短时 EEG 记录的多尺度排列熵评估

基于摘要分析。本文研究短时 EEG 记录在较大时间尺度下多尺度排列熵（MPE）估计不精确的问题，提出改进的多尺度排列熵（MMPE）。核心贡献是在每个尺度上计算所有可能的粗粒化 EEG 时间序列的排列熵（PE），再对这些 PE 值求平均，以改善短记录的多尺度复杂度量化。 机制方面，PE 用于刻画时间序列的动态特征，MPE 将其扩展至多个时间尺度。MMPE 的改动集中在粗粒化序列的利用及熵值汇总方式：摘要明确描述的是先分别计算 PE、再平均 PE，而不是先合并序列或概率分布后计算熵。所有可能的粗粒化序列如何构造、边界如何处理，以及尺度和 PE 参数如何选择，尚需全文核对。 作者报告，在白噪声与 1/f 噪声两类合成信号的模拟中，MMPE 相比 MPE 具有更好的估计准确性；在实际 EEG 记录实验中，MMPE 相比 MPE 降低了熵估计方差。摘要未提供具体数值、准确性参照、记录长度、被试信息或数据划分，因此不能量化改善幅度，也不能将估计方差降低等同于分类性能提升。实验协议、消融及统计信息尚未验证。 该工作直接面向 EEG 信号量化，并非已验证的 BCI 解码方法。复现时需核对粗粒化规则、PE 参数、尺度范围和短记录长度，以及模拟信号与真实 EEG 的评估流程；这些条件决定能否重现作者报告的准确性和方差改善。