附录B小波分析∑.PDF

附錄 B 小波分析 目前研究者對 EEG資料的分析方式 ，大致上可以分為時域(time domain) 分析和頻域(frequency domain)分析兩種。時域分析主要在描述目標行為隨 著時間演進的變化過程，譬如事件關聯電位即( ERPs)分析；而頻域分析則 主要在反映目標行為的週期性成分，譬如頻譜分析(spectrum analysis) 。然 而，不論是 ERPs 分析或頻譜分析都具有線性的基本假定。前者在檢視其 波形成份 (component)時，即假定成分之間沒有交互作用，否則將無法清楚 辨認每個成分是否確實存在。至於後者所依賴的基礎─傅立葉轉換(Fourier transform, FT) ，其本身亦具有加成性假定。 第一節 傅立葉轉換 傅立葉轉換的立論基礎在於：所有波形皆可拆解成正弦波和餘弦波的 加總組合。其基本概念可表述如下(Graps, 1995) ： ∞ f (x) a + (a cos kx +b sin kx) (B1) 0 ∑ k k k 1 2π 2π 2π 1 1 1 其中， ， ， a0 ∫f (x)dx ak ∫f (x) cos(kx)dx bk ∫f (x) sin(kx)dx 2π π π 0 0 0 由此可知，傅立葉轉換確實具有線性的基本假定。然而，研究者對小 波轉換 (wavelet transform, WT)的需求，卻並非源於線性與非線性的爭議， 而是傅立葉轉換的固定性(stationary)假定 (Graps, 1995) 。 在發展出小波轉換以前，進行頻譜分析的研究者在使用傅立葉轉換時 必須接受固定性的基本假定。舉例來說，如果某位研究者記錄了 10 分鐘 92 的睡眠腦波，則他在進行傅立葉轉換時必須假設 或接受( )這 10 分鐘內的週 期波成分是不會變動的，譬如這期間的 α波、 β波和 γ波等等活動程度應 該是固定的，如此才能求得各個波段之間的強度比例。然而，如果在研究 者所關心的時段內，各個波段成分並非固定不變 譬如瞬息萬變的視覺意識( 歷程 ) ，則傳統傅立葉轉換便不合適。 第二節 短時傅立葉轉換 面對這個問題，研究者很快地想到利用短時傅立葉分析 (short-time Fourier transform, STFT)作為解決辦法。 同樣以上面的例子來看，研究者可以將這 10 分鐘切割成幾個小段落譬( 如切成 10段，每段 1 分鐘) ，然後再針對每一小段進行傅立葉轉換(如圖 B-1(a)所示 ) 。如此，研究者便不再需要假定這10 分鐘內的週期波成分是固 定的，因為傅立葉轉換只套用在每 1 分鐘的間隔上31 。換個角度來看，STFT 比傳統傅立葉分析具有更高的時間解析度(temporal resolution) ，可以幫助 研究者瞭解 α、β和 γ 等波段之相對強度隨時間產生的變化。 y