| 样本熵(Sample Entropy) | 您所在的位置：网站首页 › 三项是指 › 样本熵(Sample Entropy) |
样本熵(Sample Entropy)
|
样本熵 Sample Entropy
计算理解概念计算方法
代码实现C语言版
计算理解
样本熵 (Sample Entropy, SampEn) 是由Richman提出的一种时间序列复杂性测度方法，可以用 S a m p E n ( m , r , N ) SampEn(m,r,N) SampEn(m,r,N)来表示，其中维数为 m m m及 m + 1 m+1 m+1， r r r为相似容限， N N N为长度。 样本熵具有两个优势：样本熵的计算不依赖数据长度；样本熵具有更好的一致性，即参数 m m m和 r r r的变化对样本熵的影响程度是相同的。 计算方法参考： 信号处理算法(2): 样本熵(SampEn) | CSDN-雨寒sgg 时间序列分析 近似熵 一般地，对于由N个数据组成的时间序列 { x ( n ) } = x ( 1 ) , x ( 2 ) , x ( N ) \{x(n)\}=x(1), x(2), x(N) {x(n)}=x(1),x(2),x(N),样本熵的计算方法如下： 按序号组成一组维数为 m m m的向量序列， X m ( 1 ) , . . . , X m ( N − m + 1 ) X_m(1), ..., X_m(N-m+1) Xm(1),...,Xm(N−m+1)，其中 X m ( i ) = x ( i ) , x ( i + 1 ) , . . . , x ( i + m − 1 ) X_m(i)={x(i),x(i+1), ..., x(i+m-1)} Xm(i)=x(i),x(i+1),...,x(i+m−1)。从第 i i i点开始的 m m m个连续的 x x x值。定义向量 X m ( i ) X_m(i) Xm(i)与 X m ( j ) X_m(j) Xm(j)之间的距离 d [ X m ( i ) , X m ( j ) ] d[X_m(i),X_m(j)] d[Xm(i),Xm(j)]为两者对应的元素中最大差值的绝对值。即： d [ X m ( i ) , X m ( j ) ] = max k = 0 , . . . , m − 1 ( ∣ x ( i + k ) − x ( j + k ) ∣ ) d[X_m(i),X_m(j)] = \max_{k=0,...,m-1}(|x(i+k)-x(j+k)|) d[Xm(i),Xm(j)]=k=0,...,m−1max(∣x(i+k)−x(j+k)∣)对于给定的 X m ( i ) X_m(i) Xm(i)，统计 X m ( i ) X_m(i) Xm(i)与 X m ( j ) X_m(j) Xm(j)之间距离小于等于 r r r的j( 1 ≤ j ≤ N − m 1\leq j\leq N-m 1≤j≤N−m)的数目，并记作 B i B_i Bi。对于 1 ≤ i ≤ N − m 1\leq i\leq N-m 1≤i≤N−m，定义： B i m ( r ) = 1 N − m − 1 B i B_i^m(r)=\frac{1}{N-m-1}B_i Bim(r)=N−m−11Bi定义 B i m ( r ) B_i^m(r) Bim(r)为： B i m ( r ) = 1 N − m − 1 B i B_i^m(r)=\frac{1}{N-m-1}B_i Bim(r)=N−m−11Bi增加维数到定义这样，是两个序列在相似容县r下匹配m个点的概率，而是两个序列匹配m+1个点的概率。样本熵定义为: 当N为有限值时，可以用下式估计： S a m p E n ( m , r , N ) = lim N → { − l n A m ( r ) B m ( r ) } SampEn(m,r,N)=\lim_{N\rightarrow} \{-ln\frac{A^m(r)}{B^m(r)}\} SampEn(m,r,N)=N→lim{−lnBm(r)Am(r)} 代码实现 C语言版C语言版代码 There are two major steps in the calculations performed by mse: Time series are coarse-grained.Sample entropy (SampEn) is calculated for each coarse-grained time series. |
图片来源：Multiscale entropy analysis of biological signals (Fig.2)【本文地址】