🌀 nonlinear sciences

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

本文提出了一种新颖的方法，通过将丢弃的信号幅度变异性作为排列熵的补充变量，增强了传统的序数模式分析，从而改善了对合成图谱和真实脑电图（EEG）数据中动力学行为的表征，以实现更好的特征工程和人工智能分类。

原作者： Melvyn Tyloo, Joaquín González, Nicolás Rubido

发布于 2026-01-27

📖 1 分钟阅读☕ 轻松阅读

原作者： Melvyn Tyloo, Joaquín González, Nicolás Rubido

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图向一个从未听过某首歌的人描述这首歌。

旧方法：基于“情绪”的播放列表
传统上，科学家们使用一种被称为**序数模式（Ordinal Patterns）*的方法来分析信号（如脑电波或天气数据）。你可以把它想象成仅根据歌曲的顺序*来创建播放列表，而忽略了它们有多大声或多小声。

如果歌曲变大了，你就写“上升”。
如果歌曲变小了，你就写“下降”。
如果保持不变，你就写“持平”。

这种方法之所以好用，是因为它简单且能忽略背景噪音。然而，它有一个巨大的缺陷：它丢弃了音量。你知道歌曲从“轻声”变成了“大声”，但你不知道它是从耳语变成了呐喊，还是从低语变成了轻微的音量增加。你丢失了信号的“幅度”或“强度”。

新思路：加上“音量旋钮”
本论文提出了一种简单而强大的修正方案：保留顺序，但同时测量音量。

作者建议，当我们观察这些“上升/下降/持平”的模式时，我们也应该计算在该时刻信号实际变化的大小。他们称之为“幅度变异性（magnitude variability）”。

可以这样理解：

旧方法： “温度上升了，然后下降了。”（你知道方向，但不知道规模）。
新方法： “温度上升了1度，然后下降了20度。”（你知道方向，也知道强度）。

他们是如何测试的
研究人员通过两种方式测试了这个想法：

通过计算机模拟（“数学地图”）：
他们使用了复杂的数学公式（称为逻辑映射和海农映射）来生成混沌、不可预测的数字。

结果： 有时，两种不同的混沌模式在仅检查“上升/下降”顺序时看起来完全一样。但当加入“音量”检查后，这两种模式看起来截然不同。这就像是意识到两个人虽然都在朝同一个方向走，但一个是闲庭信步，另一个是在冲刺。新方法能够将他们区分开来。

通过大鼠脑电波（“睡眠研究”）：
他们记录了大鼠在三种状态下的脑活动：清醒、REM 睡眠（做梦期）以及深睡期。

问题： 使用旧有的“上升/下降”方法，很难区分 REM 睡眠和深睡期。它们看起来太相似了。
解决方案： 当加入“音量”检查后，区别变得显而易见。REM 睡眠期间的脑电波与深睡期相比，具有不同的“强度”或变异性，尽管它们的波形顺序相似。

为什么这很重要
论文得出结论，通过将顺序（模式）与强度（幅度）结合起来，我们能更清晰地了解实际发生了什么。

它有助于区分那些初看之下完全相同的不同类型的混沌。
它有助于区分大鼠在睡眠中此前难以辨别的不同阶段。

作者认为，这种方法对于“特征工程（feature engineering）”非常有用，这是一种高级说法，意指：“为计算机提供更好的线索，以便它们做出更明智的决策。”如果你正在构建一个用于识别模式的 AI，那么同时给它数据的“形状”和“大小”，会让它成为一名更出色的侦探。

简而言之
不要只看事件的序列；还要看这些事件有多大。通过将“音量”重新引入分析，我们可以看到此前无法察觉的细节。

技术摘要：将信号幅度变异性纳入序数模式分析

问题陈述
序数模式（Ordinal Pattern, OP）分析是一种广泛用于表征信号的方法，它通过基于嵌入向量内信号幅度的相对顺序将信号转换为符号序列。虽然 OP 分析在概念上清晰、对噪声具有鲁棒性且对短信号有效，但它存在一个显著的局限性：编码过程丢弃了每个时间点的实际信号幅度，仅保留了序数关系。因此，信号幅度变异性的信息会随之丢失。作者指出，虽然排列熵（一种对 OP 序列的统计量化方法）非常有用，但它可能不足以充分表征复杂的动力系统，特别是在排列熵与 Kolmogorov-Sinai 熵之间的关系不如一维映射那样直接的高维系统中。

方法论
作者提出了一种补充方法，将嵌入向量内信号幅度的标准差整合到 OP 分析框架中。该方法包含以下步骤：

信号编码： 遵循 Bandt-Pompe 方法，将单变量信号划分为维度为 $D$ 的嵌入向量。每个向量根据对元素进行排序所需的置换次数被转化为一个序数模式（OP）。
熵计算： 作者计算了所得 OP 序列的 Rényi 极值熵（ $H_\infty$ ）。该指标量化了符号序列的平均信息量（不确定性）。
幅度变异性量化： 对于每个唯一的 OP 符号 $\alpha$ ，作者计算了所有对应于该符号的嵌入向量中第 $j$ 个分量处信号幅度的标准差（ $\sigma_j$ ）。随后，他们计算了这些标准差对数的概率加权平均值，记作 $\langle \log_2 [\sigma_j] \rangle$ 。
组合分析： 通过绘制排列熵（ $H_\infty$ ）与平均幅度变异性（ $\text{avg}_j\{\langle \log_2 [\sigma_j] \rangle\}$ ）的关系图来进行信号表征。

研究通过三个不同的数据集验证了该方法：

合成模型： 对耦合恒等逻辑映射（coupled identical logistic maps）和 Hénon 映射的轨迹进行了分析，并在各种控制参数和耦合强度下进行了测试。同时测试了无噪声和有噪声（白高斯噪声）两种情况。
实验数据： 来自 11 只自由活动 Wistar 大鼠的颅内脑电图（EEG）记录，涵盖三种睡眠-觉醒状态：活跃觉醒（AW）、快速眼动期（REM）睡眠和非快速眼动（NREM）睡眠。

主要贡献

新型指标集成： 本文引入了一种方法，通过使用信号幅度的标准差作为排列熵的补充变量，保留了被标准 OP 编码丢弃的幅度信息。
理论依据： 该方法基于 Politi 的研究，该研究表明，为了使排列熵收敛到 Kolmogorov-Sinai 熵，除了信息维之外，还需要信号幅度的对数。
增强的分辨能力： 研究证明，将熵与幅度变异性结合使用，比仅使用排列熵能更稳健地表征动力学行为。

结果

合成映射： 在对耦合逻辑映射和 Hénon 映射的分析中，作者观察到不同的动力学机制往往产生相似的排列熵（ $H_\infty$ ）值，但具有截然不同的幅度变异性值。例如，在耦合逻辑映射中，不同的控制参数（ $r$ ）产生了相似的 $H_\infty$ 值（例如，~1.92 比特 vs. 1.95 比特），但幅度变异性值的差异可达一个数量级。相反，某些机制表现出显著的熵差异，但具有相似的变异性。通过 $H_\infty$ 与变异性的二维组合图，可以比单一指标更清晰地分离这些机制。
噪声鲁棒性： 幅度变异性指标随嵌入维度和噪声强度的变化呈现幂律行为，有助于在显著的观测噪声下区分混沌信号与随机信号。
EEG 分析： 在应用于大鼠 EEG 数据时，排列熵（ $H_\infty$ ）成功地区分了活跃觉醒（最高熵）与睡眠状态。然而，它未能显著区分 REM 和 NREM 睡眠，因为两者的熵值相似。相比之下，幅度变异性指标在大多数电极上显示出 REM 和 NREM 状态之间约一个数量级的差异。这符合这些状态的生理特征（REM 期为低电压快速波，NREM 期为高电压慢波）。同时使用这两种指标可以清晰地区分所有三种睡眠-觉醒状态。

意义与主张
论文声称，将信号幅度变异性纳入序数模式分析，提高了对合成及实验时间序列动力学行为的表征能力。作者断言，该方法对于以下方面特别有用：

特征工程： 提供补充的信号特征，可以提高 AI 分类器和机器学习算法的准确性。
状态分类： 增强区分复杂生理状态（如睡眠阶段）的能力，在这些状态下传统的熵度量可能不足。
鲁棒性： 提供一种在观测噪声和变化的嵌入维度下依然有效的方法。

作者对研究范围保持谦逊，指出其结论是基于特定的合成映射和特定的实验大鼠 EEG 记录得出的。他们建议，虽然目前的方法使用的是标准差，但涉及短信号的应用未来可能会受益于使用四分位距以提高对离群值的鲁棒性。他们还提出，将分析扩展到包含复杂度度量（如 Jensen-Shannon 复杂度）的三维空间，可能会进一步改善对非混沌动力学机制的表征。

类似论文