FFT算法讲解

BrainTechnology

共 1208字,需浏览 3分钟

 ·

2022-04-11 04:37

大家好,我是陈锐。

感谢大家关注CRBrain脑世界公众号。

今天分享部分内容来源ZLG致远电子,仅供参考

EEG频谱分析的相关内容可通过以下关键词搜索。


  傅立叶变换的物理意义?

傅立叶变换是数字信号处理领域一种很重要的算法。要知道傅立叶变换算法的意义,首先要了解傅立叶原理的意义。傅立叶原理表明:任何连续测量的时序或信号,都可以表示为不同频率的正弦波信号的无限叠加。而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。


  为什么要进行傅立叶变换?

傅立叶变换是描述信号的需要。只要能反映信号的特征,描述方法越简单越好!信号特征可以用特征值进行量化。所谓特征值,是指可以定量描述一个波形的某种特征的数值。全面描述一个波形,可能需要多个特征值。傅立叶变换算法利用直接测量到的原始信号,以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。


  什么是FFT?

图2 时域到频域


  什么是频率泄漏?

频谱波分析一段采集时间较长的数据,需要将数据切成一帧帧进行分析,这个过程称为信号截断。信号截断分为周期截断和非周期截断。这一点还是比较好理解,就是在数据切成一帧帧的时候,每帧数据是否为周期信号进而判断是哪种类型截断。如图3显示。

图3 信号截断

周期截断不存在频谱波泄漏,这是因为信号频率成分为频率分辨率的整数倍。非周期截断如图所示,由于重新组成数据进行频谱波分析幅值出现拖尾,即会造成如图3-2频谱图的现象,所以信号的非周期截断,导致频谱在整个频带内发生了拖尾现象,由于能量守恒最终导致幅值比原来的低,这就是幅值泄漏。

  栅栏效应

栅栏效应指的是离散傅立叶变化过程的频谱被限制在基频整数倍处,犹如栅栏一样关注的频率主要分布在木块之间,如图4所示。

图4 栅栏效应


  窗函数及类型

前面已经了解泄漏问题,我们可以通过加合适的窗函数来尽可能减少频谱拖尾的现象,那么什么是窗函数呢?简单理解就是不同的信号截断函数如图5所示,常见的窗函数有以下几种:

图5 窗函数类型

矩形窗相当为没加窗,常用于周期信号;信号随机或未知,或者多个频率分量,测试关注是频率而非能量大小,则选择汉宁窗;对校准目的,要求幅值精准,适用平顶窗;如果要求幅值频率的精度,则选择凯塞窗;检测两信号频率相近,幅值不同的,建议用布莱克曼窗。

  加窗后幅值和频率修正

通过前面已经了解加窗函数可减少泄漏现象,但频率栅栏效应没得到修复,加窗后幅值泄漏现象也只得到缓解,那么可以通过插值算法来得到一个准确的幅值和频率。算法原理是各个频率成分主瓣形状将近似窗函数频谱的主瓣形状,如果这形状可以用某个函数来描述,则可利用主峰两侧的谱线通过插值计算出主峰的高度,从而克服栅栏效应。


本文转载自以上公众号和网址,仅供学习参考,不作其它用途,有任何疑问及侵权,扫描以下公众号二维码添加交流:

浏览 138
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报