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

Resumo Técnico: Incluindo a Variabilidade de Magnitude de um Sinal na Análise de Padrão Ordinal

Definição do Problema
A análise de Padrão Ordinal (OP) é um método amplamente utilizado para caracterizar sinais, transformando-os em sequências simbólicas baseadas na ordenação relativa das magnitudes do sinal dentro de vetores incorporados (embedded vectors). Embora a análise OP seja conceitualmente clara, robusta ao ruído e eficaz para sinais curtos, ela possui uma limitação significativa: o processo de codificação descarta a magnitude real do sinal em cada instante de tempo, retendo apenas as relações ordinais. Consequentemente, a informação referente à variabilidade da amplitude do sinal é perdida. Os autores observam que, embora a entropia de permutação (uma quantificação estatística da sequência OP) seja útil, ela pode ser insuficiente para caracterizar plenamente sistemas dinâmicos complexos, particularmente sistemas de maior dimensão, onde a relação entre a entropia de permutação e a entropia de Kolmogorov-Sinai não é tão direta quanto em mapeamentos unidimensionais.

Metodologia
Os autores propõem uma abordagem complementar que integra o desvio padrão das magnitudes do sinal dentro da estrutura de análise OP. A metodologia envolve as seguintes etapas:

1. Codificação do Sinal: Seguindo o método de Bandt-Pompe, sinais univariados são divididos em vetores incorporados de dimensão $D$. Cada vetor é transformado em um Padrão Ordinal (OP) baseado no número de permutações necessárias para ordenar seus elementos.
2. Cálculo de Entropia: Os autores calculam a entropia de min-Rényi ($H_\infty$) da sequência OP resultante. Esta métrica quantifica o conteúdo de informação médio (incerteza) da sequência simbólica.
3. Quantificação da Variabilidade de Magnitude: Para cada símbolo OP único $\alpha$, os autores calculam o desvio padrão ($\sigma_j$) das magnitudes do sinal no $j$-ésimo componente de todos os vetores incorporados correspondentes àquele símbolo. Eles então calculam a média ponderada pela probabilidade do logaritmo desses desvios padrões, denotada por $\langle \log_2 [\sigma_j] \rangle$.
4. Análise Combinada: A caracterização do sinal é realizada plotando a entropia de permutação ($H_\infty$) contra a variabilidade média de magnitude ($\text{avg}_j\{\langle \log_2 [\sigma_j] \rangle\}$).

O estudo valida esta abordagem utilizando três conjuntos de dados distintos:

• Modelos Sintéticos: Trajetórias de mapas logísticos idênticos acoplados e do mapa de Hénon, analisadas sob vários parâmetros de controle e forças de acoplamento. Condições tanto sem ruído quanto com ruído (ruído branco gaussiano) foram testadas.
• Dados Experimentais: Registros eletroencefalográficos (EEG) intracranianos de 11 ratos Wistar livres para movimento, cobrindo três estados de vigília-sono: Vigília Ativa (AW), sono REM e sono NREM.

Principais Contribuições

• Integração de Nova Métrica: O artigo introduz um método para reter a informação de magnitude descartada pela codificação OP padrão, utilizando o desvio padrão das magnitudes do sinal como uma variável complementar à entropia de permutação.
• Justificativa Teórica: A abordagem é fundamentada no trabalho de Politi, que sugere que o logaritmo do desvio padrão das magnitudes do sinal é necessário, juntamente com a dimensão de informação, para fazer com que a entropia de permutação convirja para a entropia de Kolmogorov-Sinai.
• Diferenciação Aprimorada: O estudo demonstra que combinar a entropia com a variabilidade de magnitude proporciona uma caracterização mais robusta dos comportamentos dinâmicos do que o uso apenas da entropia de permutação.

Resultados

• Mapas Sintéticos: Na análise de mapas logísticos e de Hénon acoplados, os autores observaram que regimes dinâmicos distintos frequentemente geravam valores de entropia de permutação ($H_\infty$) semelhantes, mas valores de variabilidade de magnitude drasticamente diferentes. Por exemplo, nos mapas logísticos acoplados, diferentes parâmetros de controle ($r$) produziram valores de $H_\infty$ semelhantes (ex: ~1,92 vs. 1,95 bits), mas valores de variabilidade de magnitude diferindo em uma ordem de magnitude. Inversamente, alguns regimes mostraram diferenças significativas de entropia, mas variabilidade semelhante. O gráfico 2D combinado de $H_\infty$ vs. variabilidade permitiu uma separação mais clara desses regimes do que qualquer métrica isolada.
• Robustez ao Ruído: A métrica de variabilidade de magnitude seguiu um comportamento de lei de potência como função da dimensão de incorporação e da força do ruído, auxiliando na distinção entre sinais caóticos e estocásticos mesmo sob ruído observacional significativo.
• Análise de EEG: Ao ser aplicada aos dados de EEG de ratos, a entropia de permutação ($H_\infty$) distinguiu com sucesso a Vigília Ativa (maior entropia) dos estados de sono. No entanto, falhou em diferenciar significativamente o sono REM do sono NREM, pois seus valores de entropia eram semelhantes. Em contraste, a métrica de variabilidade de magnitude mostrou uma diferença de aproximadamente uma ordem de magnitude entre os estados REM e NREM na maioria dos eletrodos. Isso se alinha às características fisiológicas desses estados (ondas rápidas de baixa voltagem no REM vs. ondas lentas de alta voltagem no NREM). O uso simultâneo de ambas as métricas permitiu a diferenciação clara de todos os três estados de vigília-sono.

Significância e Alegações
O artigo afirma que a incorporação da variabilidade de magnitude do sinal na análise de padrão ordinal melhora a caracterização de comportamentos dinâmicos em séries temporais sintéticas e experimentais. Os autores afirmam que esta abordagem é particularmente útil para:

• Engenharia de Atributos (Feature Engineering): Fornecer atributos de sinal complementares que podem melhorar a precisão de classificadores de IA e algoritmos de aprendizado de máquina.
• Classificação de Estados: Melhorar a capacidade de distinguir entre estados fisiológicos complexos (como estágios de sono) onde as medidas de entropia tradicionais podem ser insuficientes.
• Robustez: Oferecer um método que permanece eficaz sob ruído observacional e variações na dimensão de incorporação.

Os autores mantêm-se modestos quanto ao escopo, observando que suas conclusões baseiam-se em mapas sintéticos específicos e em um conjunto específico de registros de EEG de ratos. Eles sugerem que, embora o método atual utilize o desvio padrão, aplicações futuras envolvendo sinais curtos podem se beneficiar do uso do intervalo interquartil para maior robustez contra outliers. Eles também propõem que estender a análise para um espaço tridimensional incluindo uma medida de complexidade (ex: complexidade de Jensen-Shannon) poderia ainda melhorar a caracterização de regimes dinâmicos não caóticos.