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

기술 요약: 신호의 크기 변동성을 순서 패턴 분석에 포함시키기

문제 제기
순서 패턴(Ordinal Pattern, OP) 분석은 신호의 임베딩 벡터 내에서 신호 크기의 상대적 순서에 기반하여 신호를 기호 시퀀스로 변환함으로써 신호를 특징짓는 데 널리 사용되는 방법이다. OP 분석은 개념적으로 명확하고, 노이즈에 강하며, 짧은 신호에 효과적이지만, 인코딩 과정에서 각 타임스탬프에서의 실제 신호 크기를 버리고 오직 순서 관계만을 유지한다는 중대한 한계를 지닌다. 결과적으로, 신호의 진폭 변동성에 관한 정보가 손실된다. 저자들은 퍼뮤테이션 엔트로피(permutation entropy, OP 시퀀스의 통계적 정량화)가 유용하기는 하지만, 특히 퍼뮤테이션 엔트로피와 콜모고로프-시나이 엔트로피(Kolmogorov-Sinai entropy) 사이의 관계가 1차원 매핑만큼 직접적이지 않은 고차원 복잡 동역학계를 특징짓기에는 불충분할 수 있다고 언급한다.

방법론
저자들은 임베딩 벡터 내 신호 크기의 표준 편차를 OP 분석 프레임워크에 통합하는 보완적인 접근 방식을 제안한다. 이 방법론은 다음 단계들을 포함한다:

1. 신호 인코딩: Bandt-Pompe 방법을 따라, 단변량 신호를 차원 $D$를 가진 임베딩 벡터로 나눈다. 각 벡터는 요소를 정렬하는 데 필요한 치환(permutation)의 수를 기준으로 순서 패턴(OP)으로 변환된다.
2. 엔트로피 계산: 저자들은 생성된 OP 시퀀스의 레니 미니트로피($H_\infty$)를 계산한다. 이 지표는 기호 시퀀스의 평균 정보량(불확정성)을 정량화한다.
3. 크기 변동성 정량화: 각 고유한 OP 심볼 $\alpha$에 대해, 저자들은 해당 심볼에 해당하는 모든 임베딩 벡터의 $j$번째 성분에서의 신호 크기 표준 편차($\sigma_j$)를 계산한다. 그 후, 이 표준 편차들의 로그 값에 대한 확률 가중 평균인 $\langle \log_2 [\sigma_j] \rangle$를 계산한다.
4. 결합 분석: 신호의 특성화는 퍼뮤테이션 엔트로피($H_\infty$)를 평균 크기 변동성($\text{avg}_j\{\langle \log_2 [\sigma_j] \rangle\}$)에 대해 도식화함으로써 수행된다.

본 연구는 세 가지 뚜렷한 데이터셋을 사용하여 이 접근 방식을 검증한다:

• 합성 모델: 다양한 제어 파라미터와 결합 강도 하에서 분석된 결합된 동일 로지스틱 맵(coupled identical logistic maps) 및 헤논 맵(Hénon map)의 궤적. 무노이즈 및 노이즈(백색 가우시안 노이즈) 조건이 모두 테스트되었다.
• 실험 데이터: 11마리의 자유롭게 움직이는 위스콘신 랫(Wistar rats)으로부터 얻은 뇌전도(EEG) 기록으로, 활성 각성(AW), REM 수면, 비REM(NREM) 수면의 세 가지 수면-각성 상태를 포함한다.

주요 기여

• 새로운 지표 통합: 본 논문은 표준 OP 인코딩에 의해 버려지는 크기 정보를 표준 편차를 보완 변수로 사용하여 유지하는 방법을 도입한다.
• 이론적 근거: 이 접근 방식은 퍼뮤테이션 엔트로피가 콜모고로프-시나이 엔트로피로 수렴하기 위해서는 정보 차원과 함께 신호 크기의 표준 편차의 로그가 필요하다는 Politi의 연구에 근거한다.
• 차별화 능력 향ance: 엔트로피와 크기 변동성을 결 조합하는 것이 퍼뮤테이션 엔트로피 단독 사용보다 동역학적 거동을 더 강력하게 특징짓는다는 것을 입증한다.

결과

• 합성 맵: 결합된 로지스틱 및 헤논 맵 분석에서, 저자들은 서로 다른 동역학적 영역들이 종종 유사한 퍼뮤테이션 엔트로피($H_\infty$) 값을 나타내지만 극적으로 다른 크기 변동성 값을 생성함을 관찰했다. 예를 들어, 결합된 로지스틱 맵에서 서로 다른 제어 파라미터($r$)는 유사한 $H_\infty$ 값(예: ~1.92 vs. 1.95 bits)을 생성했지만, 크기 변동성 값은 10배 이상의 차이를 보였다. 반대로, 어떤 영역들은 유의미한 엔트로피 차이를 보이면서도 유사한 변동성을 보이기도 했다. $H_\infty$와 변동성을 이용한 2D 결합 플롯은 단일 지표를 사용할 때보다 이러한 영역들을 더 명확하게 분리해 냈다.
• 노이즈 강건성: 크기 변동성 지표는 임베딩 차원 및 노이즈 강도의 함수로서 멱법칙(power-law) 거동을 따랐으며, 이는 상당한 관측 노이즈 하에서도 카오스적 신호와 확률적 신호를 구분하는 데 도움을 주었다.
• EEG 분석: 랫 EEG 데이터에 적용했을 때, 퍼뮤테이션 엔트로피($H_\infty$)는 활성 각성(가장 높은 엔트로피)을 수면 상태와 성공적으로 구분하였다. 그러나 REM과 NREM 수면 사이의 엔트로피 값이 유사했기 때문에 두 상태를 유의미하게 구분하는 데는 실패하였다. 반면, 크기 변동성 지표는 대부분의 전극에서 REM과 NREM 상태 사이에 약 10배의 차이를 보여주었다. 이는 생리학적 특성(REM의 저전압 빠른 파형 vs. NREM의 고전압 느린 파형)과 일치한다. 두 지표를 동시에 사용함으로써 세 가지 수면-각성 상태를 모두 명확하게 구분할 수 있었다.

의의 및 주장
본 논문은 순서 패턴 분석에 신호 크기 변동성을 포함하는 것이 합성 및 실험 시계열 모두에서 동역학적 거동의 특성화를 개선한다고 주장한다. 저자들은 이 접근 방식이 특히 다음과 같은 분야에서 유용하다고 단언한다:

• 특징 공학(Feature Engineering): AI 분류기 및 머신러ing 알고리즘의 정확도를 향상시킬 수 있는 보완적인 신호 특징을 제공한다.
• 상태 분류: 전통적인 엔트로피 측정이 불충분할 수 있는 복잡한 생리적 상태(예: 수면 단계)를 구분하는 능력을 높인다.
• 강건성: 관측 노이즈 및 변화하는 임베딩 차원 하에서도 효과적으로 작동하는 방법을 제공한다.

저자들은 자신의 결론이 특정 합성 맵과 특정 랫 EEG 기록에 기반하고 있다는 점을 언급하며 연구 범위를 겸손하게 제한하였다. 그들은 현재 방법이 표준 편차를 사용하지만, 짧은 신호를 다루는 향후 응용에서는 이상치에 대한 강건성을 위해 사분위 범위(inter-quartile range)를 사용하는 것이 이로울 수 있다고 제안하였다. 또한, 복잡도 측정치(예: 젠슨-섀넌 복잡도)를 포함한 3차원 공간으로 분석을 확장하는 것이 비카오스적 동역학 영역의 특성화를 더욱 개선할 수 있다고 제안하였다.