将信号幅度变异性纳入序数模式分析

分析信号最流行且创新的方法之一是使用序数模式（Ordinal Patterns, OPs）。OP编码基于将（单变量）信号转换为OP的符号序列，其中每个OP表示对信号一小部分幅度所需的置换次数。这意味着OP概念清晰、在方法论上易于实现、对噪声鲁棒，并且可以应用于短信号。此外，它们简化了可以对信号进行的统计分析，如熵和复杂度量化。然而，由于相对排序，关于每个时间戳信号幅度的信息被丢弃——这是该方法的一个主要缺点。本文提出了一种方法，将OP编码中被丢弃的信号幅度作为其置换熵的补充变量。为说明我们的方法，我们分析了来自Logistic和Hénon映射的合成轨迹——带和不带噪声——以及来自不同睡眠-觉醒状态下大鼠的皮内脑电记录。我们的结果表明，当将信号幅度的变异性与置换熵补充在一起时，对地图和睡眠-觉醒状态的动力学行为表征得到改善。这意味着我们的方法对于特征工程和提高AI分类器的分类准确率具有帮助。