이산 신호의 플리커 노이즈 스펙트로스코피 분석

초록

본 논문은 유한 샘플링 주파수로 획득된 이산형 stochastic 시계열에 플리커‑노이즈 스펙트로스코피(FNS)를 적용하는 방법을 제시한다. 연속 신호 분석에 사용되는 Dirac·Heaviside 함수가 이산 데이터에서는 각각 고주파·저주파 잡음 성분으로 해석될 수 있음을 보이고, EEG 데이터(청소년 조현병 환자)를 두 가지 샘플링 주파수로 실험하여 전력 스펙트럼과 차분 모멘트가 서로 다른 정보를 제공함을 확인한다. 또한 샘플링 간격 자체를 파라미터화에 포함시켜야 함을 제안한다.

상세 분석

플리커‑노이즈 스펙트로스코피(FNS)는 신호의 불규칙성(점, 급변, 급증 등) 사이에 존재하는 상관관계를 정량화함으로써 숨겨진 물리적·생물학적 정보를 추출하는 프레임워크이다. 기존 연구는 연속적인 시간함수와 그 미분·적분을 전제로 Dirac δ‑함수와 Heaviside Θ‑함수를 도입해 고주파·저주파 잡음 성분을 구분하였다. 그러나 실제 측정에서는 신호가 일정한 샘플링 간격 Δt 로 이산화되기 때문에 이러한 연속적 수학적 도구를 그대로 적용할 수 없으며, 이산화 과정에서 발생하는 앨리어싱·양자화 오류가 분석 결과에 크게 영향을 미친다. 저자들은 Dirac δ‑함수를 “샘플링 순간에 발생하는 순간적인 고주파 변동”으로, Heaviside Θ‑함수를 “샘플링 구간 전체에 걸쳐 누적되는 저주파 변동”으로 재해석한다. 이 해석은 이산 시계열의 차분(moment)과 전력 스펙트럼을 동시에 고려할 때 서로 보완적인 정보를 제공한다는 점에서 핵심적이다.

전력 스펙트럼 S(f)는 푸리에 변환을 통해 주파수 영역에서 에너지 분포를 나타내며, 주로 고주파 잡음(플리커 노이즈, 1/f 특성)과 저주파 트렌드(스무딩된 베이스라인)를 구분한다. 반면 차분 모멘트 Φ^{(2)}(τ)=⟨