🌀 nonlinear sciences

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

Cet article propose une nouvelle méthode qui améliore l'analyse traditionnelle des motifs ordonnés en incorporant la variabilité de l'amplitude du signal, auparavant délaissée, comme variable complémentaire à l'entropie de permutation, améliorant ainsi la caractérisation des comportements dynamiques tant dans les cartes synthétiques que dans les données EEG réelles pour une meilleure ingénierie des caractéristiques et une classification par IA.

Auteurs originaux : Melvyn Tyloo, Joaquín González, Nicolás Rubido

Publié 2026-01-27

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Melvyn Tyloo, Joaquín González, Nicolás Rubido

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de décrire une chanson à quelqu'un qui ne l'a jamais entendue.

L'ancienne méthode : La playlist d'« humeurs »
Traditionnellement, les scientifiques ont utilisé une méthode appelée Motifs Ordinaux pour analyser des signaux (comme des ondes cérébrales ou des données météorologiques). Voyez cela comme la création d'une playlist basée uniquement sur l'ordre des chansons, en ignorant si elles sont fortes ou douces.

Si la chanson devient plus forte, vous écrivez « Haut ».
Si elle devient plus faible, vous écrivez « Bas ».
Si elle reste la même, vous écrivez « Plat ».

Cette méthode est excellente car elle est simple et ignore le bruit de fond. Cependant, elle présente un gros défaut : elle élimine le volume. Vous savez que la chanson est passée de « doux » à « fort », mais vous ne savez pas si elle est passée d'un murmure à un cri, ou d'un murmure à une légère augmentation de volume. Vous avez perdu la « magnitude » ou l'« intensité » du signal.

La nouvelle idée : Ajouter le « bouton de volume »
Cet article propose une correction simple mais puissante : Gardez l'ordre, mais mesurez aussi le volume.

Les auteurs suggèrent que lorsque nous examinons ces motifs « Haut/Bas/Plat », nous devrions également calculer à quel point le signal a réellement varié en taille durant ce moment. Ils appellent cela la « variabilité de la magnitude ».

Voyez cela comme ceci :

Ancienne méthode : « La température est montée, puis est descendue. » (Vous connaissez la direction, mais pas l'échelle).
Nouvelle méthode : « La température a monté de 1 degré, puis a descendu de 20 degrés. » (Vous connaissez la direction et l'intensité).

Comment ils l'ont testé
Les chercheurs ont testé cette idée de deux manières :

Avec des simulations informatiques (les « cartes mathématiques ») :
Ils ont utilisé des formules mathématiques complexes (appelées cartes Logistique et Hénon) qui génèrent des nombres chaotiques et imprévisibles.

Le résultat : Parfois, deux motifs chaotiques différents semblaient exactement identiques lorsqu'on ne vérifiait que l'ordre « Haut/Bas ». Mais lorsqu'ils ont ajouté la vérification du « volume », les deux motifs paraissaient complètement différents. C'était comme réaliser que deux personnes marchaient dans la même direction, mais que l'une se promenait tranquillement tandis que l'autre sprintait. La nouvelle méthode pouvait les distinguer.

Avec des ondes cérébrales de rats (l'« étude du sommeil ») :
Ils ont enregistré l'activité cérébrale de rats dans trois états : Éveil, Sommeil REM (le rêve) et Sommeil profond.

Le problème : En utilisant l'ancienne méthode « Haut/Bas », il était très difficile de faire la différence entre le sommeil REM et le sommeil profond. Ils semblaient trop similaires.
La solution : Lorsqu'ils ont ajouté la vérification du « volume », la différence est devenue évidente. Les ondes cérébrales pendant le sommeil REM présentaient une « intensité » ou une variabilité différente par rapport au sommeil profond, même si l'ordre des ondes était similaire.

Pourquoi cela importe
L'article conclut qu'en combinant l'ordre (le motif) avec l'intensité (la magnitude), nous obtenons une image beaucoup plus claire de ce qui se passe réellement.

Cela aide à distinguer différents types de chaos qui se ressemblent au premier coup d'œil.
Cela aide à différencier les stades de sommeil chez les rats qui étaient auparavant difficiles à distinguer.

Les auteurs suggèrent que cette approche est utile pour l'« ingénierie des caractéristiques » (feature engineering), ce qui est une façon sophistiquée de dire : « Donner de meilleurs indices aux ordinateurs pour qu'ils puissent prendre des décisions plus intelligentes. » Si vous construisez une IA pour reconnaître des motifs, donner à l'ordinateur à la fois la « forme » des données et la « taille » des données en fait un bien meilleur détective.

En résumé
Ne regardez pas seulement la séquence des événements ; regardez à quel point ces événements sont grands. En réintégrant le « volume » dans l'analyse, nous pouvons voir des détails qui étaient auparavant invisibles.

Résumé Technique : Inclusion de la variabilité de l'amplitude d'un signal dans l'analyse par motifs ordonnés

Énoncé du problème
L'analyse par motifs ordonnés (OP - Ordinal Pattern) est une méthode largement utilisée pour caractériser les signaux en les transformant en séquences symboliques basées sur l'ordre relatif des magnitudes du signal au sein de vecteurs imbriqués. Bien que l'analyse OP soit conceptuellement claire, robuste au bruit et efficace pour les signaux courts, elle possède une limite significative : le processus de codage rejette la magnitude réelle du signal à chaque instant, ne conservant que les relations ordinales. Par conséquent, l'information concernant la variabilité de l'amplitude du signal est perdue. Les auteurs notent que si l'entropie de permutation (une quantification statistique de la séquence OP) est utile, elle peut s'avérer insuffisante pour caractériser pleinement les systèmes dynamiques complexes, particulièrement les systèmes de dimension supérieure où la relation entre l'entropie de permutation et l'entropie de Kolmogorov-Sinai n'est pas aussi directe que dans les applications unidimensionnelles.

Méthodologie
Les auteurs proposent une approche complémentaire qui intègre l'écart type des magnitudes du signal au sein des vecteurs imbriqués dans le cadre de l'analyse OP. La méthodologie comprend les étapes suivantes :

Codage du signal : En suivant la méthode de Bandt-Pompe, les signaux univariés sont divisés en vecteurs imbriqués de dimension $D$ . Chaque vecteur est transformé en un motif ordonné (OP) basé sur le nombre de permutations nécessaires pour trier ses éléments.
Calcul de l'entropie : Les auteurs calculent l'entropie de Rényi minimale ( $H_\infty$ ) de la séquence OP résultante. Cette métrique quantifie le contenu informationnel moyen (l'incertitude) de la séquence symbolique.
Quantification de la variabilité de la magnitude : Pour chaque symbole OP unique $\alpha$ , les auteurs calculent l'écart type ( $\sigma_j$ ) des magnitudes du signal au $j$ -ème composant de tous les vecteurs imbriqués correspondant à ce symbole. Ils calculent ensuite la moyenne pondérée par la probabilité du logarithme de ces écarts types, notée $\langle \log_2 [\sigma_j] \rangle$ .
Analyse combinée : La caractérisation du signal est réalisée en traçant l'entropie de permutation ( $H_\infty$ ) en fonction de la variabilité moyenne de la magnitude ( $\text{avg}_j\{\langle \log_2 [\sigma_j] \rangle\}$ ).

L'étude valide cette approche en utilisant trois ensembles de données distincts :

Modèles synthétiques : Des trajectoires de cartes logistiques identiques couplées et de la carte de Hénon, analysées sous divers paramètres de contrôle et intensités de couplage. Des conditions sans bruit et avec du bruit (bruit blanc gaussien) ont été testées.
Données expérimentales : Des enregistrements d'électroencéphalogrammes (EEG) intracrâniens de 11 rats Wistar en mouvement libre, couvrant trois états veille-sommeil : l'éveil actif (AW), le sommeil paradoxal (REM) et le sommeil non-REM (NREM).

Contributions clés

Intégration de nouvelles métriques : L'article introduit une méthode pour conserver l'information de magnitude rejetée par le codage OP standard en utilisant l'écart type des magnitudes du signal comme variable complémentaire à l'entropie de permutation.
Justification théorique : L'approche est fondée sur les travaux de Politi, qui suggèrent que le logarithme de l'écart type des magnitudes du signal est nécessaire, aux côtés de la dimension informationnelle, pour que l'entropie de permutation converge vers l'entropie de Kolmogorov-Sinai.
Différenciation améliorée : L'étude démontre que la combinaison de l'entropie et de la variabilité de la magnitude permet une caractérisation plus robuste des comportements dynamiques qu'en utilisant uniquement l'entropie de permutation.

Résultats

Cartes synthétiques : Dans l'analyse des cartes de logistic et de Hénon couplées, les auteurs ont observé que des régimes dynamiques distincts produisaient souvent des valeurs d'entropie de permutation ( $H_\infty$ ) similaires mais des valeurs de variabilité de magnitude radicalement différentes. Par exemple, dans les cartes logistiques couplées, différents paramètres de contrôle ( $r$ ) produisaient des valeurs de $H_\infty$ similaires (ex: ~1,92 vs 1,95 bits) mais des valeurs de variabilité de magnitude différant d'un ordre de grandeur. Inversement, certains régimes présentaient des différences d'entropie significatives mais une variabilité similaire. Le graphique 2D combiné de $H_\infty$ vs variabilité a permis une séparation plus claire de ces régimes que l'une ou l'autre métrique seule.
Robustesse au bruit : La métrique de variabilité de la magnitude a suivi un comportement de loi de puissance en fonction de la dimension d'imbrication et de l'intensité du bruit, aidant à la distinction entre signaux chaotiques et stochastiques, même sous un bruit d'observation important.
Analyse EEG : Appliquée aux données EEG de rats, l'entropie de permutation ( $H_\infty$ ) a réussi à distinguer l'éveil actif (entropie la plus élevée) des états de sommeil. Cependant, elle n'a pas réussi à différencier de manière significative le sommeil paradoxal (REM) du sommeil non-REM (NREM), car leurs valeurs d'entropie étaient similaires. En revanche, la métrique de variabilité de la magnitude a montré une différence d'environ un ordre de grandeur entre les états REM et NREM sur la plupart des électrodes. Cela concorde avec les caractéristiques physiologiques de ces états (ondes rapides de faible amplitude en REM contre ondes lentes de haute amplitude en NREM). L'utilisation simultanée des deux métriques a permis une différenciation claire des trois états veille-sommeil.

Signification et affirmations
L'article affirme que l'incorporation de la variabilité de la magnitude du signal dans l'analyse par motifs ordonnés améliore la caractérisation des comportements dynamiques dans les séries temporelles synthétiques et expérimentales. Les auteurs affirment que cette approche est particulièrement utile pour :

L'ingénierie de caractéristiques (Feature Engineering) : Fournir des caractéristiques de signal complémentaires qui peuvent améliorer la précision des classificateurs d'IA et des algorithmes d'apprentissage automatique.
La classification d'états : Améliorer la capacité de distinction entre des états physiologiques complexes (tels que les stades de sommeil) où les mesures d'entropie traditionnelles peuvent être insuffisantes.
La robustesse : Offrir une méthode qui reste efficace sous l'effet du bruit d'observation et de variations de la dimension d'imbrication.

Les auteurs restent modestes quant à la portée de leur travail, notant que leurs conclusions sont basées sur des cartes synthétiques spécifiques et un ensemble spécifique d'enregistrements EEG de rats. Ils suggèrent que, bien que la méthode actuelle utilise l'écart type, les applications futures impliquant des signaux courts pourraient bénéficier de l'utilisation de l'écart interquartile pour une meilleure robustesse face aux valeurs aberrantes. Ils proposent également d'étendre l'analyse à un espace tridimensionnel incluant une mesure de complexité (par exemple, la complexité de Jensen-Shannon) pour améliorer davantage la caractérisation des régimes dynamiques non chaotiques.

Articles similaires