🌀 nonlinear sciences

Quantifying the complexity of trajectory ensembles with clustering-weighted multivariate multiscale sample entropy

本文引入了聚类加权多元多尺度样本熵（CWMMSE），这是一种通过区分个体动力学复杂性与群体多样性来量化轨迹系综复杂性的新颖指标，从而克服了传统方法在处理多样化的物理、环境及生物医学系统时存在的平均化局限性。

原作者： Chenxiao Tian, J/"urgen Hackl

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Chenxiao Tian, J/"urgen Hackl

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

混沌交响曲：为何单一的声音无法代表全貌

想象一下，你正试图理解天气。你可以观察自家后院的一个温度计，然后说：“今天很热。”但这并不能告诉你是否正在酝酿风暴，或者是否有狂风在呼啸，亦或是整个地区正处于混沌的湍流之中。在科学世界里，从追踪太空中的卫星到监测医院里的心跳，研究人员经常处理“系综”（ensembles）。这只是一个高级词汇，指的是一大群运动着的物体，比如一支船队、一群鸟或一群患者。长期以来，科学家们试图通过只测量一个指标来理解这些群体：平均值。他们会将每一个成员的“复杂度”（即运动的不可预测性或混乱程度）相加，然后除以成员总数。这就像是通过所有歌手的平均音量来评判一个合唱团。

但问题在于，平均值会掩盖真相。想象两个不同的合唱团。在第一个合唱团中，每一位歌手都在进行一段极其复杂、高难度的爵士独奏，但他们唱的是完全相同的旋律。在第二个合唱团中，每位歌手都在哼唱一段简单、乏味的曲调，但每个人哼唱的旋律都各不相同。如果你只取平均值，这两个合唱团看起来可能是一样的。但它们完全不同！第一个合唱团是冗余的（因为每个人都一样，所以显得单调），而第二个合唱团是多样化的（因为每个人都不同，所以显得有趣）。为了真正理解一个系统，你不仅需要知道单个部分的混乱程度，还需要知道整个群体的差异性。本文探讨的问题是如何衡量一个整体人群的复杂度，而不只是其中某个平均个体的复杂度。

新工具：一种针对人群的“加权”评分

本文作者，来自普林斯顿大学的陈晓笑（Chenxiao Tian）和 Jürgen Hackl，发明了一种名为**聚类加权多变量多尺度样本熵（Clustering-Weighted Multivariate Multiscale Sample Entropy，简称 CWMMSE）**的新数学工具。这个名字很绕口，让我们用一个简单的类比来拆解它。

想象一条繁忙的城市街道。街上有成千上万的人在走动。

第一个要素（个体复杂度）： 首先，你观察一个人。他是走直线，还是在不停地左右横跳、躲避障碍物并不断变换方向？如果他在横跳，那么他就具有较高的“个体复杂度”。
第二个要素（系综多样性）： 接着，你观察整个群体。他们是在以完全相同的横跳模式行进吗（就像阅兵方阵）？还是每个人都在做完全不同的事情？如果所有人都在做同样的事，这个人群就是“冗余”的。如果每个人都在做独特的事情，这个人群就是“多样化”的。

过去衡量这座城市的方法仅仅是计算每个人的横跳程度的平均值。作者认为这是错误的。他们的新工具 CWMMSE 做了两件事：它将行为相似的人归类为“簇”（模式），然后计算出一个分数，只有当一个群体既具有个体上的混乱性，又具有集体上的多样性时，才会给予高分。

重大发现：平均值会撒谎

论文证明了旧有的“平均值”方法经常得出完全相反的结论。作者用 11 种不同的现实世界系统（从洋流到心跳）测试了他们的工具，并发现了令人惊讶的结果。

海洋测试：
他们观察了两组海洋漂流物（浮标）。一组位于墨西哥湾流（一条极快、充满能量的水流）中；另一组位于萨加索海（一个平静、安静的海域）。

旧方法： 墨西哥湾流中的漂流物在个体上更加混乱（它们正被涡流甩来甩去）。因此，平均值法认为墨西哥湾流是“更复杂”的系统。
新方法 (CWMMSE)： 作者发现，在墨西哥湾流中，所有的漂流物实际上都在遵循着几个巨大的环流和漩涡。它们在个体上是混乱的，但在集体层面上，它们都在做同样的事情。然而，萨加索海的漂流物虽然移动缓慢，但每一个都在采取完全独特且随机的路径。
结果： CWMMSE 判定平静的萨加索海是更复杂的系统，因为它更具多样性。而充满能量的墨西哥湾流实际上是“冗余”的。

心跳测试：
这在医学领域至关重要。他们观察了健康人群与心肌梗死患者的心跳。

旧方法： 当他们对个体心跳的复杂度进行平均时，病态的心脏看起来比健康的更“复杂”（更不规则）。这是医学界的一个已知问题：有时疾病会让信号看起来更“嘈杂”，但这并不意味着系统是健康的。事实上，平均值法将病态心脏归类为更复杂的群体，这是一个错误的结论。
新方法 (CWMMSE)： 他们发现，健康的内心虽然在个体上略逊于病态的心脏，但在整个群体中展现出了巨大的模式多样性。而病态的心脏则全都陷入了几种刻板的、“破碎”的模式中。健康组是多样化的，而病态组是冗余的。
结果： CWMMSE 正确地识别出健康组是更复杂、更稳健的系统。它反转了平均值法的排名，表明病态心脏的“混乱”实际上是一个正在崩溃的、多样性降低的群体的迹象。

它排除了什么

作者非常明确地说明了他们的工具不是什么。他们明确展示了你不能仅仅测量“多样性”。他们用一组卫星和空间碎片进行了测试。这些物体都在不同的轨道上，因此它们具有极高的多样性（高多样性得分），但它们的运动是完全可预测且简单的（低个体复杂度）。

陷阱： 如果你只测量多样性，你会说空间碎片是宇宙中最复杂的系统。
现实： CWMMSE 正确地给出了接近于零的分数。它证明了一个系统可以虽然多样，但如果个体部分是可预测的，它仍然是“简单”的。你需要两者兼备才能得到正确的答案。

他们的结论有多可靠？

作者并非凭空猜测，而是进行了严格测试。他们使用了已知答案的混沌系统（如著名的 Lorenz 和 Rössler 系统）进行计算机模拟。他们的工具每次都能得出正确的排名，而旧的平均值法则失败了。他们还进行了“零假设测试”（例如卫星示例），以确保他们的工具不会被那些看起来复杂但实际并不复杂的现象所误导。

他们在 11 种不同类型的数据上进行了测试，包括洋流、热带气旋、航运交通、地震，甚至包括神经退行性疾病患者的步态。在每一个案例中，新工具都揭示了旧平均值法所忽略的隐藏结构。他们甚至展示了“个体混乱度”与“群体多样性”之间的“耦合”关系至关重要——这不仅仅是两者的简单乘积，而是一种通过其公式捕捉到的特定关系。

核心启示

这里的主要教训是：整体并不等于部分之和。 当科学家观察一组数据点时，不应仅仅对它们取平均值。有时，一个平静且多样化的群体，比一个混乱且重复的群体更复杂、更有趣。通过使用这种新的“加权”评分，研究人员终于可以区分一个系统是真正的复杂，还是仅仅表现为混乱或仅仅表现为差异。这是一种全新的方式，让我们能够倾听整个合唱团的旋律，而不是仅仅听取每个歌手的平均音量。

技术摘要：量化轨迹系综的复杂度：聚类加权多元多尺度样本熵 (CWMMSE)

1. 问题陈述

在物理、生物和工程科学中，系统越来越多地被观测为轨迹的系综（例如，卫星星座、临床队列、流体颗粒），而非单一的时间序列。现有的复杂度度量方法，如样本熵 (SampEn)、近似熵 (Approximate Entropy) 和多尺度熵 (MSE)，主要用于表征单个时间序列的不可预测性。然而，通过简单地对单个轨迹的复杂度求平均来将这些度量应用于系综，会丢弃群体结构的差异性。

本文指出了一种关键的局限性，即这种“平均化”方法会将个体复杂度（单个轨迹的无序程度）与系综多样性（群体轨迹的变异程度）混为一谈。因此，平均法无法区分以下两种情况：

一个冗余的群体，其中每个成员都表现出相同的复杂行为。
一个多样化的群体，其中许多截然不同的、个体简单的行为并存。

作者认为，一个忠实的系统复杂度度量必须同时考虑成员的无序性和群体的多样性，因为这两个组成部分在现实数据中可能会发生显著背离。

2. 方法论：聚类加权多元多尺度样本熵 (CWMMSE)

作者提出了 CWMMSE，这是一种将个体复杂度和系综多样性融合为单一加权熵值的指标。其构建过程分为三个阶段：

A. 轨迹内复杂度（个体组成部分）
对于由 $M$ 个多元时间序列组成的系综中的每个轨迹 $T_j$ ，作者计算其多元多尺度样本熵 (MMSE)。

粗粒化 (Coarse-graining)： 在时间尺度 $s$ 下，将通道在不重叠的块上进行平均。
延迟嵌入 (Delay Embedding)： 构建跨所有通道的复合延迟向量。
熵计算： 计算在嵌入维度 $d$ 处匹配的两个段在扩展一个每通道样本后仍保持匹配的条件概率。该概率的负对数即得出 $S(T_j)$ 。
此步骤捕捉了每个个体轨迹内在的动力学复杂度。

B. 系综多样性（群体组成部分）
通过聚类将轨迹分组为行为模式。

聚类： 使用基于轨迹差异度量（默认为逐点欧氏距离）的凝聚 Ward 联动法 (Agglomerative Ward linkage)。
分辨率： 聚类在特定的高度（定义为最大联动距离的一个比例）处进行切割，以定义行为模式。
多样性度量： 使用 香农聚类熵 来量化群体在 $k$ 个聚类上的分布，即 $H(C) = -\sum p_i \ln p_i$ ，其中 $p_i$ 是属于聚类 $i$ 的轨迹比例。该值通过 $\ln M$ 进行归一化，得到 $\hat{H}$ 。

C. 融合：加权熵
CWMMSE 使用 Belis 和 Guiaşu 的加权熵框架将上述成分结合起来。

公式： $S_{CWMMSE} = \sum_{i=1}^{k} (-p_i \ln p_i) S_i$ ，其中 $S_i$ 是聚类 $i$ 中轨迹的平均 MMSE。
解释： 这是群体模式分布的香农熵，其中每个结果（模式）都由其自身的动力学复杂度进行加权。
理论基础： 作者证明了当系综规模 $M \to \infty$ 时，CWMMSE 的经验插件估计量对于固定的有限划分是强一致的 (strongly consistent)。

与其他方法的关键区别：

对比平均法 ( $\bar{S}$ )： 平均法忽略了多样性。
对比多样性指数（如 Rao's 二次熵）： 这些指数通过成对差异度进行加权，未能区分“由复杂行为构成的多样化群体”与“由平凡（可预测）行为构成的多样化群体”。
对比分离乘积 ( $H(C) \cdot \bar{S}$ )： 虽然乘积尊重两个成分的极限，但它丢弃了复杂度-多样性的耦合关系。CWMMSE 保留了模式的复杂度与其盛行率（惊异度/surprisal）之间的协方关系，而这种关系在现实数据中是不可忽略的。

3. 主要贡献

定义与理论： 引入了 CWMMSE 作为 Belis 和 Guiaşu 加权熵在轨迹系综中的特定应用实例，并证明了在固定分辨率下其经验估计器的强一致性。
分解： 证明了系统复杂度可以分解为两个相互独立的成分：轨迹内复杂度与轨迹间多样性。
双重成分的必要性： 通过两个“对照实验”验证了单一成分度量的失效：
- 心脏控制： 平均熵错误地将病态心脏的复杂度排在健康心脏之上；CWMMSE 则正确识别出病态群体由于群体多样性的坍缩而导致复杂度较低。
- 轨道零点 (Orbital Null)： 仅考虑多样性的指数（如 Rao's 熵）将一群完全可预测的卫星碎片视为高度复杂；CWMMSE 则正确返回接近零的复杂度，因为单个轨迹是平凡的。
跨领域验证： 该度量无需针对特定系统进行调优，即可应用于十一个系统（混沌、海洋漂流者、心电图、卫星轨道、湍流、气旋等），证明了这种分解具有普适性。

4. 结果

确定性混沌： CWMMSE 正确地对 Lorenz 和 Rössler 系统进行排序，在混沌状态下达到峰值，并在定常/周期状态下趋于零。它能区分非线性混沌与线性噪声替代物。
海洋漂流者： 墨西哥湾流（高能流）具有较高的个体复杂度（路径曲折），但较低的系统复杂度（冗余、相干结构）；相比之下，萨加索海（静止环流）虽然个体复杂度较低，但由于存在多样且独立的路径，其系统复杂度更高。CWMMSE 正确地将萨加索海评为更复杂的系统。
心电图 (ECG) 队列： 在心肌梗死 (MI) 与健康队列的对比中，单条记录的个体复杂度几乎相同（或略高）。然而，健康队列表现出显著更高的系综多样性（形态更为多样）。CWMMSE 扭转了平均熵的排名，正确识别出健康群体具有更高的复杂度。
卫星轨道： 低地球轨道物体组成的碎片云在位置上具有极大多样性，但个体轨迹是可预测的。仅考虑多样性的指数将此类情况判定为最复杂的系统；CWMMSE 则正确将其复杂度赋予接近零的值。
其他系统： 该度量成功区分了湍流与层流，通过对热带气旋路径的偏离程度进行排序，并检测到了 2011 年东北地震波列期间系统复杂度的坍缩。

5. 意义与主张

本文主张，应当测量群体复杂度，而非对其进行平均。核心论点是：系综的复杂度不仅仅是其部分的总和或平均值，而是一个源于个体无序性与群体多样性相互作用而产生的独特属性。

理论意义： CWMMSE 提供了一个原则性的信息论框架（加权熵），统一了动力学复杂性与功能多样性的概念。它解决了这样一个歧义：即一个系统可以在某种意义上是“复杂的”（个体轨迹），但在另一种意义上是“简单的”（冗余群体），反之亦然。
实践意义： 该度量为从生理学（通过检测群体多样性的丧失来诊断疾病）到空间态势感知（区分复杂碎片与可预测轨道）等领域提供了诊断工具。
局限性与范围： 作者谦虚地指出，CWMMSE 是作为研究中的比较工具，依赖于聚类分辨率和系综规模。它旨在对具有相似随机性的系统进行排序，而非将结构与噪声分离（因为样本熵会将噪声视为高度无序）。分辨率参数被视为一个明确的、可报告的设置，而非需要消除的干扰项。

总之，本文确立了对于以轨迹系综形式观测的系统，一个忠实的复杂度度量必须同时捕捉成员的复杂性与群体的多样性，而 CWMMSE 正是满足这一要求的指标。