viewof T = Inputs.range([2, 120], { value: 20, step: 1, label: "記録時間 T(秒)" })
viewof f1 = Inputs.range([0.5, 4], { value: 1.0, step: 0.01, label: "f₁(Hz), 振幅 1" })
viewof f2 = Inputs.range([0.5, 4], { value: 1.6, step: 0.01, label: "f₂(Hz)" })
viewof a2 = Inputs.range([0.001, 1], { value: 0.02, step: 0.001, label: "f₂ の振幅" })
viewof nz = Inputs.range([0, 1], { value: 0.05, step: 0.01, label: "ノイズ SD" })
viewof win = Inputs.radio(["矩形窓", "Hann 窓"], { value: "矩形窓", label: "窓関数" })
viewof welch = Inputs.toggle({ label: "Welch 法(区間を分けて平均)", value: false })
viewof segLen = Inputs.range([2, 60], { value: 10, step: 1, label: "Welch の区間長(秒)" })6 フーリエ解析とスペクトル推定
HRV の LF/HF、脳波のα波、PPG からの心拍数推定 —— 生体信号の多くの指標は 「どの周波数の成分がどれだけ含まれているか」(スペクトル)から計算されます。この章では、スペクトルを推定するときに知っておくべき 3 つのポイント、周波数分解能・スペクトル漏れ(窓関数)・推定のばらつき(Welch 法) を扱います。
6.1 フーリエ変換の直感
どんな信号も、さまざまな周波数の正弦波の足し合わせ として表せます。フーリエ変換は、信号の中に各周波数の正弦波が どれだけの大きさで含まれているか を求める操作です。
N 点の離散信号 x[n] に対する 離散フーリエ変換 (DFT) は次のとおりです。
X[k] = \sum_{n=0}^{N-1} x[n]\, e^{-j 2\pi k n / N}, \qquad f_k = \frac{k}{N} f_s
X[k] は「周波数 f_k の正弦波と信号がどれだけ似ているか(内積)」を表します。高速フーリエ変換 (FFT) は、DFT を高速に計算するアルゴリズムの名前です。
パワースペクトル密度 (PSD) は |X[k]|^2 を適切に正規化したもので、単位は(信号の単位)²/Hz です。HRV なら ms²/Hz になります。
6.2 ポイント 1:周波数分解能は記録時間で決まる
DFT の周波数の刻みは
\Delta f = \frac{f_s}{N} = \frac{1}{T} \qquad (T: \text{記録時間})
です。サンプリング周波数を上げても周波数分解能は良くならず、記録時間を長くするしかありません。
- 5 分(300 秒)の記録 → \Delta f \approx 0.0033 Hz
- HRV の VLF 帯域の下限 0.0033 Hz が 5 分記録の分解能に対応しているのは偶然ではない
- 1 分の記録では \Delta f \approx 0.017 Hz となり、LF 帯域 (0.04–0.15 Hz) の評価は粗くなる
ノートゼロ詰め (zero padding) は分解能を上げない
データの後ろに 0 を足して N を大きくすると、スペクトルの表示は なめらかに なりますが、これは補間しているだけで、近い 2 つの周波数を分離する能力は上がりません。
6.3 ポイント 2:スペクトル漏れと窓関数
有限の長さで信号を切り出すことは、無限に続く信号に 矩形の窓をかける ことと同じです。窓の端で信号が急に途切れるため、本来 1 本の線であるはずのスペクトルが 周囲の周波数に漏れ出します(スペクトル漏れ, leakage)。
Hann 窓 などの窓関数は、端をなめらかに 0 に近づけることで漏れを大幅に減らします。代わりに、主ピークの幅が広がり(分解能が下がり)、振幅も小さくなります。
6.4 ポイント 3:ばらつきと Welch 法
1 本の記録から計算したスペクトル(ピリオドグラム)は、記録を長くしてもばらつきが小さくならない という性質があります。
Welch 法 は、記録を(重なりを持たせて)複数の区間に分け、各区間のスペクトルを 平均 することでばらつきを減らします。代わりに、区間が短くなるぶん 周波数分解能が下がります。
6.5 デモ:スペクトル推定の 3 つのトレードオフ
サンプリング周波数 10 Hz で、周波数 f_1 の大きな正弦波 と 周波数 f_2 の小さな正弦波 にノイズを加えた信号のスペクトルを推定します。縦軸は最大値を 0 dB とした相対値です。
青の破線: f_1、赤の破線: f_2
ヒントやってみよう
- 分解能: 窓は矩形、a_2 = 1(同じ振幅)にして、f_2 を f_1 に近づけていこう(例: 1.05 Hz)。記録時間 T を短くすると 2 つのピークを分離できなくなる。分離できる最小の差は 1/T とどう関係しているか?
- スペクトル漏れ: 既定値(a_2 = 0.02, −34 dB)で矩形窓と Hann 窓を切り替えよう。小さな f_2 のピークが見えるのはどちらか? f_1 を 1.05 Hz など 分解能の刻みからずれた値 にすると、矩形窓の漏れがさらに大きくなることも確認しよう
- ばらつき: ノイズ SD を 0.5 に上げ、T = 120 秒で Welch 法をオン・オフしよう。区間長を短くするとばらつきはどうなり、分解能はどうなるか?
ノート解説
- 2 つのピークを分離できるのは、おおむね |f_2 - f_1| が分解能 1/T の 1〜2 倍以上のときです(Hann 窓では主ピークが広がるため、さらに長い記録が必要)。
- 矩形窓は漏れ(サイドローブ)が −13 dB 程度と大きく、ゆっくりとしか減衰しないため、近くにある小さな成分が漏れに埋もれてしまいます。Hann 窓はサイドローブが −31 dB 程度で速く減衰するため、小さな成分が見えるようになります。HRV の解析で大きな VLF・LF 成分の近くの成分を見るときにも同じことが起こります。
- Welch 法で区間を短くするほど平均する区間数が増えてばらつきは減りますが、分解能 1/(\text{区間長}) は粗くなります。HRV の 5 分記録では、例えば 128〜256 秒程度の区間で平均することが多いです。
6.6 不等間隔のデータ:Lomb-Scargle ピリオドグラム
RR 間隔の系列のように サンプリング間隔が一定でない データには、そのまま DFT を使えません。対処法は 2 つあります。
- 等間隔にリサンプリング してから DFT(HRV 解析で一般的。補間方法がスペクトルに影響する)
- Lomb-Scargle ピリオドグラム: 各周波数の正弦波を最小二乗法で当てはめることで、不等間隔のまま推定する。欠損やアーチファクトの除去で抜けがあるデータにも強い
6.7 時間とともに変わるスペクトル
運動中や睡眠中のように信号の性質が時間とともに変化する場合は、
- 短時間フーリエ変換 (STFT): 窓をずらしながらスペクトルを計算する(スペクトログラム)。時間分解能と周波数分解能は トレードオフ
- ウェーブレット変換: 低い周波数は長い窓、高い周波数は短い窓で解析する
などを使います。
6.8 まとめ
- 周波数分解能 = 1 / 記録時間。サンプリング周波数やゼロ詰めでは良くならない
- 窓関数: 矩形窓は分解能が高いが漏れが大きい。Hann 窓は漏れが小さいが分解能が下がる
- Welch 法: ばらつきを減らす代わりに分解能が下がる
- 不等間隔データには リサンプリング か Lomb-Scargle