푸리에 변환 (Fourier transform)
쉽게 풀면
오케스트라가 연주하는 화음을 마이크로 녹음하면 파형은 매우 복잡하게 뒤엉켜 보입니다. 하지만 그 소리는 사실 바이올린의 높은 음, 첼로의 낮은 음 등 여러 개의 단순한 순수음(사인파)이 동시에 섞인 것입니다. 푸리에 변환은 이렇게 복잡해 보이는 신호를 "어떤 높낮이(주파수)의 순수음들이, 각각 얼마만큼 섞여 있는지"로 분해해서 보여주는 도구입니다. 시간에 따라 출렁이는 파형만 보고는 알기 어려웠던 "이 신호 안에 어떤 리듬이 숨어 있는가"를 한눈에 파악할 수 있게 해줍니다.
왜 중요한가
시간에 따라 변하는 신호를 그대로 들여다보면 규칙성을 찾기 어렵지만, 주파수 성분으로 바꾸어 보면 신호 안에 숨어 있던 패턴이 뚜렷하게 드러납니다. 이 때문에 푸리에 변환은 신경과학의 뇌파·근전도 분석, 통신공학의 신호 변조·복조, 영상처리의 압축과 필터링, 양자역학의 파동함수 해석 등 서로 매우 다른 분야에서 공통적으로 등장하는 핵심 수학 도구입니다. 어떤 데이터든 "시간(또는 공간) 영역"과 "주파수 영역"이라는 두 가지 관점으로 오갈 수 있게 해준다는 점에서, 데이터를 분석하는 가장 근본적인 변환 방법 중 하나로 다뤄집니다.
논문에서는 이렇게 쓰입니다
이 문장은 시간에 따라 오르내리는 뇌파 신호를 그대로 보는 대신, 푸리에 변환을 이용해 "이 신호에 어떤 주파수 성분이 얼마나 들어 있는지"로 바꿔서 분석했다는 뜻입니다. 이렇게 신호를 주파수 성분으로 나누어 보는 방식은 신경과학의 뇌파 분석뿐 아니라 음성·이미지 처리, 진동 분석, 통신공학 등 신호를 다루는 거의 모든 분야의 논문에서 기본적으로 사용됩니다.
이 문장은 결정에 X선을 쬐어 얻은 회절무늬(주파수 영역에 해당하는 정보)를 푸리에 변환으로 되돌려서, 실제 원자와 전자가 어떻게 배열되어 있는지(실공간 정보)를 계산해냈다는 뜻입니다.
이 문장은 이미지를 주파수 성분으로 분해한 뒤, 잡음에 해당하는 세밀하고 급격한 변화(고주파 성분)만 골라 없애서 이미지를 매끄럽게 만들었다는 뜻입니다.
조금 더 깊게 보면
실제 데이터 처리에서는 연속적인 이론적 푸리에 변환 대신, 컴퓨터로 계산 가능한 이산 푸리에 변환(DFT)과 이를 빠르게 계산하는 고속 푸리에 변환(FFT) 알고리즘이 널리 쓰입니다. 또한 신호가 시간에 따라 주파수 구성이 바뀌는 경우에는 단시간 푸리에 변환(STFT)이나 웨이블릿 변환처럼 시간 정보와 주파수 정보를 함께 담을 수 있는 확장된 기법이 사용됩니다. 이런 변환들은 모두 "신호를 다른 기저(basis) 함수들의 조합으로 표현한다"는 공통된 아이디어를 공유합니다.
주의할 점
푸리에 변환은 신호 전체에 걸친 주파수 성분을 알려줄 뿐, "그 주파수 성분이 정확히 언제 나타났는지"에 대한 시간 정보는 잘 담아내지 못합니다. 시간과 주파수 정보를 동시에 보고 싶을 때는 시간-주파수 분석 기법을 함께 사용하기도 합니다.