多尺度增量熵

基于摘要分析。本文针对生理时间序列复杂性随长时间尺度变化的表征问题，提出 multiscale increment entropy（MIE，多尺度增量熵），将 incremental entropy（IncrEn，增量熵）与多尺度分析结合，用于衡量生理信号的复杂性。研究主要对象是生理时间序列的复杂性及健康、疾病和年龄相关差异，而非直接面向 BCI 任务的解码模型。 机制上，MIE 继承 IncrEn 对时间序列波动方向与幅度的联合考虑，并在多个时间尺度上进行分析。摘要未提供尺度构建方式、增量编码规则、参数选择或熵的具体计算公式，这些实现细节尚未验证。 作者报告，在合成信号与真实生理信号实验中，MIE 作为复杂性指标优于所比较的常用方法，并在各时间尺度上支持衰老与疾病伴随复杂性降低的理论。作者还报告，MIE 能区分健康被试与患者的 EEG 时间序列及心搏间期，以及年轻人与老年人的血氧饱和度变异，而所比较的常用算法在这些情境中表现不佳。上述结果的被试数量、疾病类型、数据划分、对照方法和量化指标未在摘要中给出，尚不能据此判断其跨被试泛化能力或临床判别价值。 作者报告，MIE 相较若干常用方法计算耗时更低、变异更小，且即使时间序列较短，在各尺度上仍有定义。复现时需核对短序列长度、尺度范围、参数设置及运行时间测量条件，并确认 EEG 预处理、实验协议、消融及统计信息；这些内容尚未验证。摘要中的 EEG 健康与疾病区分结果不等同于已验证的 BCI 解码收益。