⚡ electrical engineering

Sample entropy for graph signals: An approach to nonlinear analysis of graph signals

该论文提出了一种名为 SampEn $_{G}$ 的图信号广义样本熵方法，通过利用图移位算子构建多跳图嵌入来替代传统的时间延迟嵌入，从而有效量化连续状态空间上图信号的不规则性，并验证了其在非线性分析中的灵敏度与实用性。

原作者： Mei-San Maggie Lei, John Stewart Fabila Carrasco, Javier Escudero

发布于 2026-04-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Mei-San Maggie Lei, John Stewart Fabila Carrasco, Javier Escudero

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

这篇论文介绍了一种名为 SampEnG 的新方法。为了让你轻松理解，我们可以把复杂的数学概念想象成**“在一张巨大的社交网络地图上，观察人们的行为模式”**。

1. 背景：我们以前是怎么做的？

想象你正在观察一条单行道（比如一条河流或一条时间线）。

传统方法（SampEn）： 就像你在河边观察水流。如果水流忽快忽慢、毫无规律，我们就说它很“混乱”（熵高）；如果水流平稳有节奏，我们就说它很“规律”（熵低）。这种方法只能处理一条线上的数据。
现在的挑战： 现实世界的数据往往不是单行道，而是像社交网络、大脑神经元或城市交通网那样，错综复杂，节点之间互相连接。以前的方法很难直接用在这些“网状”数据上，因为它们通常把数据强行变成简单的符号（比如把数值变成“高”或“低”），丢失了很多细节。

2. 核心创新：SampEnG 是什么？

作者提出了一种叫 SampEnG 的新工具，它能把“单行道”的观察法，升级成“立体交通网”的观察法。

它的核心思想可以用“邻里八卦”来比喻：

以前的做法（时间延迟）： 看一个人今天的心情，再对比他明天的心情，以此类推。
SampEnG 的做法（多跳图嵌入）： 现在我们要看的是整个社区。
- 第 0 跳（你自己）： 记录节点（人）自己的数值。
- 第 1 跳（你的邻居）： 看看你直接认识的朋友们的平均值。
- 第 2 跳（朋友的朋友）： 再看看你朋友的朋友们的平均值。
- 第 m 跳： 一直扩散到更远的圈子。

SampEnG 就是在做这件事： 它把每个节点及其周围“几层圈子”里的信息打包成一个**“行为指纹”**。然后，它去比较网络里不同人的“指纹”有多相似。

如果大家的指纹都很相似（比如整个社区都在做同样的事，或者网络太密集导致大家互相影响变得一模一样），说明系统很规律（熵低）。
如果大家的指纹千奇百怪（有的很活跃，有的很安静，且没有明显的重复模式），说明系统很混乱/复杂（熵高）。

3. 实验验证：它管用吗？

作者做了两个实验来证明这个新工具很厉害：

实验一：还原经典（逻辑映射 Logistic Map）

比喻： 他们把 SampEnG 放在一条单向直线上（就像把社交网络强行拉直成一条线）。
结果： 神奇的是，SampEnG 的表现和传统的“单行道”方法完全一模一样。
意义： 这证明了新工具没有“发明错误”，它完美兼容了旧方法，只是能力更强了。

实验二：随机社交网络（Erdős–Rényi 图）

比喻： 他们在一个有 2700 个人的随机社交网络里，随机给每个人分配一个数值。
发现 1（连接度）： 当网络很稀疏（大家互不认识，连接很少）时，SampEnG 能敏锐地捕捉到变化。但随着连接变密（大家互相认识，信息到处乱飞），整个网络变得“同质化”（大家都差不多），SampEnG 的数值就会下降，趋近于零。
- 通俗解释： 就像在一个小村子里，如果每个人都能听到所有人的八卦，大家的观点很快就会变得一模一样，这就失去了“复杂性”。
发现 2（速度）： 处理 2700 个节点的网络，只需要大概 1.4 秒。这说明它算得快，实用性强，不是那种只能在超级计算机上跑的理论。

4. 总结：这有什么用？

简单来说，SampEnG 就像给复杂的网络数据装上了一副“透视眼镜”。

以前： 我们只能看单条线，或者把复杂网络强行简化成简单的符号，容易丢失信息。
现在： 我们可以直接分析网络本身的不规则性和复杂性。

它能用在哪里？

医疗： 分析大脑神经元网络，看癫痫发作前大脑信号是否变得过于“规律”或“混乱”。
金融： 分析股票市场的复杂关联，识别异常波动。
工程： 监测传感器网络，发现哪里出现了异常模式。

这篇论文的核心贡献就是：把“数数规律”的数学工具，从“一维的线”成功推广到了“多维的网”，让我们能更精准地理解复杂系统的混乱程度。

以下是基于论文《Sample entropy for graph signals: An approach to nonlinear analysis of graph signals》（图信号样本熵：一种图信号非线性分析方法）的详细技术总结：

1. 研究背景与问题 (Problem)

现有局限：当前的图信号处理（GSP）熵方法（如基于图的排列熵、色散熵、气泡熵等）虽然有效，但通常依赖于将信号离散化为符号动力学，进而计算香农熵。这种方法丢失了连续状态空间中的丰富信息。
核心挑战：经典的样本熵（Sample Entropy, SampEn）是一种在连续状态空间中衡量时间序列不规则性（复杂性）的强大工具，通过估计条件重发概率来工作。然而，现有的 SampEn 仅适用于一维时间序列，缺乏将其推广到图信号（Graph Signals）的通用框架，特别是如何定义图上的“时间延迟”和“模式构建”。
目标：提出一种名为 SampEnG 的新方法，将 SampEn 推广到图信号，使其能够在连续状态空间量化图信号的不规则性，并补充现有的符号动力学方法。

2. 方法论 (Methodology)

论文提出了一种基于多跳图嵌入（Multi-hop Graph Embedding）的 SampEnG 框架，核心思想是用“图跳数（Graph Hop）”替代传统 SampEn 中的“时间延迟”。

基本定义：
- 对于图 $G=(N, E, A)$ ，每个节点 $i$ 的信号值记为 $x_i$ 。
- 利用图移位算子（通常是邻接矩阵 $A$ 或加权邻接矩阵 $W$ ）的幂次来模拟信号在图上的传播。
- $L$ -跳邻域聚合：对于节点 $i$ ，定义 $x^L_i$ 为其 $L$ -跳邻域的游走加权平均值。
  $x^L_i = \frac{1}{\text{deg}_L(i)} \sum_{j \in N_L(i)} (A^L)_{ij} x_j$
  其中， $\text{deg}_L(i)$ 是 $L$ -跳度数（即 $A^L$ 对应行的和）， $N_L(i)$ 是恰好距离为 $L$ 的可达节点集合。
模式构建：
- 对于每个节点 $i$ ，构建长度为 $m$ 和 $m+1$ 的模式向量：
  $x^m(i) = [x^0_i, x^1_i, \dots, x^{m-1}_i]$
  $x^{m+1}(i) = [x^0_i, x^1_i, \dots, x^m_i]$
  这里 $x^0_i$ 是节点自身的信号值，后续分量代表不同跳数半径下的局部平均特征。
- 约束：仅考虑那些在 $1 $到$ m$ 跳范围内度数非零的节点，以避免稀疏图导致的未定义模式。
熵计算：
- 使用切比雪夫距离（Chebyshev distance）作为匹配阈值 $\epsilon = r \times \text{SD}$ （SD 为信号标准差）。
- 统计在阈值 $\epsilon$ 内，长度为 $m$ 的模式对匹配次数 $B_m(r)$ 和长度为 $m+1$ 的模式对匹配次数 $A_m(r)$ 。
- 最终 SampEnG 定义为：
  $\text{SampEnG} = -\ln \left( \frac{A_m(r)}{B_m(r)} \right)$

3. 关键贡献 (Key Contributions)

理论推广：首次将样本熵从一维时间序列成功推广到连续状态空间的图信号，提出了 SampEnG 算法。
多跳嵌入机制：创新性地利用图移位算子的幂次构建局部游走加权邻域平均，替代了传统的时间延迟嵌入，使熵计算能够感知图的拓扑结构。
连续域分析：避免了将图信号离散化为符号序列，保留了信号的连续数值特性，能够更精细地捕捉非线性动力学特征。
计算可行性：证明了该方法在大规模图（数千节点）上的计算效率，具有实际应用价值。

4. 实验结果 (Results)

逻辑映射（Logistic Map）验证：
- 在有向路径图上，SampEnG 完美复现并退化为经典的一维 SampEn，验证了其在 1D 信号上的正确性。
- 在无向路径图上，SampEnG 能够正确识别逻辑映射的分岔点和周期性“岛屿”，尽管由于无向邻域的非因果对称性，数值上略有差异，但整体趋势一致。
Erdős–Rényi (ER) 随机图实验：
- 连通性影响：在稀疏网络（低连通度 $K$ ）中，随着连通性增加，SampEnG 值下降，反映了拓扑规则性的增加（可预测性提高）。
- 稠密化效应：当图变得非常稠密或模式长度 $m$ 增大时，局部邻域发生严重重叠，导致模式同质化，SampEnG 趋近于零。
- 计算性能：在 $N=2700$ 的有向 ER 图上，使用 MATLAB 在 Apple M3 CPU 上运行，单次实体的计算时间约为 295ms ( $m=1$ ) 到 1400ms ( $m=3$ )，证明了其在处理大规模网络数据时的实用性。

5. 意义与展望 (Significance)

非线性分析新范式：SampEnG 为分析网络数据提供了一种新的非线性分析视角，能够量化图信号在连续状态空间中的复杂度和不规则性。
通用性：该方法不仅适用于时间序列，还可推广到各种网络数据（如传感器网络、社交网络、脑网络等），特别是那些具有连续状态属性且拓扑结构复杂的系统。
未来方向：论文指出未来工作将探索替代的图嵌入方式、提高对噪声信号的鲁棒性，并将其应用于真实的网络传感领域。

总结：该论文通过引入基于多跳图嵌入的 SampEnG，成功解决了图信号非线性复杂性度量的难题，填补了连续状态空间图信号熵分析的空白，并在理论验证和实际计算效率上均取得了显著成果。