🌀 nonlinear sciences

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

本論文は、従来の順序パターン解析に、破棄されていた信号振幅の変動性を置換エントロピーの補完的な変数として組み込むことで、合成マップおよび実世界のEEGデータの両方における動的挙動の特性評価を向上させ、より優れた特徴量エンジニアリングとAI分類を実現する新しい手法を提案するものである。

原著者： Melvyn Tyloo, Joaquín González, Nicolás Rubido

公開日 2026-01-27

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Melvyn Tyloo, Joaquín González, Nicolás Rubido

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

ある曲を、それを一度も聴いたことがない人に説明しようとしている場面を想像してみてください。

旧来の方法：「ムード」プレイリスト
伝統的に、科学者たちは脳波や気象データなどの信号を分析するために、「順序パターン（Ordinal Patterns）」と呼ばれる手法を用いてきました。これは、音の大きさ（音量）を無視して、曲の「順番」だけに注目してプレイリストを作るようなものです。

もし音が大きくなれば、「上昇」と書きます。
もし音が小さくなれば、「下降」と書きます。
もし変化がなければ、「平坦」と書きます。

この手法はシンプルであり、背景ノイズを無視できるため優れています。しかし、大きな欠点があります。それは「音量」を捨ててしまうことです。曲が「静かな状態」から「大きな音」に変わったことは分かりますが、それが「ささやき声から叫び声」への変化だったのか、それとも「つぶやきからわずかな音量の増加」への変化だったのかまでは分かりません。信号の「大きさ（マグニチュード）」や「強度（インテンシティ）」を失ってしまうのです。

新しいアイデア：「ボリュームノブ」の追加
本論文は、シンプルかつ強力な解決策を提案しています。それは、「順番は維持しつつ、音量も測定する」という方法です。

著者らは、これら「上昇／下降／平坦」のパターンを見る際に、その瞬間に信号が実際にどれほどの大きさで変化したか（変動したか）も計算すべきだと提案しています。彼らはこれを「大きさの変動性（magnitude variability）」と呼んでいます。

次のように考えてみてください：

旧来の方法： 「温度が上がり、次に下がった。」（方向は分かりますが、規模は分かりません）。
新しい方法： 「温度が1度上がり、次に20度下がった。」（方向と、その強度の両方が分かります）。

どのようにテストされたか
研究者たちは、このアイデアを2つの方法でテストしました。

コンピュータ・シミュレーションによる検証（「数学的マップ」）：
彼らは、カオス的で予測不可能な数値を生成する複雑な数学的公式（ロジスティック写像やヘノン写像）を使用しました。

結果： 「上昇／下降」の順序だけを確認した場合、2つの異なるカオス的パターンが全く同じに見えることがありました。しかし、「音量」のチェックを加えると、これら2つのパターンは全く別物に見えました。それは、2人の人間が同じ方向に歩いているけれど、一人は散歩しており、もう一人は全力疾走していることに気づいたようなものです。新しい手法は、彼らを見分けることができました。

ラットの脳波による検証（「睡眠研究」）：
彼らは、ラットの覚醒時、レム睡眠（夢を見ている状態）、深い睡眠の3つの状態における脳活動を記録しました。

問題点： 旧来の「上昇／下降」を用いた手法では、レム睡眠と深い睡眠の違いを見分けるのが非常に困難でした。両者は似すぎて見えました。
解決策： 「音量」のチェックを加えると、その違いが明白になりました。レム睡眠中の脳波は、波の順序は似ていても、深い睡眠と比較して「強度」や「変動性」が異なっていたのです。

なぜこれが重要なのか
本論文は、「順序（パターン）」と「強度（マグニチュード）」を組み合わせることで、実際に何が起きているのかをより鮮明に把握できると結論付けています。

これにより、一見すると同じに見える異なる種類のカオスを区別できます。
これまで区別が困難だったラットの睡眠段階を判別できるようになります。

著者らは、このアプローチが「特徴量エンジニアリング（feature engineering）」、つまり「コンピュータにより良い手がかりを与えて、より賢い判断をさせること」に有用であると示唆しています。もしあなたがパターンを認識するAIを作っているなら、データの「形」だけでなく「サイズ」も与えることで、そのAIはより優れた探偵になれるのです。

要約
出来事の「順序」を見るだけでなく、それらの出来事がどれほど「大きい」のかを見てください。「音量」を分析に加えることで、これまで見えなかった詳細が見えるようになるのです。

技術要約：信号の振幅変動性を順序パターン解析に組み込む手法

問題提起
順序パターン（OP）解析は、信号の埋め込みベクトル内における信号強度の相対的な順序に基づいて、信号を記号列へと変換することで信号を特徴付ける、広く用いられている手法である。OP解析は概念的に明快であり、ノイズに対して堅牢で、短い信号に対しても効果的であるが、重大な限界を抱えている。それは、符号化プロセスにおいて、各タイムスタンプにおける実際の信号の振幅（大きさ）が破棄され、順序関係のみが保持されるという点である。その結果、信号の振幅変動性に関する情報が失われてしまう。著者らは、置換エントロピー（OP系列の統計的な定量化）が有用であることは認めつつも、特に、置換エントロピーとコルモゴロフ・シナイ・エントロピーの関係が一次元写像ほど直接的ではない高次元の複雑な力学系においては、それだけでは系の特性を完全に記述するには不十分である可能性を指摘している。

手法
著者らは、埋め込みベクトル内の信号強度の標準偏差をOP解析の枠組みに統合する、補完的なアプローチを提案している。この手法は以下のステップで構成される：

信号の符号化： バント・ポンペ（Bandt-Pompe）法に従い、一変量信号を次元 $D$ の埋め込みベクトルに分割する。各ベクトルは、要素をソートするために必要な置換数に基づいて、順序パターン（OP）へと変換される。
エントロピー計算： 得られたOP系列のレニー最小エントロピー（ $H_\infty$ ）を算出する。この指標は、記号列の平均的な情報量（不確実性）を定量化する。
振幅変動性の定量化： 各一意なOP記号 $\alpha$ について、その記号に対応するすべての埋め込みベクトルの第 $j$ 成分における信号強度の標準偏差（ $\sigma_j$ ）を計算する。次に、これらの標準偏差の対数の確率加重平均、すなわち $\langle \log_2 [\sigma_j] \rangle$ を算出する。
結合解析： 置換エントロピー（ $H_\infty$ ）と平均振幅変動性（ $\text{avg}_j\{\langle \log_2 [\sigma_j] \rangle\}$ ）をプロットすることで、信号の特性評価を行う。

本研究では、以下の3つの異なるデータセットを用いてこの手法を検証している：

合成モデル： 様々な制御パラメータおよび結合強度下で解析された、結合された同一ロジスティック写像およびヘノン写像の軌道。これらは、ノイズのない条件とノイズ（白色ガウスノイズ）を含む条件の両方でテストされた。
実験データ： 覚醒状態（Active Wakefulness: AW）、レム睡眠（REM）、およびノンレム睡眠（NREM）の3つの睡眠・覚醒状態をカバーする、11匹の自由行動ラットから得られた頭蓋内脳波（EEG）記録。

主な貢献

新しい指標の統合： 標準的なOP符号化によって破棄されてしまう振幅情報を、置換エントロピーの補完変数として標準偏差を用いることで保持する手法を導入した。
理論的正当性： 本アプローチは、置換エントロピーをコルモゴロフ・シナイ・エントロピーに収束させるためには、情報次元とともに信号強度の標準偏差の対数が必要であることを示唆するPolitiの研究に基づいている。
識別能の向上： エントロピーと振幅変動性を組み合わせることで、置換エントロピー単独を用いるよりも、力学的な振る舞いをより堅牢に特徴付けられることを示した。

結果

合成写像： 結合されたロジスティック写像およびヘノン写像の解析において、著者らは、明確に異なる力学レジームがしばしば同様の置換エントロピー（ $H_\infty$ ）値を示す一方で、劇的に異なる振幅変動性を示すことを観察した。例えば、結合されたロジスティック写像では、異なる制御パラメータ（ $r$ ）が同様の $H_\infty$ 値（例：~1.92 vs 1.95 bits）を示す一方で、振幅変動性は1桁以上の差を生じさせた。逆に、顕著なエントロピーの差を示しながらも、変動性が同程度であるレジームも存在した。 $H_\infty$ と変動性の2次元プロットを用いることで、いずれか一方の指標のみを用いるよりも、これらのレジームをより明確に分離することが可能となった。
ノイズへの堅牢性： 振幅変動性の指標は、埋め込み次元およびノイズ強度に対してべき乗則に従う挙動を示し、顕著な観測ノイズが存在する場合でも、カオス信号と確率的信号の区別に寄与した。
EEG解析： ラットのEEGデータに適用した場合、置換エントロピー（ $H_\infty$ ）は、覚醒状態（最も高いエントロピー）を睡眠状態から識別することに成功した。しかし、REM睡眠とNREM睡眠の間では、両者のエントロピー値が類似していたため、有意な差を判別することはできなかった。対照的に、振幅変動性の指標は、ほとんどの電極において、REM睡眠とNREM睡眠の間で約1桁の差を示した。これは、生理学的な特性（REMにおける低電圧高速波 vs NREMにおける高電圧徐波）と一致している。これら両方の指標を同時に用いることで、3つの睡眠・覚醒状態すべてを明確に判別することが可能となった。

意義と主張
本論文は、順序パターン解析に信号の振幅変動性を組み込むことで、合成および実験的な時系列における力学的な振る舞いの特徴付けが改善されると主張している。著者らは、このアプローチが特に以下の用途において有用であるとしている：

特徴量エンジニアリング： AI分類器や機械学習アルゴリズムの精度を向上させるための、補完的な信号特徴の提供。
状態分類： 従来のエントロピー指標では不十分な場合がある複雑な生理学的状態（睡眠段階など）の識別能力の向上。
堅牢性： 観測ノイズや変化する埋め込み次元の下でも効果的に機能する手法の提示。

著者らは、結論が特定の合成写像および特定のラットEEG記録に基づいていることを踏まえ、その範囲について謙虚な姿勢を維持している。彼らは、標準偏差を用いる現在の方法に対し、外れ値に対する堅牢性を高めるために、短い信号を扱う場合には四分位範囲（inter-quartile range）を使用することが有益である可能性を示唆している。また、複雑性の尺度（例：イェンセン・シャノン複雑性）を含む3次元空間へと解析を拡張することで、非カオス的な力学レジームの特性付けをさらに向上させることができると考えている。

関連論文