现快速信号监测。快速处理支持即时反馈回路，这在以实时观察变化为主要研究目标的环境中至关重要。

每次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的前后两个方向上无限重复。正在分析的一小段脑电图被视为无尽循环中的一个重复单元。

真实的脑电活动并非如此。大脑信号不是完全周期性的，从连续记录中提取的片段，其起点和终点的值如果首尾相接，往往无法平滑衔接。

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入到原始信号中实际并不存在的相邻频率中。

这并不是一个使该方法失效的缺陷。这是一个已知的数学权衡，只要仔细选择片段，它就是可控的。这也是基于频率的脑电图分析通常处理相对稳定且简短的信号片段，而不是冗长、持续变化的记录的部分原因。

例如，Jansen 等人比较了较短脑电图区间内的频域特征，而不是长时记录，这种方法与保持每个分析片段足够简短一致，从而使周期性假设仍然是一个合理的近似。而 Vidyaratne 等人的研究则采取了一条相关但更专门的路径，计算调和子波包变换（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所伴随的分辨率局限。

这两种方法都表明，实际的脑电图工作如何在不放弃工具本身的情况下，包容了这种与生物学现实不完全相符的数学便利。

为什么频率成分对读取大脑活动至关重要

一旦脑电图历程被转换为频率成分，这些成分就会对应到任何了解过大脑活动的人可能都听说过的类别：δ（delta）、θ（theta）、α（alpha）、β（beta）和 γ（gamma）频段。这些标签描述了振荡速度的范围，构成了睡眠研究、认知研究和临床诊断中通用的词汇。

这种分解是几乎所有基于频率的脑电图解读的概念基石。任何时候，只要报告中提到特定频段的活动升高，或频段之间的平衡发生转移，该表述之所以有意义，完全是因为信号首先使用傅里叶变换提供的逻辑进行了分解。如果没有这种分解，就根本没有描述大脑节律的词汇，而只是一条连续不断的电压曲线。

关于振荡频率蕴含有关大脑状态的有意义信息这一观点，在神经科学的许多领域都得到了广泛讨论。

基于傅里叶的分析揭示了癫痫发作活动的哪些特征

区分发作期和非发作期信号

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脑电图信号，将每条记录分解为一组称为固有模态函数的带限成分。然后，他使用傅里叶-贝塞尔展开来计算这些成分中每一个成分的平均频率。

在将发作期信号（即在癫痫发作活跃期间记录的信号）与无发作信号进行比较时，平均频率特征显示出两种状态之间存在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带有与癫痫发作活动相关的可检测特征。

Vidyaratne 等人追求了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的调和子波包变换的能量特征与称为分形维数的独立测量指标相结合，分形维数可捕获信号内部重复的自相似模式。

这些组合特征在空间上跨电极通道组织，在时间上跨移动分析窗组织，然后使用相关向量机进行分类，选择该方法是因为其在处理大型稀疏特征集时的高效率。

在长期头皮脑电图记录上进行测试时，该系统检测癫痫发作的灵敏度达到了 96%，中位误报率仅为每小时 0.1 次事件，平均检测延迟为 1.89 秒。在来自头皮和颅内记录的短期数据上，分类准确率达到了 99.8%。

综上所述，这两项研究表明，通过与傅里叶相关的分解提取的振荡信息在癫痫检测的特定背景下包含具有诊断相关性的内容。

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波函数而不是平滑正弦波来分解信号的方法。应用于较短的脑电图区间时，源自傅里叶变换的特征始终比源自沃尔什变换的特征产生更好的分类结果。

这种比较表明，至少对于该研究所审查的特定分类任务而言，正弦波构件可能比块状矩形替代方案更自然地与脑电图信号的底层结构相契合。

便携式设备在应用脑电图研究中的傅里叶变换

便携式脑电图 headset 使得在实验室外记录大脑活动成为可能，而傅里叶变换仍然是从这些记录中提取频段信息的主要工具。最近几项使用 Emotiv Epoc X 的研究说明了频谱分解如何支持教育、脑机接口、神经营销学和操作表现方面的研究。

在课堂中监测认知负荷和注意力

在一项教育研究中，研究人员使用 Emotiv Epoc X 记录了放松、阅读和算术过程中的脑电图。他们应用傅里叶变换计算了 θ、α 和 β 频段功率，并估算了注意力、投入度和认知负荷。作者报告称，α 频段功率的增加与疲劳相关，阅读期间注意力提高，而计算期间认知负荷升高——尤其是在答案正确时。

阅读障碍受试者在睁眼放松期间表现出较低的 α 峰值频率，并在阅读时表现出增加的 θ 活动，尽管他们的测试分数与对照组相匹配。研究结果表明，脑电图有助于追踪警觉度和疲劳度，但用于注意力的 β/θ 比率可能无法可靠地监测持续注意力，正如教育中的脑电监测中所述。

检测稳态视觉诱发电位以用于机器人控制

一项脑机接口研究使用 Emotiv Epoc X 检测由闪烁 LED 组引起的稳态视觉诱发电位（SSVEP）。快速傅里叶变换分析结合高斯模型，确定了与用户注视方向相对应的主要频率成分。

在没有任何受试者训练的情况下，系统平均能够有 75% 的时间正确检测到预期目标，这证明了基于傅里叶的频率检测可以将视觉注意力转化为控制命令，如 基于 SSVEP 的 BCI 控制中所示。

从 α 频段特征中提取品牌偏好

在一项神经营销调查中，Emotiv Epoc X 记录了参与者观看汽车广告时的大脑反应。研究隔离了 α 频段（8–13 Hz），并通过快速傅里叶变换提取了功率谱密度、谱能量和谱质心。当使用概率神经网络对这些特征进行分类时，系统在识别最偏好品牌方面的准确率达到了 96.62%。

这一结果表明，频域特征可以在受控环境中反映消费者的偏好，详见基于 FFT 的神经营销分析。

评估海上航行期间的态势感知

一项针对拖船船长的研究使用 Emotiv Epoc X 配合 EmotivPRO 软件记录了休息和实际港口操作期间的脑电图。快速傅里叶变换频段功率分析比较了五种条件，发现 α 功率没有差异，而 δ、θ、β 和 γ 功率在操作期间有所下降。作者将这种模式解释为专业船长在休息和主动航行中保持一致态势感知的证据，如航行中的态势感知中所报道。

总之，这些调查说明了傅里叶分析结合便携式脑电图技术，如何在各种现实任务中提取有意义的频谱特征。这些发现属于相关性结论且样本量较小，因此它们更多指明了潜在的应用前景，而非确立了可靠的生物标志物。需要对更大、更多样化的人群进行进一步研究，以了解这些基于频率的指标的普适性。

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，这些数据能代表稳定时期内的信号。首先必须确保信号长度与所需的频率分辨率匹配，然后应用窗函数以最大程度地减少有限数据截断引起的频谱伪影。这一准备工作对于防止计算阶段出现重大错误至关重要。

信号准备就绪后，实际计算涉及对时间序列窗口内的所有采样点应用变换公式。数字软件平台承担了繁重的任务，通常利用快速傅里叶变换 (FFT) 算法每秒执行数百万次计算，并生成清晰的幅度谱。然后必须正确缩放此输出以反映输入测量的物理单位（例如脑电图中的微伏，或 $\mu V$），从而确保结果对后续研究仍具可解释性。

对所得光谱幅度的解释需要检查数据中是否存在明显的振荡模式。机械系统可能会显示清晰、离散的峰值，而像脑电图这样的生物信号通常需要分析宽频段内的总功率（例如 8–12 Hz 的 α 频段），而不是仅仅依赖离散峰值。这些频谱特征的物理意义在很大程度上取决于具体环境，通常表明底层的生理或机械行为。通过始终如一地遵循这些步骤，实践人员即使从最复杂的观测波形中也能提取出有意义且可操作的频率数据。

傅里叶变换与其他频域方法的对比

虽然傅里叶方法功能极其多样，但它假设信号是平稳的，即在测量持续时间内是稳定的。在涉及快速、瞬态变化的情况下——例如突然的癫痫样棘波或短暂的睡眠纺锤波爆发——小波变换等其他方法通过在频率细节的同时保留时间信息，提供了更好的定位能力。选择合适的工具需要评估信号是保持恒定的节律结构还是发生突变。

奇异谱分析 (SSA) 等替代方法在分解标准变换难以解决的非线性、不可预测信号方面具有优势。在复杂的现实生理数据集中提取信号趋势与振荡噪声时，这些方法往往表现出色。具体选择取决于特定研究设置中对时间精度与频谱精度的要求。

归根结底，没有任何一种变换方法可以作为解决所有信号处理难题的灵丹妙药。实践人员必须权衡每种方法的计算成本和数学约束与他们的数据特性。整合这些多维度的视角可以确保稳健、全面的诊断过程，从而最大程度地提高最终解释的保真度。

计算傅里叶变换的工具和软件

现代开源库使这些先进数学运算的获取变得普及，让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的例程，可以轻松处理大型阵列和高维信号。这些工具有助于将频谱分析整合到更大的处理流程中，包括自动化信号清理和分类任务。

为神经学或地震数据设计的专业软件通常包含用于频谱分解和伪影消除的预构建模块。这些软件包自动处理频率缩放和加窗的复杂细节，降低了可能不具备底层算法专业知识的研究人员出错的风险。始终如一地使用这些标准化工具也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。提供参数调优和算法选择清晰示例的文档对初学者非常有帮助。随着社区不断完善这些工具，重点正日益转向针对超大型数据集的实时边缘处理和基于云的可扩展性。

频率分析揭示了大脑隐藏节律的哪些奥秘

傅里叶变换就像大脑信号的数学棱镜，将重叠的节律解离为不同的频段。这种分解为描述大脑状态（从深度睡眠到高度专注）提供了必要的词汇，并赋予了诸如 α 波或 δ 波等术语确切的意义。如果没有这种重组，脑电图波形将仍然是一堆难以辨认的杂乱曲线，其隐藏的节律也将无法被观察到。

其实际威力在癫痫检测中表现得尤为明显，频率分析可以高精度地将癫痫发作活动与正常大脑模式区分开来。变换中关于信号片段完美重复的假设是一种数学上的便利，而不是生物学事实，但通过精心挑选简短、稳定的片段，可以将失真控制在合理范围内。文献表明，将大脑活动表示为节律的总和——虽然这不是神经元放电方式的字面模型——却能产生既可测量又具有临床实用价值的信息。

参考文献

1. Jansen, B. H., Bourne, J. R., & Ward, J. W. (1981). Spectral decomposition of EEG intervals using walsh and fourier transforms. IEEE Transactions on Biomedical Engineering, (12), 836-838. https://doi.org/10.1109/TBME.1981.324686

2. Vidyaratne, L. S., & Iftekharuddin, K. M. (2017). Real-time epileptic seizure detection using EEG. 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). Discrimination between ictal and seizure‐free EEG signals using empirical mode decomposition. Journal of Electrical and Computer Engineering, 2008(1), 293056. https://doi.org/10.1155/2008/293056

常见问题

原始脑电图波形实际上代表什么？

脑电图波形是显示电压随时间变化的单条曲线，但它实际上是大脑中同时发生的许多独立振荡过程的综合叠加。不同的快慢节律叠加成一个复合波形，就像多件乐器融合成一个单一和弦一样。

傅里叶变换如何分析脑电图信号？

傅里叶变换通过从频率成分而非电压随时间变化的角度来描述脑电图数据，从而重组了完全相同的脑电图数据。它将原本已存在的混合节律成分分离开来，就像三棱镜展现光束中的各单色波长一样。

傅里叶变换会给脑电图记录添加新信息吗？

不会，该变换在数学上是可逆的，不会凭空产生或丢弃任何数据。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脑电图时的关键数学假设是什么？

该计算在数学上将选取的脑电图片段视为在一个完美循环中无限重复。这种周期性假设简化了分析，但如果信号的起点和终点无法平滑衔接，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具有特定频率、幅度和相位的纯正弦波和余弦波相加来重构。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 α 或 δ 等频段在脑电图解读中很重要？

一旦信号被分解，其成分就会对应到像 δ 或 β 这样的标准频段，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内容，都完全依赖于这种基于傅里叶的初始分离。

有什么证据支持使用傅里叶分析来检测癫痫发作？

使用源自傅里叶的频率特征的研究表明，癫痫发作与非发作大脑信号之间存在统计学上的显著差异。一个实时检测系统实现了很高的灵敏度，证明了振荡信息携带了癫痫临床相关的成分。

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，在面对更长、持续变化的记录时准确性会降低。此外，强分类结果来自于特定的数据集，并不能证明大脑在生理结构上使用离散的正弦振荡器。