노이즈 캔슬링 이어폰이 어떻게 주변 소음만 골라서 없애는지 궁금했던 적 있으신가요. 아니면 이퀄라이저에서 저음이나 고음만 조절할 수 있는 이유가 뭔지요. 둘 다 푸리에 변환으로 설명됩니다. 복잡한 소리 파동을 주파수 성분으로 분해하고, 원하는 것만 골라내는 겁니다.
푸리에 변환은 "아무리 복잡한 파동도 단순한 사인, 코사인 함수들의 합으로 표현할 수 있다"는 아이디어에서 출발합니다. 18세기 수학자 푸리에가 제안한 이 개념이 지금 스마트폰, 음악 스트리밍, 의료 영상까지 전부 들어가 있습니다. 어떻게 작동하는지 따라가 보겠습니다.
시간 영역과 주파수 영역의 차이
소리를 녹음하면 파형이 보입니다. 가로축이 시간, 세로축이 진폭인 그래프입니다. 이게 시간 영역입니다. 복잡한 소리는 파형이 불규칙하게 요동치는데, 이걸 보고 어떤 주파수가 섞여있는지 파악하기는 어렵습니다.
푸리에 변환은 이 신호를 주파수 영역으로 바꿉니다. 가로축이 주파수, 세로축이 각 주파수의 세기인 그래프입니다. 복잡하게 얽혀있던 파형이 몇 개의 막대그래프로 단순해집니다. 오케스트라 합주를 듣고 어느 악기가 몇 Hz 음을 내는지 악보로 그려내는 것과 비슷합니다. 같은 신호를 다른 관점으로 보는 겁니다.
푸리에 변환이란 무엇인가
푸리에의 핵심 아이디어는 주기적인 신호를 사인과 코사인 함수의 합으로 나타낼 수 있다는 겁니다. 단순한 사인파 여러 개를 겹치면 복잡한 파형을 만들 수 있고, 반대로 복잡한 파형을 단순한 사인파들로 분해할 수 있습니다.
수식으로 쓰면 이렇습니다.
f(t)는 시간 영역의 신호, F(ω)는 주파수 영역의 신호입니다. e^(-iωt)는 오일러 공식으로 사인과 코사인이 결합된 복소 함수인데, 특정 주파수 ω가 원래 신호에 얼마나 포함되어 있는지 검출하는 역할을 합니다. 적분을 돌리면 각 주파수별 세기가 나옵니다.
반대 방향도 가능합니다. 역푸리에 변환(IFFT)으로 주파수 영역에서 다시 시간 영역으로 돌아올 수 있습니다. 이 양방향 변환이 가능하다는 게 신호 처리에서 매우 중요합니다.
DFT와 FFT: 속도 차이가 나는 이유
컴퓨터는 연속적인 적분을 직접 계산할 수 없습니다. 그래서 실제로는 이산 푸리에 변환(DFT)을 씁니다. 신호를 일정 간격으로 샘플링한 N개의 데이터 포인트로 계산합니다.
DFT의 문제는 연산량이 N²에 비례한다는 겁니다. 데이터가 1000개면 백만 번 계산해야 합니다. 실시간 처리가 불가능한 수준이에요. 이걸 해결한 게 고속 푸리에 변환(FFT)입니다. 쿨리-튜키 알고리즘을 이용해서 연산량을 N log N으로 줄였습니다.
FFT 연산량 직접 비교해보기
실제 숫자로 차이를 확인해 보겠습니다.
| 데이터 수 N | DFT 연산량 (N²) | FFT 연산량 (N log₂N) | 속도 차이 |
|---|---|---|---|
| 64 | 4,096 | 384 | 약 10배 |
| 1,024 | 1,048,576 | 10,240 | 약 100배 |
| 16,384 | 268,435,456 | 229,376 | 약 1,170배 |
| 1,048,576 | 약 1조 | 약 2천만 | 약 5만배 |
데이터가 많아질수록 차이가 기하급수적으로 벌어집니다. 실시간 음성 인식이나 영상 처리가 가능한 이유가 FFT 덕분입니다. 수학적으로 동일한 결과를 내면서 계산 방식만 바꿔서 수만 배 빠르게 만든 겁니다.
나이퀴스트 정리: 아날로그를 디지털로 바꾸는 조건
아날로그 신호를 디지털로 변환할 때 얼마나 촘촘하게 샘플링해야 할까요. 나이퀴스트 정리에 따르면 원래 신호의 최대 주파수보다 최소 2배 이상 빠르게 샘플링해야 합니다.
CD 음질의 샘플링 레이트가 44.1kHz인 이유가 여기에 있습니다. 사람이 들을 수 있는 최대 주파수가 약 20kHz인데, 이것의 2배인 40kHz보다 높은 44.1kHz로 샘플링하는 겁니다. 이 조건을 지키지 않으면 에일리어싱(Aliasing)이 발생합니다. 원래 없던 주파수가 생겨서 소리가 왜곡됩니다. 디지털 음원의 음질이 이 수학적 경계선에서 결정됩니다.
필터링: 원하는 주파수만 골라내기
주파수 영역으로 분해하고 나면 특정 주파수 제거가 쉬워집니다. 원하지 않는 주파수 성분을 0으로 만들고 역푸리에 변환으로 돌아오면 됩니다. 이게 필터링입니다.
| 필터 종류 | 작동 방식 | 실생활 예시 |
|---|---|---|
| 저역 통과 (LPF) | 고주파 차단, 저주파만 통과 | 이미지 블러, 오디오 베이스 강조 |
| 고역 통과 (HPF) | 저주파 차단, 고주파만 통과 | 이미지 샤프닝, 고음 강조 |
| 대역 통과 (BPF) | 특정 범위만 통과 | 라디오 채널 선택, 통신 신호 추출 |
| 대역 차단 (BSF) | 특정 범위만 제거 | 전원 노이즈 제거, 기계 소음 차단 |
노이즈 캔슬링 이어폰은 마이크로 주변 소음을 수집하고 푸리에 변환으로 주파수를 분석한 뒤 그 주파수를 역위상으로 만들어서 상쇄합니다. 원하지 않는 주파수를 정확히 찾아서 없애는 겁니다.
푸리에 변환이 쓰이는 곳들
푸리에 변환은 생각보다 훨씬 많은 곳에 들어가 있습니다. MRI는 자기 공명 신호를 푸리에 변환해서 체내 단면 이미지를 만들어냅니다. JPEG 이미지 압축도 이미지를 주파수 성분으로 분해한 뒤 중요도가 낮은 고주파 성분을 버리는 방식입니다. 5G 통신의 OFDM 방식도 여러 주파수를 동시에 써서 데이터를 전송하는데 FFT가 핵심입니다.
머신러닝에서도 시계열 데이터나 오디오 데이터를 다룰 때 푸리에 변환으로 주파수 특성을 추출해서 피처로 씁니다. 음성 인식 모델이 말소리를 분석할 때 시간 영역의 파형보다 주파수 영역의 스펙트로그램을 입력으로 쓰는 경우가 많습니다.
소음 속에서 원하는 신호를 뽑아낸다는 개념은 데이터 분석에서도 그대로 적용됩니다. 노이즈가 섞인 데이터에서 패턴을 찾는 것, 불필요한 변수를 걸러내는 것 모두 주파수 영역에서 원하는 성분만 남기는 필터링과 같은 구조입니다.
'데이터 과학 수학' 카테고리의 다른 글
| 마음을 읽는 행렬, 협업 필터링(Collaborative Filtering)과 유사도의 수학 (0) | 2026.04.21 |
|---|---|
| 혼돈 속의 이정표, 블랙-숄즈 모델(Black-Scholes)과 금융 수학의 본질 (0) | 2026.04.20 |
| 0과 1 사이의 무한한 가능성, 양자 컴퓨팅을 지탱하는 선형대수학 (0) | 2026.04.18 |
| 알파고는 어떻게 바둑을 배웠는가, 강화학습(Reinforcement Learning)과 MDP의 수학 (0) | 2026.04.17 |
| 넷플릭스는 왜 익명화에 실패했는가, 차분 프라이버시(Differential Privacy)로 개인정보 보호하는 법 (0) | 2026.04.16 |
