從頻帶功率到隨機過程
在第一冊中，你透過濾波、平方、平均來計算頻帶功率——對於展示而言這是完全合理的做法。第二冊從一個令人不安的事實出發：你想要的功率譜密度（PSD）是一個隨機過程的性質，而非你手上那段兩秒訊號的性質。你的資料只是一次有限、帶雜訊的實現；PSD 則是你必須估計的母體參數。這整條學習線都在談如何把這個估計做好。
S(f) = \sum_{\tau=-\infty}^{\infty} r(\tau)\, e^{-i2\pi f\tau}, \qquad r(\tau)=\mathbb{E}\!\left[x_n\,x_{n+\tau}\right]維納–辛欽定理：PSD 是自協方差的傅立葉轉換。
功率頻譜——每個頻率上有多少訊號功率——正是自協方差的傅立葉轉換，而自協方差衡量訊號與其時間平移副本的相關程度。相關中的節律會以頻譜中的峰值呈現。
- S(f)
- 頻率 f 處的功率譜密度。
- r(\tau)
- 自協方差——訊號與自身在延遲 \tau 的相關。
- e^{-i2\pi f\tau}
- 傅立葉核，把延遲轉成頻率。
- \mathbb{E}
- 期望值——對隨機過程取平均。
週期圖：誘人卻有偏
最直覺的估計器是週期圖——DFT 的平方模。對白雜訊而言它漸近無偏，但對有色頻譜、在有限 N 下它是有偏的，因為有限視窗把真實頻譜與視窗的頻譜核做了卷積。這種抹散就是頻譜洩漏：強分量（電源線雜訊、大的低頻節律）的功率會滲入鄰近的頻率格，可能淹沒微弱的高頻活動。
\hat{S}_p(f) = \frac{1}{N}\left|\sum_{n=0}^{N-1} x_n\, e^{-i2\pi f n}\right|^2週期圖：DFT 的平方模。
最直觀的頻譜估計：對資料做傅立葉轉換再取平方。它簡單又誘人，但如接下來的段落所示，它在統計上有缺陷——不論你收集多少資料都很雜亂。
- \hat{S}_p(f)
- 頻譜的週期圖估計。
- x_n
- 資料樣本。
- \sum_n x_n e^{-i2\pi f n}
- 資料的離散傅立葉轉換（DFT）。
- |\cdot|^{2}
- 平方模——即功率。
週期圖的期望值等於真實頻譜與矩形視窗 Fejér 核（Dirichlet 核的平方）的卷積。其主瓣決定頻率解析度（約 1/T）；僅以約 1/f^2 衰減的旁瓣（第一旁瓣約 −13 dB）就是洩漏。加窗（Hann、Hamming……）以較寬的主瓣換取大幅降低的旁瓣。
不一致性：永不縮小的變異
洩漏只是麻煩的一半。週期圖是不一致的：當你收集更多資料時，它的變異並不會趨近於零。增加樣本買到的是更細的頻率解析度，而非更平滑的估計——每個新的頻率格本質上只是多一個帶雜訊的樣本。
\operatorname{Var}\!\big[\hat{S}_p(f)\big] \;\approx\; S^2(f) \qquad \text{(independent of } N \text{)}對高斯過程，週期圖的變異約為 S^2(f)，與紀錄長度無關。
討厭的意外：週期圖的誤差不會隨著你蒐集更多資料而縮小。它的變異數大約維持在頻譜本身的量級，所以原始週期圖總是鋸齒狀。這正是我們需要 Welch、多錐等平均方法的原因。
- \operatorname{Var}[\hat{S}_p(f)]
- 週期圖估計的變異數（不確定性）。
- S^{2}(f)
- 真實頻譜的平方——變異數永遠降不到的底線。
- N
- 紀錄長度；變異數與它無關。
定態與偏誤–變異旋鈕
把獨立觀測平均在一起，前提是這些觀測之間統計性質不變——也就是定態。腦訊號充其量只是局部定態的：一次事件相關去同步可以在數百毫秒內就讓 mu 功率下降。因此估計器設計其實是頻率解析度、變異（統計穩定性）與時間解析度三者之間的張力。你最多能兼得其二，代價是第三個。
- 選一段短到訊號在其內近似定態、又長到能達到所需頻率解析度（\Delta f \approx 1/T）的區段。
- 選擇如何對每段加窗，以控制洩漏。
- 選擇要平均多少次獨立觀測（區段、錐或試驗），以達到目標變異。
學習線地圖
有了這個框架，本學習線其餘部分就是一趟有原則地花用「偏誤–變異–解析度」預算的旅程：第二篇建立主力的無母數估計器（Welch 與多錐）；第三篇轉向時間解析的分析（STFT、小波、解析訊號）與不確定性下限；第四篇耦合通道與頻率（同調與相位–振幅耦合）；第五篇正視非週期性背景，並透過頻率標記把頻譜化為可運作的 BCI。