一种整合信息的压缩复杂度度量

量化整合信息是构建意识基础理论的一个主要途径。整合信息理论（IIT）因其理论上坚实的框架而在这一领域备受关注。然而，它面临一些局限，如依赖当前状态、计算代价高昂以及无法应用于真实脑数据。另一方面，扰动复杂度指数（PCI）是一种用于区分不同意识水平的临床度量。尽管PCI声称能捕捉脑网络中的功能分化与整合（类似于IIT），但它与整合信息理论的联系相当薄弱。受这两种方法的启发，我们首次提出了一种新的度量——$\Phi^C$，采用新颖的压缩复杂度视角，作为两者之间的桥梁。$\Phi^C$建立在基于无损数据压缩的复杂度度量原理之上，这些度量刻画了脑网络的动力学复杂度。$\Phi^{C}$展现出以下显著创新：（i）数学上有良好界限，（ii）与$\Phi$不同，对当前状态的依赖可忽略不计，（iii）整合信息以压缩复杂度而非信息论量来度量，（iv）计算更快，因为原子二分划的数量随网络节点数线性增长，从而避免了组合爆炸。我们的计算机模拟表明，对于多个多节点网络，$\Phi^C$具有与$<\Phi>$相似的层次结构，并展示了网络节点的分化、整合与熵之间丰富的相互作用。$\Phi^C$是一种有前景的启发式度量，可用于表征更大网络（如人脑）中的整合信息量（从而作为意识量的度量），并为在真实神经数据上检验脑复杂度预测提供了机会。