為何靜態頻譜對腦訊號會失敗
單一 PSD 假設過程在整段紀錄上定態，但 BCI 中有趣的事件都是瞬態的：mu 節律在動作起始時受抑制、一次 beta 叢發出現又消失、一個 P300 騎在單一刺激上。把時間壓平會藏起你真正在乎的動態。時頻分析把頻譜估計成時間的函數 S(t,f)。
STFT 與其固定切分
短時傅立葉轉換把一個固定視窗沿訊號滑動，並對每個位置做傅立葉轉換。它把時頻平面切成一模一樣的矩形：在每個頻率都有相同的絕對時間解析度與相同的絕對頻率解析度。
X(t,f) = \sum_{n} x_n\, w_{n-t}\, e^{-i2\pi f n}, \qquad \text{spectrogram} = |X(t,f)|^2STFT 與其頻譜圖。
要看頻率如何隨時間變化，就把一個視窗沿訊號滑動，在每個位置內做傅立葉轉換。取平方後就是頻譜圖——一張橫跨時間與頻率的功率圖。視窗大小一次固定了時頻取捨。
- X(t,f)
- 在時間 t、頻率 f 的短時傅立葉轉換。
- w_{n-t}
- 以時間 t 為中心的滑動視窗。
- e^{-i2\pi f n}
- 傅立葉核。
- |X(t,f)|^{2}
- 頻譜圖——每個時間與頻率上的功率。
固定視窗正是 STFT 對神經資料的弱點。長到足以在 delta 頻帶分辨 2 Hz 差異的視窗（約需 0.5 秒）會把快速 gamma 叢發在時間上抹糊；短到足以定位 gamma 叢發的視窗又無法解析低頻結構。
小波：固定 Q、對數頻率切分
Morlet（複）小波轉換隨頻率縮放視窗來解決這點：高頻用短小波（時間好、頻率粗），低頻用長小波（頻率好、時間粗）。中心頻率與頻寬之比——品質因子 Q——維持不變，這與神經頻帶（大致）呈對數間隔的方式相符。
\psi(t) = \frac{1}{\sqrt{\pi f_b}}\; e^{\,i2\pi f_c t}\; e^{-t^2/f_b}, \qquad \Delta f \approx \frac{f}{n_{co}}複 Morlet 小波；週期數 n_{co} 決定時頻取捨。
小波是一個小波包——高斯氣泡裡的正弦波——你拉伸或壓縮它來探測不同頻率。不像 STFT 的固定視窗，小波對高頻自動用短視窗、對低頻用長視窗。週期數決定取捨。
- \psi(t)
- Morlet 小波——用來探測訊號的波形。
- f_c
- 小波的中心頻率。
- f_b
- 頻寬參數——高斯的寬度。
- n_{co}
- 週期數，決定時間對頻率的精度。
解析訊號：瞬時振幅與相位
對窄頻訊號，Hilbert 轉換建構出解析訊號，其模與輻角即瞬時振幅與相位。這是第四篇中基於相位的連結性與相位–振幅耦合的主力工具。但要注意：瞬時相位只有在帶通濾波到夠窄、使訊號局部近似正弦之後，才有物理意義。
z(t) = x(t) + i\,\mathcal{H}\{x\}(t) = a(t)\,e^{i\phi(t)}, \qquad f(t) = \frac{1}{2\pi}\frac{d\phi}{dt}解析訊號與瞬時頻率。
把訊號的 90 度移相（希爾伯特）副本當成虛部加上去，就把實數振盪變成一個旋轉的複數：它的長度是瞬時振幅，旋轉的角度是相位。角度轉多快就是瞬時頻率。
- z(t)
- 解析訊號—— x 的複數版本。
- \mathcal{H}\{x\}
- 希爾伯特轉換——訊號的 90 度移相副本。
- a(t)
- 瞬時振幅——訊號的包絡。
- f(t)=\tfrac{1}{2\pi}\tfrac{d\phi}{dt}
- 瞬時頻率——相位 \phi 轉動的速率。
你無法擊敗的不確定性下限
這些方法沒有一個能同時在時間與頻率上任意精確地定位。Gabor–Heisenberg 極限說：任何視窗的時間展寬與頻率展寬之乘積有一個下界。STFT、小波與 Hilbert 的差別只在於如何把這份固定的不確定性分配到平面上——而非能否逃脫它。
\Delta t\;\Delta f \;\ge\; \frac{1}{4\pi}時頻不確定性；高斯（Morlet／Gabor）視窗取等號。
一條嚴格的物理極限：你無法同時精確知道某事發生的時間與頻率。把時間變銳利，頻率就變模糊，反之亦然。沒有任何分析技巧能勝過這個底線；高斯視窗最接近（取等號）。
- \Delta t
- 時間的不確定度。
- \Delta f
- 頻率的不確定度。
- \tfrac{1}{4\pi}
- 兩者乘積所能達到的最小值。
讀懂一張時頻圖
最後一個實務步驟是歸一化。原始小波功率被 1/f 背景（第五篇）主宰，因此時頻圖通常呈現為相對於事件前基線的變化——分貝或百分比變化——這正是ERD/ERS框架。要選一個真正無任務的基線視窗，並留意基線選得不好可能會讓你的效應正負號翻轉。