拉普拉斯变换与傅里叶变换的对比

拉普拉斯与傅里叶：概述

工程师和科学家在设计系统或分析实验数据时，经常需要在拉普拉斯变换和傅里叶变换之间进行选择。虽然这两种数学工具的作用都是将信号从时域转换到能够显示频率行为的域，但它们在范围、定义和底层属性上有着本质的区别。选择正确的方法往往能极大地提高结果的清晰度，尤其是在处理既包含稳定振荡又包含不可预测过渡的复杂真实世界数据流时。

傅里叶变换因其能够隔离周期性或平稳信号中的频率成分而广为人知。它依赖于一个纯虚数频率参数，这使其成为更通用的拉普拉斯变换的一个子集。

由于它捕捉的是信号的谱密度，而不考虑初始条件或增长因子，因此它是经典频率分析的基石。相比之下，拉普拉斯变换使用一个复数频率参数，这使其能够在系统响应中同时封装衰减和增长的指数行为。

在这两种技术之间做出选择，需要评估相关系统的稳定性和初始状态。当研究人员专注于稳态谐波内容时，傅里叶方法仍然是标准。相反，如果需要评估反馈系统的稳定性或考虑瞬态，拉普拉斯变换则提供了明显更广泛的数学覆盖。通过平衡这些需求，分析人员可以选择能够直接产生有效解释其特定数据集所需信息的方法。

表面拉普拉斯揭示的局灶性大脑活动

表面拉普拉斯是一种空间滤波器。它完全不影响信号的时序。

相反，它在头皮上的电极图上工作，将每个单独传感器的电压与在其紧邻的邻居处记录的电压进行比较。如果某个电极的读数明显高于或低于其周围电极的平均值，拉普拉斯就会将该点标记为可能的局部源。如果该电极的读数与其邻居紧密匹配，拉普拉斯就会将其视为广泛的、弥漫性的活动，而不是急剧局限的活动，并在输出中对其进行抑制。

这种滤波的实际结果是一个模糊度低得多的地形图。拉普拉斯变换后的图往往会产生更紧凑、更小巧的活动区域，而不是可能来自宽阔头皮下方任何地方的大片、模糊的活动斑块。这在概念上与电流源密度相联系，后者是一种相关的方法，也旨在估计电流实际流进或流出头皮表面的位置，而不仅仅是电压恰好最高的位置。

傅里叶变换揭示的大脑节律

一旦将空间问题搁置一旁，一个完全不同的问题就凸显出来了。原始的脑电图（EEG）时间序列——从单个电极随时间记录的呈锯齿状、不断变动的电压轨迹，在肉眼看来是混乱的。然而，在那些表面的混乱中，埋藏着同时以不同速度发生的循环振荡。傅里叶变换正是将信号分解为这些重叠的高低起伏节律的数学工具。

与拉普拉斯在单一时刻跨电极观察不同，傅里叶变换在单个电极的信号中跨时间观察。它将那段杂乱的波形重新整理成一个频谱，本质上是信号总能量中有多少属于每个频段的列表。

在脑电图（EEG）研究中，这些频段通常被称为 delta、theta、alpha、beta 和 gamma，每个频段都与不同的振荡速度范围相关，以每秒周期数进行测量。以缓慢、巨大的波为主的信号将显示出偏向低端的频谱。充满快速、微小波动的信号将显示出更多的能量集中在高频段。

至关重要的一点是，傅里叶变换完全抛弃了空间信息。它不在乎电极是放置在头部的前部还是后部，也不试图确定记录的活动是局灶性的还是分散在一个广泛的区域。它的全部目的是时间性的：给定单个通道随时间变化的活动，大脑是以什么节律进行振荡的。

结合拉普拉斯和傅里叶变换以获得更干净的频谱

由于这两个工具解决的是不同的问题，在 EEG 分析中被广泛讲授的一种方法是依次应用它们，而不是二选一。

典型的工作流程包括首先在电极阵列上运行表面拉普拉斯变换，产生一组新的、经过空间滤波的波形，然后将傅里叶变换应用于那些已经过滤波的信号，而不是原始的原始记录。

容积传导会将来自多个源的信号混合到任何单个电极的原始记录中。这意味着原始的时间序列并不是一个潜在神经节律的真实体现。它更像是来自几个附近和远处源的几个节律的重叠记录，所有这些都在头皮上的那一个点上混合在了一起。

当直接将傅里叶变换应用于这种混合信号时，产生的频谱就会反映出那种混合。真实的局灶性节律最终可能会被从其他区域收集到的更广泛、更不具体的活动所稀释。

在频率分析开始之前，首先应用表面拉普拉斯旨在减少这种污染。通过抑制宽范围的弥漫性成分并强调急剧的局部成分，拉普拉斯步骤旨在留下一个更接近该电极下方直接产生的活动的波形。在这一滤波后的波形上运行傅里叶变换，原则上应该产生一个能更好地反映该特定皮层区域节律活动的频谱，而不是来自远处源的混合物。

这种结合的方法被通俗地描述为可以产生“更干净”或在空间上更局限的频谱估计，其底层的推理与每个单独工具的作用在逻辑上是一致的。

保持针对所提问题的正确视角

神经科学中的每一次脑电图记录都带有各种重叠信息的隐藏纠缠，而工具的选择决定了什么会变得可见。

拉普拉斯能使活动达到顶峰的位置地图变得清晰，而傅里叶变换则能调谐到大脑速度的隐藏节拍器，混淆它们的作用会导致建立在虚假清晰度上的理解。在时间滤波器之前应用空间滤波器，遵循了在询问节律之前清除基于距离的污染的合理逻辑，尽管该步骤的实际收益仍取决于手头的具体数据。

保持不变的是基本的权衡：精确定位位置的方法会舍弃时间，而揭示频率的方法会忽略空间。将这种概念上的分离应用到任何脑电图方法部分，可以防止将这些不同的计算视为在回答同一个基本问题的常见错误。

参考文献

1. Pascual-Marqui, R. D., Gonzalez-Andino, S. L., & Valdes-Sosa, P. A. (1988). Current source density estimation and interpolation based on the spherical harmonic Fourier expansion. International journal of neuroscience, 43(3-4), 237-249. https://doi.org/10.3109/00207458808986175

常见问题

表面拉普拉斯解决的主要问题是什么？

表面拉普拉斯解决了容积传导的问题，即大脑信号在通过组织和颅骨传导到电极时发生的模糊和涂抹。它充当空间滤波器，对活动在头皮上真正集中或局灶的位置提供更清晰的估计。

傅里叶变换在 EEG 分析中回答了什么问题？

傅里叶变换通过将单个电极混乱的时间序列分解为其重叠的成分频率，回答了“什么节律”的问题。它揭示了在不同的振荡频段（如 delta、theta 或 alpha）中有多少能量，纯粹专注于时间模式。

表面拉普拉斯可以用来寻找大脑节律吗？反之亦然？

不行，这两个工具不能互换，因为它们回答的是根本不同的问题。拉普拉斯使空间位置（“在什么地方”）变得更加精确，而傅里叶变换则解码了节律的时序（“以什么节律”），这意味着一个不能替代另一个。

为什么研究人员会在使用傅里叶变换之前应用表面拉普拉斯？

先应用拉普拉斯可以通过减少混合在记录中因容积传导引起的弥漫性的远处活动，在空间上清洁信号。随后的傅里叶变换产生一个能更好地反映直接位于电极下方的特定皮层区域节律的频谱。

球面调和傅里叶展开（SHE）有什么用？

SHE 是一种计算表面拉普拉斯的方法，该方法通过对整个头部的头皮电场进行建模来进行估计。模拟研究表明，此方法能提供更好的拉普拉斯估计值，并且在插值数值时优于更简单的邻近比较技术。

表面拉普拉斯如何识别可能的大脑活动局部源？

拉普拉斯将一个电极的电压与它紧邻的邻居的平均电压进行比较。如果读数有显著差异，它就会被标记为局部源，但如果它与邻近电极紧密匹配，它就会作为宽范围、弥漫性的活动而被抑制。

应用表面拉普拉斯后脑电信号会发生什么变化？

变换后的输出会产生一个模糊度大大降低的地形图，显示出更紧凑、更闭合的活动区域。信号的时序没有改变；只有它在头皮上的空间表现形式变得清晰，从而能更好地指示电流的流动。

结合拉普拉斯和傅里叶变换能保证更好的分析结果吗？

基于在频率分析之前减少空间污染的逻辑，联合使用是一种合理的启发式方法，但这并不是一个能保证产生普遍量化效果的方法。研究人员仍然需要验证这种顺序处理是否能改善他们特定数据集的结果。