🌀 nonlinear sciences

Including the magnitude variability of a signal into the ordinal pattern analysis

Dieses Paper schlägt eine neuartige Methode vor, welche die traditionelle Ordinal Pattern Analyse dadurch verbessert, dass sie die verworfene Variabilität der Signalmagnitude als komplementäre Variable zur Permutationsentropie einbezieht, um dadurch die Charakterisierung dynamischer Verhaltensweisen sowohl in synthetischen Karten als auch in realen EEG-Daten für ein besseres Feature Engineering und KI-Klassifizierung zu optimieren.

Ursprüngliche Autoren: Melvyn Tyloo, Joaquín González, Nicolás Rubido

Veröffentlicht 2026-01-27

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Melvyn Tyloo, Joaquín González, Nicolás Rubido

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, jemandem ein Lied zu beschreiben, das er noch nie gehört hat.

Die alte Methode: Die „Stimmungs“-Playlist
Traditionell haben Wissenschaftler eine Methode namens Ordinale Muster verwendet, um Signale (wie Gehirnwellen oder Wetterdaten) zu analysieren. Denken Sie an das Erstellen einer Playlist, die nur auf der Reihenfolge der Lieder basiert und dabei ignoriert, wie laut oder leise sie sind.

Wenn das Lied lauter wird, schreiben Sie „Hoch“.
Wenn es leiser wird, schreiben Sie „Runter“.
Wenn es gleich bleibt, schreiben Sie „Flach“.

Diese Methode ist gut, weil sie einfach ist und Hintergrundrauschen ignoriert. Sie hat jedoch einen großen Makel: Sie wirft die Lautstärke weg. Sie wissen, dass das Lied von „leise“ zu „laut“ wurde, aber Sie wissen nicht, ob es von einem Flüstern zu einem Schrei wurde oder von einem Murmeln zu einer leichten Lautstärkenzunahme. Sie haben die „Magnitude“ oder die „Intensität“ des Signals verloren.

Die neue Idee: Den „Lautstärkeregler“ hinzufügen
Dieses Paper schlägt eine einfache, aber leistungsstarke Lösung vor: Behalten Sie die Reihenfolge bei, aber messen Sie auch die Lautstärke.

Die Autoren schlagen vor, dass wir, wenn wir diese „Hoch/Runter/Flach“-Muster betrachten, auch berechnen sollten, wie stark das Signal in diesem Moment tatsächlich variiert hat. Sie nennen dies die „Magnituden-Variabilität“.

Stellen Sie sich das so vor:

Alte Methode: „Die Temperatur ging hoch, dann runter.“ (Sie kennen die Richtung, aber nicht den Maßstab).
Neue Methode: „Die Temperatur stieg um 1 Grad, dann sank sie um 20 Grad.“ (Sie kennen sowohl die Richtung als auch die Intensität).

Wie sie es getestet haben
Die Forscher testeten diese Idee auf zwei Arten:

Mit Computersimulationen (Die „Mathematischen Landkarten“):
Sie verwendeten komplexe mathematische Formeln (genannt Logistische und Hénon-Maps), die chaotische, unvorhersehbare Zahlen erzeugen.

Das Ergebnis: Manchmal sahen zwei verschiedene chaotische Muster exakt gleich aus, wenn man nur die „Hoch/Runter“-Reihenfolge überprüfte. Aber als sie die „Lautstärke“-Prüfung hinzufügten, sahen die beiden Muster völlig unterschiedlich aus. Es war, als würde man feststellen, dass zwei Menschen in die gleiche Richtung gehen, aber einer spaziert und der andere sprintet. Die neue Methode konnte sie voneinander unterscheiden.

Mit Ratten-Gehirnwellen (Die „Schlafstudie“):
Sie zeichneten die Gehirnaktivität von Ratten in drei Zuständen auf: Wach, REM-Schlaf (Träumen) und Tiefschlaf.

Das Problem: Mit der alten „Hoch/Runter“-Methode war es sehr schwierig, den Unterschied zwischen REM-Schlaf und Tiefschlaf zu erkennen. Sie sahen sich zu ähnlich.
Die Lösung: Als sie die „Lautstärke“-Prüfung hinzufügten, wurde der Unterschied offensichtlich. Die Gehirnwellen während des REM-Schlafs hatten eine andere „Intensität“ oder Variabilität im Vergleich zum Tiefschlaf, obwohl die Abfolge der Wellen ähnlich war.

Warum das wichtig ist
Das Paper kommt zu dem Schluss, dass wir durch die Kombination von Reihenfolge (dem Muster) und Intensität (der Magnitude) ein viel klareres Bild davon bekommen, was tatsächlich geschieht.

Es hilft dabei, verschiedene Arten von Chaos zu unterscheiden, die auf den ersten Blick gleich aussehen.
Es hilft dabei, verschiedene Schlafstadien bei Ratten zu unterscheiden, die zuvor schwer zu differenzieren waren.

Die Autoren schlagen vor, dass dieser Ansatz nützlich für das „Feature Engineering“ ist, was eine schicke Art zu sagen ist: „Computern bessere Hinweise zu geben, damit sie klügere Entscheidungen treffen können.“ Wenn Sie eine KI bauen, die Muster erkennt, macht es sie zu einem viel besseren Detektiv, wenn Sie ihr sowohl die „Form“ als auch die „Größe“ der Daten geben.

Zusammenfassend
Schauen Sie nicht nur auf die Abfolge von Ereignissen; schauen Sie auch darauf, wie groß diese Ereignisse sind. Indem wir die „Lautstärke“ wieder in die Analyse einbeziehen, können wir Details sehen, die zuvor unsichtbar waren.

Technische Zusammenfassung: Einbeziehung der Amplitudenvariabilität eines Signals in die Ordinal Pattern Analyse

Problemstellung
Die Ordinal Pattern (OP) Analyse ist eine weit verbreitete Methode zur Charakterisierung von Signalen, bei der diese basierend auf der relativen Ordnung der Signalmagnituden innerhalb eingebetteter Vektoren in symbolische Sequenzen transformiert werden. Während die OP-Analyse konzeptionell klar, robust gegenüber Rauschen und effektiv für kurze Signale ist, besitzt sie eine signifikante Einschränkung: Der Kodierungsprozess verwirft die tatsächliche Amplitude des Signals zu jedem Zeitpunkt und behält nur die ordinalen Beziehungen bei. Folglich geht die Information über die Amplitudenvariabilität des Signals verloren. Die Autoren merken an, dass die Permutationsentropie (eine statistische Quantifizierung der OP-Sequenz) zwar nützlich ist, aber möglicherweise nicht ausreicht, um komplexe dynamische Systeme vollständig zu charakterisieren, insbesondere bei höherdimensionalen Systemen, in denen die Beziehung zwischen der Permutationsentropie und der Kolmogorov-Sinai-Entropie nicht so direkt ist wie bei eindimensionalen Abbildungen.

Methodik
Die Autoren schlagen einen komplementären Ansatz vor, der die Standardabweichung der Signalmagnituden innerhalb der eingebetteten Vektoren in das OP-Analyse-Framework integriert. Die Methodik umfasst die folgenden Schritte:

Signal-Kodierung: Im Anschluss an die Bandt-Pompe-Methode werden univariate Signale in eingebettete Vektoren der Dimension $D$ unterteilt. Jeder Vektor wird baserauf der Anzahl der erforderlichen Permutationen zum Sortieren seiner Elemente in ein Ordinal Pattern (OP) transformiert.
Entropieberechnung: Die Autoren berechnen die Rényi-Min-Entropie ( $H_\infty$ ) der resultierenden OP-Sequenz. Diese Metrik quantifiziert den durchschnittlichen Informationsgehalt (Unsicherheit) der symbolischen Sequenz.
Quantifizierung der Magnitudenvariabilität: Für jedes eindeutige OP-Symbol $\alpha$ berechnen die Autoren die Standardabweichung ( $\sigma_j$ ) der Signalmagnituden an der $j$ -ten Komponente aller eingebetteten Vektoren, die diesem Symbol entsprechen. Sie berechnen anschließend den wahrscheinlichkeitsgewichteten Durchschnitt des Logarithmus dieser Standardabweichungen, bezeichnet als $\langle \log_2 [\sigma_j] \rangle$ .
Kombinierte Analyse: Die Charakterisierung des Signals erfolgt durch das Plotten der Permutationsentropie ( $H_\infty$ ) gegen die durchschnittliche Magnitudenvariabilität ( $\text{avg}_j\{\langle \log_2 [\sigma_j] \rangle\}$ ).

Die Studie validiert diesen Ansatz anhand von drei unterschiedlichen Datensätzen:

Synthetische Modelle: Trajektorien aus gekoppelten identischen Logistik-Maps und der Hénon-Map, analysiert unter verschiedenen Kontrollparametern und Kopplungsstärken. Sowohl rauschfreie als auch verrauschte (weißes Gaußsches Rauschen) Bedingungen wurden getestet.
Experimentelle Daten: Intrakranielle Elektroenzephalogramm-Aufzeichnungen (EEG) von 11 frei beweglichen Wistar-Ratten, die drei Schlaf-Wach-Zustände abdecken: Aktive Wachsamkeit (AW), REM-Schlaf und NREM-Schlaf.

Wesentliche Beiträge

Integration neuartiger Metriken: Das Paper führt eine Methode ein, um die durch die Standard-OP-Kodierung verworfenen Magnitudeninformationen durch die Verwendung der Standardabweichung der Signalmagnituden als komplementäre Variable zur Permutationsentropie zurückzugewinnen.
Theoretische Begründung: Der Ansatz basiert auf der Arbeit von Politi, die nahelegt, dass der Logarithmus der Standardabweichung der Signalmagnituden zusammen mit der Informationsdimension notwendig ist, damit die Permutationsentropie zur Kolmogorov-Sinai-Entropie konvergiert.
Verbesserte Differenzierung: Die Studie zeigt, dass die Kombination von Entropie mit Magnitudenvariabilität eine robustere Charakterisierung dynamischer Verhaltensweisen ermöglicht als die Verwendung der Permutationsentropie allein.

Ergebnisse

Synthetische Maps: Bei der Analyse gekoppelter Logistik- und Hénon-Maps beobachteten die Autoren, dass distinkte dynamische Regime oft ähnliche Permutationsentropiewerte ( $H_\infty$ ) lieferten, aber drastisch unterschiedliche Magnitudenvariabilitätswerte aufwiesen. Beispielsweise erzeugten unterschiedliche Kontrollparameter ( $r$ ) in gekoppelten Logistik-Maps ähnliche $H_\infty$ -Werte (z. B. ~1,92 vs. 1,95 Bits), aber Magnitudenvariabilitätswerte, die sich um eine Größenordnung unterschieden. Umgekehrt zeigten einige Regime signifikante Entropieunterschiede bei ähnlicher Variabilität. Der kombinierte 2D-Plot von $H_\infty$ gegen die Variabilität ermöglichte eine klarere Trennung dieser Regime als jeder einzelne Metrikwert allein.
Rauschrobustheit: Die Magnitudenvariabilitätsmetrik folgte einem Potenzgesetz als Funktion der Einbettungsdimension und der Rauschstärke, was die Unterscheidung zwischen chaotischen und stochastischen Signalen selbst unter erheblicher Beobachtungsrauschen erleichterte.
EEG-Analyse: Bei der Anwendung auf Ratten-EEG-Daten konnte die Permutationsentropie ( $H_\infty$ ) die aktive Wachsamkeit (höchste Entropie) erfolgreich von den Schlafzuständen unterscheiden. Sie versagte jedoch dabei, signifikante Unterschiede zwischen REM- und NREM-Schlaf festzustellen, da deren Entropiewerte ähnlich waren. Im Gegensatz dazu zeigte die Magnitudenvariabilitätsmetrik einen Unterschied von etwa einer Größenordnung zwischen REM- und NREM-Zuständen über die meisten Elektroden hinweg. Dies deckt sich mit den physiologischen Merkmalen dieser Zustände (niederfrequente, schnelle Wellen im REM vs. hochfrequente, langsame Wellen im NREM). Die simultane Verwendung beider Metriken ermöglichte die klare Differenzierung aller drei Schlaf-Wach-Zustände.

Bedeutung und Ansprüche
Das Paper behauptet, dass die Einbeziehung der Signalmagnitudenvariabilität in die Ordinal Pattern Analyse die Charakterisierung dynamischer Verhaltensweisen sowohl in synthetischen als auch in experimentellen Zeitreihen verbessert. Die Autoren behaupten, dass dieser Ansatz besonders nützlich ist für:

Feature Engineering: Bereitstellung komplementärer Signalmerkmale, welche die Genauigkeit von KI-Klassifikatoren und Algorithmen des maschinellen Lernens verbessern können.
Zustandsklassifizierung: Verbesserung der Fähigkeit, komplexe physiologische Zustände (wie Schlafstadien) zu unterscheiden, in denen traditionelle Entropiemaße unzureichend sein können.
Robustheit: Angebot einer Methode, die unter Beobachtungsrauschen und variierenden Einbettungsdimensionen effektiv bleibt.

Die Autoren bleiben bescheiden hinsichtlich des Umfangs und merken an, dass ihre Schlussfolgerungen auf spezifischen synthetischen Maps und einem spezifischen Satz von Ratten-EEG-Aufzeichnungen basieren. Sie schlagen vor, dass zukünftige Anwendungen, die kurze Signale beinhalten, durch die Verwendung der Interquartilsdistanz hinsichtlich der Robustheit gegenüber Ausreißern profitieren könnten. Zudem schlagen sie vor, dass eine Erweiterung der Analyse auf einen dreidimensionalen Raum unter Einbeziehung eines Komplexitätsmaßes (z. B. Jensen-Shannon-Komplexität) die Charakterisierung nicht-chaotischer dynamischer Regime weiter verbessern könnte.

Mehr davon