这就是傅里叶变换的经典“不确定性原理”。您可以在时间上具有高分辨率或在频率上具有高分辨率，但不能同时具有两者。窗口长度允许您在两者之间进行权衡。

如果您想以 10 毫秒的分辨率检测 EEG 信号中的“事件”，那么这应该是您的窗口长度。这将为您提供大约 100 Hz 的频率分辨率。

最佳窗口长度取决于您的应用。如果您的应用程序需要更准确的时域信息，请减小窗口的大小。如果应用程序需要更具体的频域信息，则增加窗口的大小。正如希尔玛所说，这Uncertainty Principle真的让你别无选择。您无法同时在两个域中获得完美的分辨率。您可以仅在一个域中获得完美的分辨率，而代价是另一个域（时域和频域）或中间分辨率（但在两个域中）的分辨率为零。

我不知道这是否回答了您的问题，因为您专门询问了 STFT。您可以尝试使用wavelet transforms来获取信号中的信息。Wavelet transforms通过在多个窗口分辨率下分析信号，将为您提供更大范围内的分辨率。

我不知道 EEG，但使用 STFT 时的基本（也许我应该说基本）问题是选择合适的窗口长度。如果您的 EEG 是周期性的，并且您想要解析基波和谐波，您应该使用“长”窗口。如果您想检测某个事件的开始或存在，或者您对频谱的包络更感兴趣，则可以使用“短”窗口。

我花了很多时间优化时频分析或滤波器组中的窗口。可以针对检测、去噪、信号分离对它们进行优化……这非常依赖于应用程序。由于时频分析通常是多余的，优化分析或综合窗口是不同的任务。而长度只是窗户设计中的一个参数。

这个问题甚至更加复杂，因为最优性的离散化公式比连续时域情况复杂得多（参见例如局部时频分量的最优集中 Gabor 变换）。

所以我目前的实用经验法则是：从看起来可以的窗口形状和长度开始。然后用两个长度为两倍半的窗口重复分析，并合并结果。