2025《脑电信号的同步分析中排序互信息方法概述》3500字.docxVIP

脑电信号的同步分析中排序互信息方法概述

目录

TOC\o1-3\h\u25843脑电信号的同步分析中排序互信息方法概述 1

113321.1排序熵 1

41171.1.1排序熵原理 1

176031.1.2排序熵算法流程图 3

76831.2排序递归图 4

95591.3互信息 7

110881.4排序互信息 10

学者Bandt和Pompe提出了一种新方法[8]，那就是基于排序模式进行时间序列的分析，将m维相空间等分为m!个排序区域，然后对时间序列状态变量的分布进行统计分析。

排序熵

排序熵原理

排序熵（PE）是由学者Bandt和Pompe在美国《Physical?Review?Letters》上提出了的分析方法，用于分析时间序列的不确定性测度，且同时适合一种量化信号的复杂度特征的方法，能够有效地反映隐含在信号中的非线性动力学信息[9]。与其他衡量复杂度的算法相比，它是针对时间序列本身所具有的空间特性而提出的。该方法有着以下几点优点：一是计算简单，且有较强的抗噪声能力；二是算对时间的敏感性强，分辨性强；三是算法输出结果直观，计算速度快[10]。以下为排序熵计算算法原理：

对给定的离散时间序列长度为N的一组时间序列X进行相空间重构[11]，可以得到矩阵Y为

(2-1)

其中，m为嵌入维数，t为延迟时间，K=N-(m-1)t。矩阵Y中每一行都是一个重构分量，一共有K个重构分量。

将每个重构分量按升序重新排列，并将向量中每个元素位置的列索引构成一组符号序列

(2-2)

则m维相空间映射总共有m!种不同的符号序列。

计算每一种符号序列出现的次数，将其除以m!种不同的符号序列出现的总次数，即为该重构分量的概率。

(2-3)

针对所构建的K行m列矩阵，如果取出某一行进行排序，可以获得排序后的序列。因为矩阵中的任一行的列数为m，m个数进行全排列，排列后的种类应为m！种。

针对矩阵的第一行，对其进行排序，这个序列肯定是m！种的1种。

如果矩阵的所有行之间排序的索引均不相同，按上述总次数的理解，每行的概率应均为1/(m!)。但是事实并不是这样的，那是因为分母不是m！，而是“出现的总次数”，未出现的种类不计算在内。

假设矩阵的所有行之间排序的索引均不相同，K行矩阵就会出现K种排序。总的次数就是K个1相加。由于索引均不相同，其频数均为1，则每行的概率应均为1/K。

那么若存在矩阵的所有行之间排序的索引相同的情况下内，我们只需要统计种类。比如K行中的第1和第2行排序后，索引序列相同，那么我们将该索引序列的频数记为2，后续第3行至第K行均不同，则频数均分别为1。此时总的次数依然为K，但是第1种和第2种一共占有2/K。第3行至第K行均占有1/K。

由于占的比重不同，最后利用比重进行求和时则有公式

pe=-sum(p.*log(p))

该公式中p为比重。

时间序列X的排列熵的计算公式为：

(2-4)

排列熵的最大值为ln(d!)，将排列熵值进行归一化处理，即：

(2-5)

排列熵值的大小体现了时间序列的随机程度。排列熵的值越小，时间序列越规则；排列熵值越大，则时间序列越接近随机。排列熵的变化反映并放大了时间序列的微小变化。

排序熵算法流程图

排序熵算法主要分为输入时间序列，进行重构矩阵，分析时间序列，输出排序熵这四个步骤，具体算法流程图由下图所示

开始输入t,m

开始

输入t,m

结束

将向量生成

m!*m的矩阵

生成1*m！的均为零的向量

归一化处理

统计向量中所有数所占比重

利用比重进行求和

所有非零项组成向量c

找出相同索引值，并在向量中加1

排列矩阵，获得索引值

输出pe

图2-1排序熵算法流程图

排序递归图

相空间重构是一种由时