增量熵：一种时间序列复杂度度量

基于摘要分析。本文研究如何量化时间序列复杂度，提出增量熵 Increment Entropy（IncrEn），通过同时编码相邻变化的符号与幅度来构造熵指标。研究对象包括合成时间序列与癫痫 EEG 信号，并非直接验证 BCI 解码性能。 机制上，作者将每个增量映射为由两个字母组成的词，分别表示增量的符号和幅度，再以这些词的 Shannon entropy 定义 IncrEn。与仅描述信号能量的思路不同，该编码同时保留变化方向与幅度信息；但摘要不足以确定幅度离散化、词的统计方式及具体计算参数。 作者报告，在合成数据仿真及癫痫 EEG 测试中，IncrEn 能检测突变，涵盖能量变化（如尖峰或爆发）与结构变化。摘要未提供数据集、被试数、数据划分、对照方法或定量指标，因此无法判断检测准确性、稳健性及相对其他复杂度指标的收益；实验协议、消融及统计信息尚未验证。 作者称 IncrEn 的计算不对时间序列作假设，并可用于任意真实世界数据。该适用性主张不等于已验证其在不同 EEG 采集条件、噪声水平或跨被试场景下均有效。复现时需核对增量定义、幅度编码规则、统计窗口及预处理设置；现有摘要不支持将突变检测能力进一步解释为癫痫诊断或 BCI 控制效果。