首页/论文/0902.1113

arXiv 0902.11132009-02-06physics.data-an

EEG熵的动力学：超越信号加噪声

Dynamics of EEG Entropy: beyond signal plus noise

M. Ignaccolo, M. Latka, W. Jernajczyk, P. Grigolini, B. J. West

备注：: Does the signal plus noise paradigm apply to Electroencephalograms? Detrended Fluctuations Analysis vs Diffusion Entropy

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

采用扩散熵方法对脑电时间序列进行分析。由此产生的EEG熵表现出短时间的缩放，渐近饱和和衰减的α-节律调制。这些属性是忠实地模拟了一个现象学朗之万方程解释内的神经网络上下文。去趋势波动分析的EEG数据进行比较，扩散熵分析，并发现抑制EEG时间序列的某些重要属性。

英文摘要：

EEG time series are analyzed using the diffusion entropy method. The resulting EEG entropy manifests short-time scaling, asymptotic saturation and an attenuated alpha-rhythm modulation. These properties are faithfully modeled by a phenomenological Langevin equation interpreted within a neural network context. Detrended fluctuation analysis of the EEG data is compared with diffusion entropy analysis and is found to suppress certain important properties of the EEG time series.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

EEG熵的动力学

The Dynamics of EEG Entropy

采用扩散熵方法对脑电时间序列进行分析。由此产生的EEG熵表现出短时间的缩放，渐近饱和和衰减的α-节律调制。这些属性是忠实地模拟了一个现象学朗之万方程解释内的神经网络上下文。

2009-03-05physics.bio-phphysics.data-an

增量熵作为时间序列复杂性的度量

Increment entropy as a measure of complexity for time series

熵是一种常用的量化时间序列复杂性的指标。在这里，我们引入增量熵来度量时间序列的复杂性，其中每个增量被映射到一个两个字母的单词，一个字母对应于方向，另一个对应于大小。单词的香农熵被称为增量熵（IncrEn）。对合成数据的模拟和对癫痫EEG信号的测试已经证明了其检测突变的能力，而不管能量（例如尖峰或突发）或结构变化。IncrEn的计算不对时间序列做任何假设，它可以适用于任意真实世界的数据。

2015-02-26physics.data-an

探索排列熵分析在区分闭眼与睁眼静息状态中的稳健性

Exploring the robustness of permutation entropy analysis to differentiate between closed-eyes and open-eyes resting states

Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）；Universitat de Girona（赫罗纳大学）

本研究通过序数分析比较109名受试者闭眼与睁眼静息态EEG，验证了时间与空间排列熵在眨眼伪影、记录时长和电极数量变化下的稳健性，并发现二者均能显著区分两种状态。

2026-09-22physics.data-anq-bio.NC

将最新的盲源分离技术应用于EEG和MEG的困难

Difficulties applying recent blind source separation techniques to EEG and MEG

人脑活动的高时间分辨率测量可以通过记录头皮表面上的电势（脑电图，EEG）或通过记录头部表面附近的磁场（脑磁图，MEG）来执行。由于多个神经发生器可能同时激活并且来自这些源的电势和磁场叠加在检测器上，因此数据的分析是有问题的。非常希望将数据解混为表示原始个体发电机的行为的信号。这个一般性的问题被称为盲源分离和几个最近的技术，利用最大熵，最小互信息，和极大似然估计已被应用。这些技术在分离信号（如自然声音或语音）方面取得了很大的成功，但在应用于EEG或MEG信号时似乎无效。这些技术中的许多隐含地假设源分布具有大的峰度，而EEG/MEG信号的分析揭示了分布是多模态的。这表明，更有效的分离技术，可以设计的EEG和MEG信号。

2015-01-21physics.data-anphysics.med-phstat.ML

局灶性癫痫患者脑信号时空同步性的熵分析

Entropy analyses of spatiotemporal synchronizations in brain signals from patients with focal epilepsies

研究了20例不同脑源性、不同发作类型、不同年龄和性别的癫痫患者的脑内脑电图（EEG）数据（近7亿个数据）。多通道单变量振幅分析表明，时间依赖性香农熵可以用来预测局灶性癫痫发作发作在不同的致痫性脑区的不同患者。利用熵的空间或时间差异，进一步研究了癫痫发作间期和发作间期患者致痫区和非致痫区脑信号同步化的形成和时间演变。

2010-02-18physics.bio-phphysics.data-anq-bio.NC

减少因果关系测量的偏差

Reducing the Bias of Causality Measures

两个时间序列之间的相互依赖的方向和强度的措施进行评估和修改，以减少在估计的措施的偏差，使他们给零值时，没有因果关系的影响。为此，采用如在替代数据的帧中所使用的点重排。这种校正并不特定于特定的测量，并且在此基于状态空间重构和信息测量来实现。的因果关系的措施和它们的修改的性能进行评估，对模拟的非耦合和耦合的动力系统，并为不同的设置嵌入维数，时间序列长度和噪声水平。修正后的措施，特别是建议的修正传递熵，原来稳定在零水平的因果关系的情况下，并正确地检测信息流的方向时，它是存在的。这些措施也评估脑电图（EEG）的癫痫患者的大脑中的信息流的检测。EEG的措施的性能进行解释，鉴于从模拟研究的结果。

2011-01-18nlin.CDphysics.data-an

更多相关论文收起更多论文

用扩散熵的平衡估计评价生理信号的尺度不变性

Evaluation of Scale-Invariance In Physiological Signals By Means Of Balanced Estimation Of Diffusion Entropy

通过扩散熵的平衡估计的概念，我们评估可靠的尺度不变性嵌入在不同的睡眠阶段和步幅记录。从长期EEG信号中提取对应于唤醒、浅睡眠、REM和深睡眠阶段的片段。对于每个阶段，标度值分布在相当宽的范围内，这告诉我们标度行为是主体和睡眠周期依赖的。尾流段标度指数的平均值与REM段标度指数的平均值（$\sim 0.8$）几乎相同。清醒期和REM期的平均标度指数显著高于浅睡眠期（$\sim 0.7$）。对于步长序列，原始扩散熵和平衡扩散熵估计对去趋势序列的结果几乎相同。局部标度不变性的演化表明，生理状态的变化是突然的，尽管在实验中已经做了很大的努力，以保持条件不变。单个生理信号的全局行为可能丢失关于生理状态的丰富信息。在方法论上，BEDE能以相当高的精度评价极短时间序列（$\sim 10^2$）的标度不变性，而原始DE方法有时会低估标度不变性指数，甚至无法检测标度不变性行为。BEDE方法对时间序列的趋势很敏感。趋势的存在可能导致标度指数过高，从而导致错误的结论。

2012-11-13cond-mat.dis-nnphysics.data-an

基于多变量传递熵和分层统计检验的大规模有向网络推理

Large-scale directed network inference with multivariate transfer entropy and hierarchical statistical testing

网络推理算法是研究大规模神经影像数据集的重要工具。多变量传递熵非常适合这项任务，是一种无模型的测量，它捕获时间序列之间的非线性和滞后依赖关系，以推断最小有向网络模型。贪婪算法已经被提出来有效地处理高维数据集，同时避免冗余推理和捕获协同效应。然而，多重统计比较可能会夸大假阳性率，并且计算量很大，这限制了以前验证研究的规模。我们提出的算法-在IDTxl开源软件中实现-通过采用分层统计测试来控制家庭错误率并允许有效的并行化来解决这些挑战。该方法在涉及随机网络的合成数据集上进行了验证，网络的大小不断增加（最多100个节点），线性和非线性动力学。性能随着时间序列的长度而增加，对于10000个时间样本，达到一致的高精确度、召回率和特异性（平均>98%）。改变统计学显著性阈值表明，更长的时间序列更有利的精确度-召回权衡。网络大小和样本大小都比以前证明的大一个数量级，显示了典型EEG和MEG实验的可行性。

2019-07-30cs.ITcs.SImath.IT