スペクトルリークとは、離散フーリエ変換などの周波数解析において、元の信号に含まれない周波数成分にエネルギーが漏れ出てしまう現象です。有限のデータ区間を切り取る際に生じる不連続性が原因で発生し、信号処理や時系列データを扱う機械学習の前処理で正しい周波数特性の把握を妨げる要因となります。
スペクトルリークとは
スペクトルリークを一言でいうと、有限な区間のデータを周波数解析した際に、本来存在しない周波数にエネルギーが漏れ出して解析結果が歪む現象です。
詳しく解説
データ処理において無限長の信号をそのまま扱うことはできないため、一定の長さで切り出して離散フーリエ変換を行います。この切り出し作業により、データの始点と終点に周期的な不連続が生じます。この不連続部分が広範な高周波成分として扱われてしまい、本来の単一な周波数ピークの周りにエネルギーが拡散します。AIや機械学習の分野でも、音声認識や時系列データの特徴量抽出において周波数解析を行う際、この漏れがノイズとなり予測精度を低下させるため、非常に重要な課題となります。
具体例・使われ方
例えば、特定の単一な正弦波データを周波数解析した際、本来は1つの鋭いピークのみが観察されるはずです。しかし、スペクトルリークが発生すると、そのピークの裾野が左右に広がり、周囲の周波数帯にも信号が存在するように見えてしまいます。これを防ぐために、データの端をスムーズに減衰させる窓関数を適用して漏れを抑制する処理が行われます。
似た用語との違い
エイリアシングとの違いとして、エイリアシングはサンプリング周期の不足によって高周波が低周波に化ける現象であるのに対し、スペクトルリークは切り出し区間の不連続性によってエネルギーが周囲の周波数に分散する現象です。どちらも周波数解析の誤差要因ですが、原因と発生メカニズムが異なります。
注意点
窓関数を使用することでスペクトルリークを大幅に低減できますが、引き換えに周波数分解能が低下するというトレードオフが存在します。また、リークを完全にゼロにすることは不可能なため、目的に応じた適切な窓関数の選定とデータ長の確保が必要です。