基于多尺度涨落的离散熵及其在神经性疾病中的应用
神经元与认知
2019-03-01 v1 信号处理
摘要
基于涨落的离散熵（FDispEn）是一种估计信号涨落动力学可变性的新方法。它基于香农熵与基于涨落的离散模式。为在多个时间尺度上量化生理动力学，本文发展了多尺度 FDispEn（MFDE）。MFDE 对数据中存在的基线漂移或趋势具有鲁棒性。我们在选定的合成数据与五个神经性疾病数据集上评估了 MFDE，并与流行的多尺度样本熵（MSE）及近期引入的多尺度离散熵（MDE）比较：1）局灶与非局灶脑电图（EEG）；2）年轻、老年及帕金森病受试者的行走步幅间隔信号；3）亨廷顿病与肌萎缩侧索硬化的步幅间隔涨落；4）对照组与阿尔茨海默病患者的 EEG；5）帕金森病与共济失调的眼动数据。MFDE 处理了 MSE 值未定义的问题，且与 MDE 相比，在粉红噪声的尺度因子上给出了更稳定的熵值。总体而言，MFDE 是区分神经数据不同状态最快且最一致的方法，尤其在时间序列均值沿信号显著变化处（例如眼动数据）。本研究表明 MFDE 是深入理解神经性疾病记录动力学的相关新度量。
引用
@article{arxiv.1902.10825,
title = {Multiscale Fluctuation-based Dispersion Entropy and its Applications to Neurological Diseases},
author = {Hamed Azami and Steven E. Arnold and Saeid Sanei and Zhuoqing Chang and Guillermo Sapiro and Javier Escudero and Anoopum S. Gupta},
journal= {arXiv preprint arXiv:1902.10825},
year = {2019}
}