神经振荡是有节奏的电活动模式，支持整个大脑的记忆、运动和感觉处理。然而，当通过脑电图（EEG）记录在头皮上捕获这些振荡时，它们却被埋在吵闹、不断变化的信号中。
来自任何单个电极的原始电压轨迹都反映了成千上万个神经源的综合活动，这些活动叠加在肌肉活动、环境干扰和背景电噪声之上。要从这种混合物中提取出干净的振荡，需要一种能够将记录拆分为其频率分量的方法。
理解时序数据与频率
时序数据是按特定时间戳索引的连续观测记录，反映了系统在指定时间段内的演变过程。
在神经科学领域，这通常涉及记录头皮电位以了解大脑动态。这些数据集很少是静态的，它们融合了节奏信号和随机波动，需要仔细解读以提取可付诸行动的 Insight。
什么是时序数据？
时序数据（或时间序列数据）代表按一致间隔顺序进行的测量。该数据的效用取决于其采样频率和观测窗口的长度，这两者决定了可检测变化的解析度。
研究人员通过检验这些序列来评估系统的稳定性，并识别在长时期内持续存在的趋势。
数据中频率的概念
频率是指在时间序列中周期性模式循环往复的速率，通常以每秒周期数（赫兹）来衡量。通过评估这些节律，分析人员可以对驱动数据的潜在过程进行分类。
以下列表概述了在人体生物学监测应用中经常观察到的关键频带：
Delta 波：通常与深度、恢复性的睡眠阶段相关。
Theta 波：经常在浅度睡眠或冥想状态下观察到。
Alpha 波：在安静、清醒的放松状态下具有特征性的普遍存在。
Beta 波：通常与活跃的认知集中和警觉性相关。
Gamma 波：与高水平的处理和整合任务相关。
这种分类法允许精确定位状态，帮助研究人员区分生理标记和背景变异性。
为什么要将时序数据分解为频率空间？
分解作为一种分析透镜，将原始且多噪的信号分离为不同的组成部分。如果没有这种结构性细分，不同大脑节律之间的复杂相互作用就会被掩埋在总振幅中。通过分离出这些成分，研究人员可以独立分析特定的神经振荡，从而揭示认知状态的真实复杂性。
识别模式与周期
时序数据中的模式识别允许识别在特定刺激或任务下重复的、一致的神经周期。识别这些周期提供了基准指标，以区分健康的大脑活动与异常模式。
一旦通过分解分离出一种模式，便有可能以更高的统计置信度跟踪其出现和持续时间。
降噪与信号增强
有效的信号处理对于从生理记录中清除环境伪迹（例如 60Hz 的工频干扰）至关重要。通过定义合法生物数据的频率边界，研究人员可以应用滤波器来消除不需要的信号分量。
这一信号提取过程从根本上增强了基础数据的清晰度，以便进行进一步的诊断评估。
预测与预测建模
预测模型利用分解后的片段，在系统转变或事件触发完全显现之前对其进行预测。这些模型依靠已识别频率成分的稳定性来预测时间序列的未来演变。
这一能力既支持主动的临床监测，也支持对长期大脑可塑性的实验研究。
时序数据分解的关键技术
分解需要数学上的严谨性，以确保转换后的数据仍能代表原始的神经活动。
几种成熟的方法根据所捕获信号的解析度和稳定性提供了独特的优势。选择合适的工具需要在计算需求与对时间及光谱精确度的必要性之间取得平衡。
傅里叶变换方法
傅里叶分析是实现时域信号向频域对应物映射的基础方法。尽管该方法在分析随时间变化的瞬态信号时面临局限性，但它极擅长识别平稳的频率成分。
下表对当前研究环境中应用的主要分解技术进行了比较：
技术 | 主要优势 | 局限性 |
|---|---|---|
傅里叶变换 | 高频高精度 | 时域定位能力差 |
小波变换 | 时频平衡 | 计算复杂度高 |
奇异谱分析 | 数据驱动分解 | 对噪声敏感 |
小波变换
小波变换通过对母小波进行伸缩和移动来扫描信号，从而提供多分辨率分析。
与傅里叶方法不同，这种方法在时间和频率两方面都保留了局部化信息，使其适合捕捉脑电图 (EEG)测量中常见的瞬态电脉冲。这种适应性对于识别传统的谱方法在快速数据过渡期间可能会忽略的非平稳特征至关重要。
奇异谱分析 (SSA)
奇异谱分析提供了一种非参数方法，根据数据自身的结构将时间序列分解为趋势、振荡和噪声成分。通过将时间序列嵌入到多维空间中并执行奇异值分解，SSA 提取出最显著的结构模式。
即使在潜在的生成过程未知或高度非线性的情况下，这也能对信号进行精细化处理。
傅里叶变换如何分解脑电信号
频率分析的经典起点是傅里叶变换，这是一种将信号分解为不同频率的正弦波之和的数学运算。
在其纯数学形式中，傅里叶变换假设信号是无限的，且其统计特性永远不会改变，而实际的脑电图记录永远无法满足这一条件。在实践中，研究人员通过对记录的简短分段（通常为几秒钟长）应用离散傅里叶变换 (DFT)，并使用结果来估算功率谱密度 (PSD)，从而量化该窗口内每个频率存在的信号功率，来解决这一问题。
这一解决方法带有两个核心假设：
首先，在所选窗口的持续时间内，信号被视为是平稳的，这意味着其频率内容被假定在此时间片内不会发生变化。
其次，信号被建模为固定正弦波的线性组合，这种近似对于平滑、周期性的活动效果很好，但难以应对突发转变或非正弦形状。
尽管存在这些简化，基于 PSD 的方法在实践中已被反复证明是极为有用的。
例如，一项针对运动想象分类的特征提取方法进行的对比分析发现，PSD 技术在提取用于区分左手与右手运动想象的独特光谱模式方面，表现得最一贯鲁棒且有效（在两期记录中对 11 名受试者进行了评估）。
此外，另一项专注于嗜睡检测的研究也印证了这一模式。研究人员利用单个脑电通道，构建了一个结合 PSD 指标（包括中心频率、1/4 的光谱功率所落入的低于其的频率、总光谱能量、以及 theta 和 alpha 频带内的功率）与基于小波特征的特征集。
这种组合方法检测睡意发生事件的准确率达 86.5%，检测警觉片段的准确率达 81.7%。该特征集的 PSD 分量跟踪的是光谱内容中随状态变化的宏观转变，这种转变属于精神状态之间的广泛过渡，而非以毫秒为单位的振荡事件。
总之，这两项研究表明，尽管存在平稳性假设，PSD 估算仍有能力捕捉与变化的大脑状态相关的有意义光谱模式，即使产生这些模式的信号本身是动态的。
经验模态分解及其自适应替代方案
经验模态分解 (EMD) 采取了完全不同的方法。EMD 并不是将信号强行塞入预定义的正弦波基底中，而是自适应地将信号本身筛选为一组称为固有模态函数 (IMF) 的分量。
每个 IMF 都是直接从数据自身的振荡结构中提取出来的，这在原理上允许该方法跟踪振幅和频率的瞬时变化，而无需信号在统计上保持静止。
值得注意的是，EMD 也存在已知的缺点，包括容易出现模态混叠趋势（即单个 IMF 最终会包含来自多个真实频带的振荡），以及对外噪颇为敏感（会扭曲分解结果）。
变分模态分解 (VMD) 这一相关技术的开发，部分就是为了解决这些不稳定问题。VMD 使用更受约束的数学公式来提取带宽受限的模式（每个模式都以特定频率为中心），这往往会产生比标准 EMD 更稳定的结果。
在一项 2019 年的研究中，研究人员将 VMD 与名为“模态谱熵”（用于量化给定频率模态的无序程度）的指标结合应用，以检测脑电波记录中的癫痫发作事件。在包括使用主成分分析进行通道选择的预处理步骤之后，该方法在 Bonn 脑电数据集上实现了 98% 到 100% 的准确率。在更具挑战性的 CHB-MIT 数据集上，它产生了 88.55% 的平均敏感度、94.86% 的特异性和 72.92% 的准确率。
该结果表明，基于模态的分解可以成功处理高度非平稳、瞬态的神经事件，因为从定义上讲，癫痫发作是偏离基线脑电活动的一种突然、短暂的偏离。
空间-光谱分解解决了源混合问题
空间-光谱分解 (SSD) 是一种在线性传感器阵列上工作的线性分解方法，它能寻找一种通道的空间组合，使得目标峰值频率处的信号功率最大化，同时又使两侧相邻频段处的功率最小化。其输出不仅是更清晰的光谱，还是展示哪些电极位置（并由此粗略推断出哪些底层大脑区域）对特定振荡贡献最大的模式。
引入此方法的研究表明，即使在信噪比低至 1 到 10 的情况下，SSD 也能可靠地提取振荡信号，鉴于噪声比感兴趣的信号强得多，这是一个极为苛刻的测试。
在正面对比中，SSD 的表现优于基于独立成分分析 (ICA) 的传统方法。当应用于真实的脑电数据时，SSD 分离出的分量其空间模式不仅与中央感觉运动位置相匹配，而且分离出的独立分量也与枕顶叶的后部位置相匹配。
时序数据分解的未来
计算能力和机器学习算法的进步正在开始将经典的谱分解与数据驱动的预测架构相融合。这些集成系统承诺将实现生物标记物提取的自动化，从而允许对以前需要冗长离线处理的神经动力学进行实时分析。这些方法的融合可能会减少数据采集与临床行动之间的延迟，从而促进更具响应性的脑机接口的发展。
研究正越来越多地集中于开发超越经典窗函数固有局限性的量子增强型光谱估算器。通过优化小波集合的带宽效率，研究人员希望能实现超高分辨率，从而能够在毫米级分辨率上区分重叠的皮层源。这一进展指向了一个信号监测变得显著更细腻、更易获取的未来。
在未来十年的时序数据科学中，跨全球研究实验室的标准化仍是一个关键目标。建立性能评估基准将确保技术进步是可复制的，且可转化为公共卫生应用。随着这些方法的稳定，基础神经科学研究与实用诊断效用之间的差距预计将大大缩小。
结论
将时序数据分解为各个频率的技术，仍然是破译人类生理电信号复杂性的一门不可或缺的学科。通过应用鲁棒的数学方法从多噪的数据集中提取有意义的模式，研究人员提高了其监测稳定性和检测病理变化的能力。
随着这些分析框架的不断演变，它们将进一步提高神经学研究的精准度，并增强后续临床结果的效力。
参考文献
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
常见问题解答
时域和频域的区别是什么？
时域展示了信号的振幅如何随时间变化，而频域则显示了信号有多少比例存在于特定的频带内。
时序分解可以实时进行吗？
可以，现代数字信号处理硬件允许对频率成分进行连续计算，从而实现实时监测和反馈应用。
如何将噪声与实际大脑活动分离？
噪声通常是通过识别已知神经活动范围之外的频带，或通过识别与环境干扰相关的特征性空间或光谱特征来进行隔离的。
傅里叶变换如何从脑电图中提取频率信息？
傅里叶变换假定信号在很短的时间窗口内是平稳的，并将信号分解为正弦波之和。功率谱密度 (PSD) 随后测量每个频率存在多少功率，从而提供振荡内容的快照。
经验模态分解 (EMD) 与傅里叶分析有何不同？
EMD 在无需假设平稳性的情况下自适应地将信号筛选为固有模态函数，使其能够跟踪瞬时频率和振幅的变化。这使其在理论上更适合像 mu 这样非平稳的节律，尽管它可能会受到模态混叠的影响。
在什么情况下您会选择 PSD 而非模态分解方法？
当研究各种条件下广泛、可重复的光谱模式（例如比较运动想象任务）时，PSD 是一个鲁棒的选择。当对快速变化的精确时序要求不高时，它在对精神状态进行分类方面的计算简便性及公认的可靠性使其非常有效。
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。
克里斯蒂安·布尔戈斯
