[论文解读] Multiscale Entropy Analysis: A New Method to Detect Determinism in a Time Series

Amitava Sarkar, P. Barat|ArXiv.org|Apr 5, 2006

Neural Networks and Applications参考文献 1被引用 8

一句话总结

本文提出多尺度熵（MSE）分析作为一种新方法，通过在多个时间尺度上评估熵值，以检测时间序列中的确定性。该方法揭示出，确定性信号在不同尺度下表现出与随机过程截然不同的熵模式，为在复杂系统中区分确定性动力学与噪声提供了稳健工具。

ABSTRACT

In this letter we show that the Multiscale Entropy (MSE) analysis can detect the determinism in a time series.

研究动机与目标

• 开发一种能够识别可能被噪声或随机性掩盖的时间序列中确定性分量的方法。
• 解决在传统方法失效的噪声或复杂系统中检测低水平确定性的挑战。
• 通过引入多尺度动力学，将基于熵的分析从单尺度度量扩展至多尺度。
• 为实验和模拟时间序列中检测确定性行为提供一种可靠且可扩展的框架。

提出的方法

• 通过在不断增加的时间窗内对数据点进行平均，计算多个粗粒度时间尺度下的样本熵（SampEn）。
• 粗粒度处理是迭代进行的：对于每个尺度因子 τ，将原始时间序列划分为长度为 τ 的非重叠段并取平均。
• 为每个粗粒度时间序列计算样本熵，以量化不同尺度下的规律性和复杂性。
• 分析所得的多尺度熵谱，以检测指示确定性动力学的特征模式。
• 该方法利用了确定性系统在尺度增大时熵系统性下降的特性，而随机过程则不具备此特性。
• 使用合成时间序列（如逻辑斯蒂映射、洛伦兹系统）进行验证，并与随机基准进行比较。

实验结果

研究问题

• RQ1 多尺度熵分析能否可靠地区分确定性时间序列与随机过程？
• RQ2 与随机过程相比，确定性系统的熵谱在多个时间尺度上如何演变？
• RQ3 MSE 对噪声和短数据长度的敏感性如何，以检测潜在的确定性？
• RQ4 熵的尺度依赖行为是否为复杂系统中确定性动力学提供了独特特征？
• RQ5 当传统方法失效时，MSE 能否检测到在噪声或非平稳时间序列中的微弱确定性？

主要发现

• MSE 分析成功识别出混沌时间序列（如逻辑斯蒂映射和洛伦兹系统）中的确定性动力学。
• 确定性信号在尺度增大时表现出熵的单调递减，而纯粹的随机过程则无此模式。
• 即使在中等噪声水平下，该方法也能有效区分确定性与随机时间序列。
• 多尺度熵谱为确定性提供了稳健的特征标识，确定性与随机过程之间具有明显对比。
• 即使信噪比偏低，该方法仍能保持对确定性结构的敏感性。
• 结果表明，MSE 是比单尺度熵度量更可靠的确定性指示器。