⚡ electrical engineering

Sample entropy for graph signals: An approach to nonlinear analysis of graph signals

Este artículo presenta SampEn $_{G}$ , una generalización de la entropía de muestra para señales en grafos que cuantifica su irregularidad mediante una incrustación basada en múltiples saltos y promedios de vecindarios, validando su sensibilidad no lineal y su aplicabilidad a redes de gran escala.

Autores originales: Mei-San Maggie Lei, John Stewart Fabila Carrasco, Javier Escudero

Publicado 2026-04-23

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Mei-San Maggie Lei, John Stewart Fabila Carrasco, Javier Escudero

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Hola! Imagina que tienes un mapa gigante de una ciudad llena de calles y cruces. En cada esquina de esta ciudad hay un sensor que mide algo, como el nivel de ruido, la temperatura o el tráfico. Todos estos sensores están conectados entre sí, formando una red compleja.

El problema es: ¿Cómo sabemos si el patrón de ruido o tráfico en esta ciudad es caótico (impredecible) o ordenado (predecible)?

Los científicos tradicionales usaban una herramienta llamada "Entropía Muestra" (SampEn) para analizar el tiempo, como si fuera una sola línea de datos (por ejemplo, el ritmo cardíaco de una persona). Pero esa herramienta no funcionaba bien para redes complejas como nuestra ciudad, porque no entendía cómo se conectan las esquinas entre sí.

Aquí es donde entra el trabajo de Mei-San Maggie Lei y sus colegas. Han creado una nueva herramienta llamada SampEnG.

🌟 La Analogía: El Detective de Vecindarios

Imagina que SampEnG es un detective que quiere entender el "caos" o el "orden" en nuestra ciudad.

El Viejo Método (SampEn clásico):
El detective antiguo solo miraba una fila de casas una tras otra. Si la casa 1 era ruidosa, miraba la casa 2, luego la 3, y así sucesivamente. Era como leer una historia línea por línea.
El Nuevo Método (SampEnG):
El nuevo detective (SampEnG) es mucho más inteligente. No solo mira a la casa de al lado. Él salta por la red de calles:
- Mira a sus vecinos directos (1 salto).
- Mira a los vecinos de sus vecinos (2 saltos).
- Mira a los vecinos de los vecinos de sus vecinos (3 saltos).
Para cada esquina, el detective recopila un "promedio" de lo que pasa en todo ese radio de acción. Luego, compara estos "bocetos" de vecindarios entre diferentes partes de la ciudad.

🔍 ¿Qué nos dice este detective?

El detective busca patrones repetitivos.

Si la ciudad es muy ordenada (baja entropía): El detective verá que muchos vecindarios se parecen mucho entre sí. "¡Oh! El vecindario A es casi idéntico al vecindario B". Esto significa que la ciudad es predecible y aburrida.
Si la ciudad es caótica (alta entropía): El detective verá que cada vecindario es único y diferente. "¡Vaya! El vecindario A no se parece en nada al vecindario B". Esto significa que la ciudad es compleja, impredecible y llena de sorpresas.

🧪 ¿Lo probaron?

Los científicos hicieron dos pruebas importantes para ver si su nuevo detective funcionaba:

La Prueba del "Mapa de Carretera" (Gráficos dirigidos):
Poner a su detective en una línea recta de casas (como una carretera). ¡Funcionó perfecto! El nuevo detective dio exactamente los mismos resultados que el viejo detective clásico. Esto significa que su nueva herramienta es una versión mejorada que incluye al viejo método.
La Prueba del "Caos Matemático" (Mapa Logístico):
Usaron un modelo matemático famoso que puede ser ordenado o caótico dependiendo de un botón que giran. El detective SampEnG fue capaz de detectar exactamente cuándo el sistema cambiaba de ordenado a caótico, igual que lo hacía el método antiguo, pero ahora aplicado a redes.
La Prueba de la "Ciudad Aleatoria" (Gráficos Erdős-Rényi):
Crearon ciudades donde las conexiones entre casas eran aleatorias.
- Ciudad con pocas calles (poca conexión): El detective encontró mucha irregularidad (caos).
- Ciudad con muchas calles (mucha conexión): El detective encontró que todo se parecía demasiado (orden). Cuando hay demasiadas conexiones, los vecindarios se mezclan tanto que todo se vuelve igual, y el "caos" desaparece.

🚀 ¿Por qué es importante esto?

Imagina que quieres analizar:

El tráfico en una ciudad inteligente.
La actividad de neuronas en un cerebro (que es una red gigante).
El flujo de información en redes sociales.

Antes, era difícil medir cuán "caótico" o "complejo" era el comportamiento de toda la red. Con SampEnG, ahora podemos medir la irregularidad de estas redes de forma rápida y precisa, incluso si la red tiene miles de nodos.

En resumen: Han creado una "lupa" matemática que no solo mira una línea de datos, sino que entiende la geografía de las conexiones. Esto nos ayuda a entender mejor cómo funcionan las redes complejas en la vida real, desde el cerebro humano hasta las redes de internet.

A continuación presento un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Entropía de Muestra para Señales en Grafos: Un enfoque para el análisis no lineal de señales de grafos

1. Planteamiento del Problema

El procesamiento de señales en grafos (GSP) ha visto el desarrollo de métodos de entropía basados en dinámicas simbólicas, como la Entropía de Permutación, Entropía de Dispersión y Entropía de Burbuja. Sin embargo, estos métodos presentan una limitación fundamental: requieren la discretización de las señales para calcular la entropía de Shannon, lo que los restringe a dinámicas simbólicas.

Por otro lado, la Entropía de Muestra (SampEn) clásica es una herramienta poderosa para medir la irregularidad y complejidad de series temporales en un espacio de estado continuo, estimando la probabilidad de recurrencia condicional sin necesidad de discretizar los datos. El problema abordado por los autores es la falta de una generalización de la SampEn que funcione directamente sobre señales definidas en grafos manteniendo la naturaleza continua del espacio de estados, permitiendo así extender el análisis no lineal a datos de red complejos.

2. Metodología: SampEnG

Los autores proponen SampEnG, una generalización de la SampEn para señales en grafos. La metodología sustituye el concepto de "retraso temporal" (temporal delay) utilizado en series 1D por un concepto de "salto en el grafo" (graph hop).

Incrustación Multisalto (Multi-hop Embedding):
En lugar de concatenar observaciones temporales consecutivas, para cada nodo $i$ se construyen patrones vectoriales basados en promedios ponderados de vecindades locales a diferentes distancias de salto ( $L$ ).
- Se utiliza el operador de desplazamiento del grafo (generalmente la matriz de adyacencia $A$ o la matriz de adyacencia ponderada $W$ ).
- Las potencias de la matriz ( $A^L$ o $W^L$ ) representan el número total de caminatas de longitud $L$ entre nodos.
- El valor del patrón en el salto $L$ para un nodo $i$ , denotado como $x_i^L$ , se calcula como un promedio ponderado por caminata de los valores de los nodos en la vecindad de $L$ saltos:
  $x_i^L = \frac{1}{\text{deg}_L(i)} \sum_{j \in N_L(i)} (W^L)_{ij} x_j$
  donde $\text{deg}_L(i)$ es el grado de $L$ -salto (suma de la fila $i$ de $W^L$ ).
Construcción de Patrones:
Para un nodo $i$ , se construyen vectores de dimensión $m$ y $m+1$ :
$x^m(i) = [x_i^0, x_i^1, \dots, x_i^{m-1}]$
$x^{m+1}(i) = [x_i^0, x_i^1, \dots, x_i^m]$
Donde $x_i^0$ es el valor original de la señal en el nodo. Se restringe el análisis a nodos que tienen conectividad hasta $m$ saltos para evitar patrones no definidos en grafos dispersos.
Cálculo de la Entropía:
Se sigue la lógica clásica de SampEn utilizando la distancia de Chebyshev para medir la similitud entre patrones con un umbral de tolerancia $\epsilon = r \times \text{SD}$ (desviación estándar).
1. Se cuenta la frecuencia de coincidencias de patrones de longitud $m$ ( $B_m$ ) y $m+1$ ( $A_m$ ) dentro del umbral $\epsilon$ .
2. La SampEnG se calcula como:
  $\text{SampEnG}(m, r, N) = -\ln \left( \frac{A_m(r)}{B_m(r)} \right)$

3. Contribuciones Clave

Generalización Continua: Introducen el primer marco de entropía condicional continua para señales en grafos, eliminando la necesidad de discretización simbólica.
Incrustación Topológica: Desarrollan un mecanismo de incrustación basado en potencias de matrices de adyacencia que captura la estructura radial y las propiedades de difusión de la señal a través de la topología del grafo.
Validación Teórica y Empírica: Demuestran que el método se reduce matemáticamente a la SampEn 1D clásica en grafos de camino dirigidos (directed path graphs), validando su consistencia.
Eficiencia Computacional: Proponen un algoritmo escalable capaz de procesar grafos con miles de nodos en tiempos de ejecución prácticos.

4. Resultados Experimentales

Los autores validaron SampEnG mediante dos experimentos principales:

Mapa Logístico (Validación de Dinámica No Lineal):
- Se aplicó a señales generadas por el mapa logístico ( $x_{t+1} = \rho x_t(1-x_t)$ ) mapeadas en grafos de camino dirigidos y no dirigidos.
- Hallazgo: En grafos dirigidos, SampEnG replicó exactamente la curva de la SampEn 1D clásica, capturando correctamente las transiciones de orden a caos y los puntos de bifurcación. En grafos no dirigidos, siguió la tendencia general, aunque con ligeras diferencias cuantitativas debido a la simetría de la vecindad.
Grafos de Erdős–Rényi (ER) Dirigidos:
- Se utilizaron grafos binarios dirigidos con $N=2700$ nodos y valores de señal aleatorios. Se varió la probabilidad de conexión $p$ (y por ende el grado de salida medio $K$ ) y la longitud del patrón $m$ .
- Comportamiento con la Conectividad: SampEnG disminuyó a medida que aumentaba la conectividad ( $p/K$ ). Esto refleja un aumento en la regularidad topológica y la predictibilidad.
- Efecto de la Longitud del Patrón ( $m$ ): Con grafos más densos y valores de $m$ mayores, la entropía tendió a cero. Esto se debe a la homogeneización de las vecindades: a medida que $m$ aumenta, las vecindades locales se superponen más, reduciendo la variabilidad efectiva que la entropía puede medir.
- Rendimiento: El método demostró ser computacionalmente viable, procesando grafos de 2700 nodos en aproximadamente 295 ms (para $m=1$ ) hasta 1400 ms (para $m=3$ ) por realización en un CPU Apple M3.

5. Significado e Impacto

Este trabajo es significativo porque extiende el análisis no lineal más allá de las series temporales unidimensionales hacia datos estructurados en redes complejas.

Permite cuantificar la irregularidad y complejidad en sistemas donde la "distancia" no es temporal, sino topológica (ej. redes de sensores, redes sociales, redes biológicas).
Ofrece una herramienta robusta para detectar transiciones de fase, caos y cambios en la dinámica de sistemas acoplados en redes.
Abre nuevas vías para el análisis de datos de sensores en red y sistemas complejos donde la discretización previa podría perder información crítica contenida en el espacio de estado continuo.

En conclusión, SampEnG representa un avance fundamental al unificar la teoría de grafos con el análisis de complejidad no lineal, proporcionando una métrica sensible a la topología y a la dinámica no lineal de las señales.