1 周期推定の概要
1.1 定義と目的
1.1.1 周期・周波数・位相の関係
周期推定では、時間関数に現れる繰り返し構造を表す量を対応づけて扱う。最も基本的には、周期 \(T\) と周波数 \(f\) は \(f=1/T\) の関係にある。加えて、同じ周期であっても位相が異なれば波形の開始位置がずれるため、位相推定は波形整合や再構成の精度に直結する。位相は角度として表すことが多く、離散時系列では「サンプル番号に対する進み具合」として推定対象になる。
1.1.2 推定したい量（周期／周波数／位相／変動量）
目的に応じて推定対象は複数形をとる。周期または周波数そのものを推定する場合、単一の支配周波数や複数成分の同定を行う。一方、位相を求める目的は、同期・合成・予測にある。さらに周期が時間とともに伸縮する場合には、周期の変動量（時間変化率や局所周期）を推定する。変動を扱う際は、成分が単に揺らぐのか、構造が切り替わるのかを区別する設計が重要になる。
1.2 適用分野と代表例
1.2.1 工学・物理（振動、回転、共振）
工学分野では、振動信号から回転数や共振モードの周期性を取り出すことが多い。例えば回転機械では、軸回転由来の基本成分に加えて、歯車噛み合いやアンバランスによる高調波が現れる。共振では、特定周波数帯域でエネルギーが増えるため、周期推定は保全や故障診断の特徴量として利用される。加えて、振動の位相は原因源の位置推定やアクチュエータ同期にも関係する。
1.2.2 生体・計測（脈拍、呼吸、センサ信号）
生体信号では、脈拍や呼吸に対応する周期性が観測される。ただし生体は非定常で、活動状態や体動により周期が滑らかに変化したり不連続に変わったりする。センサの取り付け揺れや個人差によって振幅やノイズ特性も変わるため、周期推定にはロバストな前処理と統計的評価が求められる。推定結果は健康指標抽出、アラート、個別補正などに用いられる。
1.2.3 社会データ（アクセス、季節性、行動周期）
社会データでは、人の行動やサービス利用が繰り返すパターンを示すことがある。アクセスログでは日次や週次の周期性、購買や閲覧では季節性が現れる場合がある。これらは物理振動と異なり、介入や外的イベントで位相がずれることが多い。そのため「周期がある」という仮定の検証や、複数スケールの同時推定、欠損や集計粒度の影響への注意が必要になる。
1.3 前提条件とデータ要件
1.3.1 サンプリング間隔と観測時間
推定の成否は観測設計に大きく依存する。サンプリング間隔は最高周波数の取り扱いを制限し、観測時間は周波数分解能や周期推定の安定性に影響する。短い記録では推定の分散が大きくなり、長い記録でも非定常性が強い場合には平均化の弊害が出る。目的の周期帯域に対して、サンプリングと記録長が適切かを事前に確認することが実務上の要点となる。
1.3.2 欠損・外れ値・非定常性の扱い
欠損はギャップとして周期推定に干渉する。補間やマスキング、モデル化（欠損を確率的に扱う）などの方針が必要である。外れ値は位相整合やピーク検出を誤らせ、特に自己相関や位相差に基づく手法では影響が増幅されることがある。非定常性は、周期が時間で変わるという意味だけでなく、振幅が変動したり、成分構成が変わったりすることも含む。したがって「固定周期の推定」と「局所周期の推定」を区別し、手法選択と評価設計を合わせる必要がある。
2 周期推定の基本的な考え方
2.1 周波数解析に基づく推定
2.1.1 スペクトルの読み取り
周期を周波数として読み替えると、観測信号のスペクトルに鋭いピークとして現れることが多い。単一のサイン波なら理想的には線スペクトルになるが、有限長観測や窓設定により広がり（スペクトル・リーケージ）が生じる。スペクトルの形状をどう解釈するかが推定の品質を左右し、ピーク位置だけでなく周辺の広がりや複数ピークの重なりも考慮する必要がある。
2.1.1.1 周波数分解能と観測窓
周波数分解能は観測長に概ね反比例し、離散化では周波数グリッドの間隔が有限になる。さらに窓関数は、時間領域での裾の切り方を変えてスペクトル分布を変える。矩形窓は分解能を得やすい一方でリーケージを増やしやすく、裾の落ちが良い窓はリーケージを抑えるがピーク幅が広がる。したがって目的と許容可能な誤差に応じて窓を選び、分解能とリーケージのトレードオフを明確化することが重要になる。
2.1.2 ピーク検出と周期への変換
ピーク検出では、スペクトル上で最もエネルギーが大きい周波数（または局所最大）を抽出し、それを周期に変換する。複数周期が存在する場合は、ピークの階層構造（基本成分と高調波、サイドバンド）を区別する必要がある。サンプル数が少ないとピークが不安定になり、同一周波数帯の複数候補が似たエネルギーを持つことがある。そのため補間による周波数推定の微細化や、ピーク周辺のモデル当てはめが有効になることが多い。
2.2 時間領域に基づく推定
2.2.1 自己相関と遅延の解釈
自己相関は信号が遅延した自分とどの程度似ているかを測る指標であり、周期がある場合は特定の遅延で大きな値をとることがある。ピーク間隔を周期として読み取れる場合が多いが、ノイズや非周期成分の影響でピークが鈍ることもある。さらに自己相関は振幅の影響を受けるため、正規化により相関の比較可能性を高める設計がよく行われる。
2.2.2 位相整合と周期整合度
位相整合は、候補周期で信号を位相方向に揃えたときの一致度として定義できる。例えば候補周期に基づき信号を折りたたむ（位相折り返し）ことで、折りたたみ後の平均や分散から整合度を評価する方法がある。整合度が最大になる周期を選ぶことで推定する。位相整合はピークの位置決めだけでなく位相の取り扱いにも関係するため、同期目的のアプリケーションで選好されることがある。
2.3 予備処理の重要性
2.3.1 トレンド除去・平均との差し
時系列にゆっくり変化する成分があると、スペクトル上で低周波側にエネルギーが偏り、周期推定に影響する。平均との差しや高域化、差分によるトレンド抑制などが一般的である。ただし過度な前処理は本来の周期成分まで削ってしまうため、目的の周期帯域より十分に低い成分に対して適用範囲を意識する必要がある。
2.3.2 フィルタリングと帯域選択
推定したい周期が特定帯域に限られる場合、帯域制限により計算量と誤推定を抑えられる。例えば回転系では関心の周波数近傍のみを抽出する設計が可能である。フィルタは位相遅れを生み得るため、非線形位相や群遅延の扱いには注意が必要である。位相まで推定する場合は、位相歪みを抑える設計や後処理が重要になる。
2.3.3 正規化とスケール問題
入力のスケールが変わると、自己相関や距離尺度、学習ベース推定の挙動が変化する。正規化は振幅の基準を揃え、ノイズの影響を比較しやすくする。分散の均一化、標準化、あるいはエネルギーで割る方式などが用いられる。どの正規化を採用したかは、推定値の解釈（振幅の物理性を保持するか、相対的整合に寄せるか）に影響する。
3 主な推定手法
3.1 周波数領域の手法
3.1.1 離散フーリエ変換（DFT）と高速フーリエ変換（FFT）
DFTは有限長系列を周波数成分の和として表現する基礎であり、実装上はFFTが計算効率を大きく改善する。候補周期の推定では、FFT出力のピーク位置を周波数に対応づけるのが基本形である。計算上の選択は、窓長、ゼロ埋め、補間精度に影響し、実務では「ピークをどれだけ安定に決めるか」が焦点になる。
3.1.2 パワースペクトル密度（PSD）推定
PSD推定は、周波数ごとのパワー分布を確率的に見積もる考え方である。単発のFFTから得る値はばらつきが大きいため、平均化（区間分割やウェルチ法など）により推定の分散を下げる。PSDはノイズ床も含むため、有意性評価と組み合わせやすい。ピークの検出や帯域積分を通じて、周期成分の強度を安定に比較できる。
3.1.3 ウィンドウ関数とリーケージ対策
リーケージは観測長が信号の周期と整合しないときに顕在化し、周波数ピークが広がって誤差を生む。ウィンドウ関数はこの広がりの形を制御する。狭いピークが必要なら補間や長い観測が効くが、短時間の実装では窓選択が決定的になる。目的が周波数精度なのか、検出の頑健性なのかで推奨窓は変わる。
3.1.4 ウェーブレット解析（時間局在性）
ウェーブレット解析は、周波数の情報を一定の時間スケールで局所化して扱う。周期が時間とともに変化する場合、固定窓のFFTよりも適応しやすい。スケールに応じて時間・周波数分解能のバランスが変わり、短い現象には時間精度が、高い周波数分解にはスケール選択が重要となる。結果は時間周波数マップとして表示され、局所ピークの追跡によって局所周期の推定へつながる。
3.2 時間領域の手法
3.2.1 自己相関ベース法
自己相関ベース法では、遅延方向の相関ピークから周期を推定する。代表例として、最大相関が現れる遅延や、複数ピークから一貫した間隔を選ぶ方法がある。ノイズに弱い場合は正規化や前処理を組み合わせる。欠損があると自己相関の計算が歪むため、マスキングや重み付き相関が使われることもある。
3.2.2 位相差・ゼロクロスに基づく方法
ゼロクロスに基づく方法は、波形が基準レベルを横切る回数や間隔から周期を推定する。位相差に基づく方法は、候補周期ごとに位相整合度を測り一致度が高い候補を選ぶ。これらは計算が軽い一方で、波形の歪みや振幅変動、ノイズによる誤検出の影響を受けやすい。ノイズ環境では平滑化や閾値設計が結果の安定性を左右する。
3.2.3 遅延追跡と最適アラインメント
遅延追跡では、信号の類似性が最大となる遅延を時間ごとに更新し、局所的な位相関係を推定する。最適アラインメントは、候補周期に基づく折りたたみやシフト最適化を行い、一致度を最大化する。探索範囲の設計が精度と計算量を決めるため、初期推定（粗い周波数推定）と組み合わせる実装が多い。結果として、位相の滑らかな追跡や周期の連続変化を扱いやすくなる。
3.3 モデル化に基づく推定
3.3.1 サイン波・和のモデル（スペクトル線形モデル）
観測信号をサイン波やその和として近似し、未知パラメータ（振幅、位相、周波数）を推定する。周波数が既知なら線形最小二乗で振幅と位相を推定でき、周波数も未知なら非線形最小二乗や探索が必要になる。モデル化の利点は解釈性が高い点にあるが、現実の波形が非正弦であったり非定常性が強いと適合度が落ちる。複数成分の場合は相互干渉や高調波の識別が課題となる。
3.3.2 状態空間モデルとトラッキング
状態空間モデルでは、潜在状態として周期や位相を時間発展に従う変数として扱い、観測からそれらを推定する。周期の緩やかな変化は状態遷移の設計で表現でき、フィルタリング（カルマン系）や粒子フィルタなどが利用される。利点は欠損やノイズの取り扱いを枠組みとして組み込める点である。一方で、モデル仮定（変化の滑らかさ、ノイズ構造）が合わないと誤推定が増える。
3.3.3 ベイズ推定と事後分布の利用
ベイズ推定では、周期や位相を確率変数として事後分布に基づいて推定する。尤度と事前分布の組を設計することで、ノイズが強い場合や複数候補が混在する場合に頑健性を高められる。点推定に加えて不確実性（分散や信頼区間）を自然に得られる点も利点である。計算負荷は大きくなり得るため、近似（サンプリング、変分推論など）を併用することが多い。
3.4 学習ベースの推定
3.4.1 周期ラベル分類（教師あり）
周期ラベル分類では、候補周期の離散集合に対して分類を行う。教師あり学習により、ノイズや波形の癖をデータから吸収できる場合がある。欠点は、ラベル設計とデータ収集の手間、未知の周期に対する一般化能力である。周期が連続量である場合は回帰へ拡張するか、ラベル解像度の設計が必要になる。
3.4.2 回帰モデル（周期の直接推定）
回帰モデルは連続値として周期または周波数を出力する。入力特徴にはスペクトル特徴、時系列埋め込み、自己相関由来の統計量などが使われる。学習により推定関数を獲得するが、学習データの分布外では性能が落ちやすい。したがって、前処理の一貫性や学習時のノイズ模擬、評価の設計が重要となる。
3.4.3 注意機構などによる周期性の抽出
注意機構は、時系列のどの時点やどの特徴が周期性に寄与するかを重み付けして扱う。周期が局所的に現れる場合や、ノイズに紛れた成分を拾いたい場合に有効になり得る。注意の解釈可能性や学習の安定性は課題であるが、長さの異なる入力に対する表現の工夫として注目されている。実装では計算資源とデータ量のバランスが重要になる。
4 推定精度と信頼性の評価
4.1 エイリアシングと折り返し
4.1.1 ナイキスト条件
エイリアシングはサンプリング周波数が高周波成分に対して不足すると、折り返した周波数として観測される現象である。ナイキスト条件は、最高周波数の少なくとも2倍以上のサンプリング周波数が必要であることを示す。周期推定では、エイリアスが周期推定値を別の周期へ置き換えるため、事前の帯域制限（アンチエイリアシング）やサンプリング設計が根本的な対策となる。
4.1.2 帯域制限とリサンプリング
実務では、既存データのリサンプリングや取得系の制約によりサンプリング条件が変わることがある。リサンプリング時には、適切なローパスフィルタリングで折り返しを抑える必要がある。帯域制限は推定対象の周波数を守る一方、不要成分を除くことで推定の安定性も高める。フィルタの設計次第で位相や振幅が変わるため、周期推定の目的（位相も必要か、周期だけでよいか）を踏まえた選択が求められる。
4.2 有意性の検定・統計指標
4.2.1 ノイズ仮定下の検定（ピークの有意性）
ピーク検出は、観測が偶然の揺らぎで起こる可能性と区別する必要がある。ノイズ仮定（例えばガウス性やスペクトル的性質）に基づいて、ピークの有意性を評価する検定枠組みが用いられる。PSDが推定されている場合は、ノイズ床に対する超過分を基に判断する。仮定が外れていると誤検出率や見逃し率が変わるため、ノイズ特性の点検が欠かせない。
4.2.2 信頼区間と推定分散
推定には不確実性があるため、点値だけでなく信頼区間や分散の評価が望ましい。観測長が短いほど分散は増えやすく、成分が複雑に重なるほど誤差が増える。頻度領域の推定ではピーク推定法に依存して誤差分布が変わる。時間領域やモデル化推定では、尤度や事後分布から信頼区間を導くことで情報を活用できる。
4.2.3 シミュレーションによる検証
理論仮定が成り立ちにくい場合、合成データによる検証が有効である。既知の周期成分と現実的なノイズ、欠損、非定常性を組み込み、推定手法がどれだけ正しく回収するかを確認する。モンテカルロ試験により推定分散やバイアスが推定でき、比較実験の根拠にもなる。特に複数周期や時間変化があるときは、現実条件に合わせたシミュレーション設計が結果を左右する。
4.3 ロバスト性（欠損・非定常・外れ値）
4.3.1 欠損補間とマスキング
欠損があると、スペクトル推定や相関計算が歪む。単純な補間は連続性を作るが、周期成分の位相関係を変える危険がある。マスキングは欠損点を無視し、重み付きで評価することで歪みを抑える方針を取れる。状態空間モデルやベイズ枠組みでは、欠損を確率的に扱うため比較的整合的に推定できることが多い。
4.3.2 外れ値の影響と頑健推定
外れ値は平均や分散、ピーク検出の基準を揺らす。頑健推定では、損失関数をロバスト化する、外れ値検知の前処理を行う、あるいは統計量として中央値系を用いるなどの工夫がある。相関ベース法でも、相関計算における重みや正規化を工夫することで悪影響を減らせる。どの程度まで外れ値が許容されるかは実データの観測条件に依存する。
4.3.3 周期の時間変化への対応
周期が変化する場合、固定周期モデルで推定すると平均化による誤差が増える。対応として、局所窓での推定、時間周波数解析、状態空間モデル、オンライン更新などがある。変化が滑らかなら追跡モデルが適し、急激な切り替えがある場合は検出と再推定の枠組みが有効になる。評価では、どの時間スケールで誤差を許容するかを明確に定義することが重要となる。
4.4 ベンチマークと評価設計
4.4.1 合成信号での検証設計
合成信号ベンチマークでは、周期、振幅、位相、ノイズの強さ、欠損率、非定常性の形を系統的に変える。複数成分があるときは、周波数差や高調波関係を調整し、分離可能性を評価できるようにする。さらに時間変化のパターン（徐々に変化、段階変化、ランダム揺らぎ）を用意することで、手法の適合範囲を可視化できる。設計が不適切だと性能比較が意味を失うため、目的に対応したパラメータ設計が重要になる。
4.4.2 実データでの評価指標（誤差、再現率）
実データでは「真値」が得にくいため、基準の作り方が課題になる。比較では推定誤差（周期差、周波数差）、検出の成功率（再現率）、誤検出率などを指標として扱う。位相推定まで行うなら位相誤差も加える。加えて、手法の安定性を評価するために、異なるデータ区間での結果ばらつきを測ることが多い。評価指標は目的（探索か同期か）に合わせて定義する必要がある。
4.4.3 比較実験の落とし穴（前処理依存）
性能比較は前処理に強く依存し得る。窓長、正規化の方式、フィルタ帯域、欠損処理の方針が変わると、手法固有の良し悪しではなく手順差が結果を支配することがある。公平性のためには、前処理を固定するか、各手法が同等に最適化されるよう設計する必要がある。さらに同じハイパーパラメータ調整回数や探索範囲を揃えることも重要である。