许多现实世界中的信号，如气候指数、生物医学记录、医学图像，都不是静止不变的。它们的特征会随时间而变化：心跳在运动时加速，然后减慢；海洋表面温度随季节波动，但也会在几十年间发生漂移。这些就是非平稳信号。
小波变换就是为了处理这些信号而设计的数学工具。它将信号分解为在时间和尺度上都具有局部性的分量，从而精确地揭示出特定模式何时出现，以及在什么持续时间或拉伸度下运行。
与将信号分解为无尽正弦波的传统傅里叶分析不同，连续小波变换（CWT）利用单个原型波的缩放和平移副本，构建出一个时间–尺度表示。本文将阐述CWT的逻辑、如何选择母小波、如何计算和解释生成的小波能谱图，以及数十年的应用所证明的成果以及该方法固有的局限性。
什么是小波变换？
小波变换是一种用于在多个尺度上分析信号的数学方法。它不是仅通过全局正弦分量来表示整个信号，而是将信号与称为小波的短函数进行比较。这些函数沿着信号移动，并进行伸缩或压缩以显示局部特征。
其结果是一个系数集合。每个系数都指示了信号在特定位置和尺度上与特定小波的相似程度。小尺度通常强调快速变化和微细细节，而大尺度则描述较慢的变化和较宽的结构。
这种局部行为是小波分析与许多传统频率方法之间的核心区别。傅里叶变换可以显示存在哪些频率，但小波变换还可以指示这些特征发生的位置。这使得它适用于瞬态、不连续性、突发、边缘以及其他时间至关重要的事件。
连续小波变换：工作原理
CWT 的核心是一个单一的、局部的振荡函数，称为母小波，记作 ψ(t)。您不需要将信号分解为一组固定的正弦波。相反，您可以通过对这一个原型进行拉伸（缩放）和滑动（平移）来生成一个小波族。在尺度 a 和位置 b 处的 CWT 是信号 x(t) 与经尺度 a 缩放并经 b 平移的小波的内积：
ψᵃᵇ(t) \= (1/√a) ψ((t‑b)/a)
因子 1/√a 使得各尺度的能量归一化。当 a 较小时，小波被压缩并捕捉短暂、快速的变化。当 a 较大时，小波被拉伸，它会捕捉缓慢、宽阔的起伏。平移 b 将小波沿时间轴移动，因此分析从头到尾进行滑动。
输出是一个关于时间和尺度的二维函数，可以显示为时频图（scalogram）。早在 1988 年，Ingrid Daubechies 等研究人员就正式提出了离散小波多分辨率分析的基石概念，证明了可以构建具有高正则性的紧支撑小波正交基。CWT 继承了这一基本的缩放和平移原则，但不需要正交基的要求：您可以使用任何满足简单容许性条件的母小波，这使得该变换是可逆的。
这种结构赋予了小波其标志性的优势。因为母小波是一个短暂的、波状的脉冲，它自然会聚焦于瞬态事件。仅靠缩放和平移就能提供时间和尺度的同步视图，而固定窗口的傅里叶方法在不强加时间和频率分辨率之间的非自然折中的情况下是无法与之媲美的。
什么是离散小波变换？
离散小波变换（DWT）在结构化网格上对尺度和平移参数进行采样，而不是评估每个可能的值。在常见的构建中，尺度和位置呈双进（dyadic）变化，通常以 2 的幂次方变化。这在保留多个分辨率信息的同时，产生了一组紧凑的系数。
DWT 通常使用成对的低通和高通滤波器来实现。低通分支保留信号的平滑逼近，而高通分支捕获细节。然后下采样减少每个级别的样本数，并且逼近分支可以再次进行分解。
这种滤波器组结构使得 DWT 对于有限数字数据非常高效。当分析和综合滤波器设计合理时，它还支持重构。
应用包括去噪、压缩、事件检测和多尺度特征提取，尽管系数的解释仍取决于采样、边界处理和小波选择。
离散小波变换详解
DWT 通过连续级别上的逼近系数和细节系数来表示采样信号。在第一级，信号被分离为宽阔、缓慢变化的内容和变化更快的细节。在逼近部分重复该操作会创建一个分辨率层次结构。
与 CWT 不同，DWT 通常不会为每个连续的位置和尺度产生系数。其结构化采样减少了冗余和计算成本。这使得它对于大型数组、实时处理和压缩系统非常实用。
分解层数决定了分析进行的深度。层数太少可能会漏掉宽阔的结构，而层数太多可能会产生难以解释或受信号长度和边界条件强烈影响的系数。因此，有用的深度是数据和分析目的的属性，而不是一个通用的常数。
DWT 离散小波变换算法步骤
标准的 DWT 通过重复的滤波和下采样进行。核心操作很简单，但每个步骤都会影响随后的表示。
选择一个小波族和所需的分解层数。
将信号通过低通滤波器以获得逼近样本。
将同一信号通过高通滤波器以获得细节样本。
对两个输出进行下采样，并在逼近分支上重复该过程。
存储系数并在需要时重构信号。
生成的小波树将粗糙结构与逐渐变细的细节分离开来。在实践中，重构可用于测试所选系数是否保留了与分析相关的信号特征。
Haar 小波变换：最简单的小波
Haar 小波是使用的最简单的小波。它是分段常数，因为在短间隔的一部分上取一个值，而在另一部分上取相反的值，其均值为零。其陡峭的形状使其自然地对跳变和阶跃状过渡做出反应。
对于一对短样本，Haar 变换可以理解为计算平均值和差值。平均值成为粗略逼近，而差值记录局部变化。重复该操作会创建具有特别清晰解释的多级表示。
Haar 小波计算开销低且易于解释，但它不平滑。由逐渐振荡主导的信号用它表示的效率可能不如用更平滑的小波。当简单性、快速计算或对不连续性的敏感性比平滑的频率选择性更重要时，它的价值最大。
选择母小波
并非所有的微小起伏都符合母小波的资格。该函数必须满足容许性条件，这基本上意味着它的均值为零且能量有限，即它在零上下起伏，并在短间隔之外衰减为零。
除了该要求之外，您还可以自由选择与您期望在数据中看到的特征类型相匹配的形状。这种选择不是公式化的，但实际经验指向一些启发式方法：
形状相似性。 如果您的信号包含振荡突发，Morlet 小波（包裹在高速高斯函数中的复正弦波）通常效果很好，因为它类似于局部振荡。对于尖锐的脉冲瞬态，像墨西哥帽小波（高斯函数的二阶导数）或紧支撑小波之类的东西可以更干净地隔离边缘和波峰。
时标分辨率平衡。 较长的小波可以对相邻尺度进行更精细的区分，但会模糊特征发生的准确时刻。较短的小波能精确定位时间，但会将尺度混在一起。这是局部化分析不可避免的折中，而不是缺陷。
实小波与复小波。 实值母小波（例如墨西哥帽）仅提供幅度信息。复小波（例如 Morlet）产生振幅和相位，当您稍后想通过交叉小波相干性检查两个信号之间的时间关系时，这可能至关重要。
Daubechies 研究中构建的紧支撑小波正交基适用于离散、完美的重构任务。对于 CWT，您不受正交性的束缚，因此如果非正交小波更好地匹配信号的形态，您可以自由选择它们。
尽管如此，紧支撑和正则性仍然是令人向往的，因为它们可以减少边缘抹平并提供干净的变换。
计算连续小波变换
在实践中，CWT 是通过将信号与母小波的缩放、时间反转副本进行卷积来近似计算的。因为信号是有限的，当小波接近记录的开始或结束时，它不可避免地会延伸到数据的边缘之外。这些边界区域会产生失真值；影响锥（COI）标记了边缘效应导致分析不可靠的时标区域。任何伸入 COI 的特征都必须予以怀疑。
为了构建时频图，尺度通常被采样为 2 的分数幂，以覆盖与信号持续时间相匹配的范围。计算 CWT 系数的平方幅值可产生小波能量，然后将其绘制为一轴为时间、另一轴为尺度的色彩图。
解释时频图
时频图是小波分析的主要视觉输出。亮区对应于高小波能量，这些是信号在特定尺度和时间具有强分量的地方。
但并非每个热点都有意义。为了将真实特征与随机波动区分开来，研究人员经常针对理论背景推导统计显著性检验：白噪声（能量均匀分布）和红噪声（如许多自然过程那样，能量集中在低频）。通过将观察到的能量与背景光谱的第 95 百分位数进行比较，您可以识别出不太可能是偶然产生的时期和尺度。
在时间、尺度或两者上进行平滑处理可以提高此类特征的可靠性。
CWT 的已知局限和注意事项
没有哪种数学工具是没有缺点的，CWT 也不例外。母小波的选择既是一种灵活性，也是一种负担。没有自动的程序能保证为未知信号提供最佳小波。
不恰当的选择（例如，为充满尖锐脉冲的信号选择长 Morlet）可能会抹平特征或产生令人误解的时频图伪影。即使实验人员凭直觉找到了很好的匹配，分析在一定程度上仍然是主观的。
边缘效应是有限数据的物理现实。长尺度会使小波远远超出边界，因此在最粗糙的尺度上，COI 可以吞噬时频图的大部分。从边缘推断出的任何事件都必须视为暂时的。显著性检验虽然有原则，但取决于假设的噪声模型，这些模型可能并不适用于每个数据集。
在处理新数据集时，最清晰的途径是将关于信号预期结构的物理推理与保守的统计检查相结合，并清醒地接受时频图是一张具有暗示性的地图，而不是确定性的解剖蓝图。
使用小波变换进行 EEG 分析
脑电图记录了随时间变化的电压变化，而这些变化通常包含重叠的节律、瞬态事件和非平稳行为。小波变换可以在时间和尺度上表示这些分量，从而有利于分析特定模式何时出现。因此，该方法与神经科学以及EEG记录的分析相关。
在 EEG 工作中，系数可以按尺度、时间间隔、通道或事件条件进行汇总。此类汇总可以支持对节律、诱发反应、癫痫相关瞬态、睡眠模式或伪影结构的研究。变换本身并不诊断大脑疾病；其解释需要适当的采集、预处理、对照组和领域专业知识。
预处理仍然是核心。电极伪影、眼动、肌肉活动、参考选择、滤波、缺失数据和边缘效应都可以改变小波系数。结果对频率到尺度的映射以及所选小波是否类似于所研究的时间形态也很敏感。
用于计算小波变换的工具和软件
小波变换可以使用数值库、科学编程环境和专门的信号处理软件来计算。合适的选择取决于目标是教学、探索性可视化、批处理、嵌入式计算还是可重复的研究。
一个有用的工具应该清晰地公开变换参数，而不是将它们隐藏在单个默认命令后面。
典型的工作流程是加载并验证采样数据、选择小波、计算 CWT 或 DWT、检查系数并评估重构或下游特征。通过受控的参数更改来重复该工作流程，可以显示结果是否稳定。当微小的实现差异影响系数值时，文档和版本记录至关重要。
为了进行可靠的工作，软件评估通常包括数值准确性、对多维数据的支持、边界选项、绘图、计算成本和互操作性。代码还应保留采样率和预处理历史，因为没有这些上下文的系数很难重现或解释。
为什么小波分析对于读取非平稳信号至关重要
小波变换的决定性洞察在于，最好将信号的特性理解为一幅关于模式何时发生以及持续多久的动态地图，而不是静态的频率列表。这种时标视图已在现实世界中证明了其价值。然而，这些成功总是带有一个警告：分析的可靠性取决于在数学计算开始之前所做的选择。
选择母小波是一个科学判断问题，边缘效应加上噪声假设对任何时频图可以声称的内容划定了真实的界限。坦诚的结论是，小波分析提供了一种观察变化信号中结构的方法，但它要求保守的解释，而不是盲目接受每一个亮点。
将物理推理与统计检查相结合的研究人员能够从该工具中获得最大的价值，同时保持其结论适当谦逊。
参考文献
Daubechies, I. (1988). Orthonormal bases of compactly supported wavelets. Communications on pure and applied mathematics, 41(7), 909-996. https://doi.org/10.1002/cpa.3160410705
Torrence, C., & Compo, G. P. (1998). A practical guide to wavelet analysis. Bulletin of the American Meteorological society, 79(1), 61-78. https://doi.org/10.1175/1520-0477(1998)079%3C0061:APGTWA%3E2.0.CO;2
常见问题解答
什么是小波变换，为什么将它用于非平稳信号？
小波变换将信号分解为在时间和尺度上都局部化的分量，从而揭示某种模式何时出现以及它以何种持续时间运行。它是为非平稳信号（其特征随时间变化）而构建的，这与假设稳定行为的固定方法不同。
连续小波变换与傅里叶分析有何不同？
CWT 不是将信号分解为无尽的正弦波，而是使用单个母小波的缩放和顺移副本。这种结构提供了时间和尺度的同步视图，避免了傅里叶方法中时间和频率分辨率之间固定的窗口折中。
什么是母小波，它必须满足什么条件？
母小波是一个单一的、局部的振荡函数，通过对其进行拉伸和移动来分析信号。要使其有效，它必须满足容许性条件，这基本上意味着它的均值为零且能量有限——它在零上下起伏，并在短间隔之外衰减为零。
如何为特定信号选择母小波？
选择一个形状与您预期的特征相匹配的小波；例如，Morlet 小波适合振荡突发，而墨西哥帽小波可以隔离尖锐的脉冲。您还需要平衡时间与尺度分辨率，并决定是否需要相位信息，复小波可以同时提供振幅和相位。
什么是时频图，您如何解释它？
时频图是小波分析的主要视觉输出，以一轴表示时间，另一轴表示尺度来绘制小波能量。亮区指示特定时间和尺度上的强信号分量，但针对白噪声或红噪声背景的显著性检验有助于将真实特征与随机波动区分开来。
什么是影响锥，为什么它很重要？
影响锥标记了边缘效应导致小波分析不可靠的时标区域，因为小波延伸到了有限数据边界之外。任何落在 COI 内的特征都必须予以怀疑。
连续小波变换的主要局限性是什么？
母小波的选择在一定程度上是主观的，不恰当的选择可能会抹平特征或产生令人误解的伪影。边缘效应可能会污染时频图的大片区域，并且显著性检验依赖于在每个数据集中可能都不成立的假设噪声模型。
在实践中，实母小波和复母小波有什么区别？
实值小波（例如墨西哥帽）仅提供幅度信息。复小波（例如 Morlet）提供振幅和相位，这对于通过交叉小波相干性检查信号之间的时间关系至关重要。
CWT 和 DWT 之间有什么区别？
连续小波变换评估许多紧密相间的尺度和位置，从而产生详细且通常冗余的表示。离散小波变换使用一组结构化的尺度和位置来产生更紧凑的表示。
Haar 小波有什么用途？
Haar 小波可用于对具有突变或阶跃状行为的信号进行简单、快速的分析。它的分段常数形式也使得底层的平均值和差值易于解释。
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
