基于自适应子尺度熵的 EEG 量化

基于摘要分析。该研究针对 EEG 在不同频谱模式下具有不同动力学、且信号呈非线性与非平稳性的问题，提出自适应子尺度熵，通过信号自适应分解与随时间变化的熵计算，量化 EEG 的多尺度动力学变化。 核心机制是先利用 empirical mode decomposition（EMD，经验模态分解）将 EEG 分解为其内在频谱分量，即 intrinsic mode functions（IMFs，本征模态函数）；再以随时间变化的方式计算各 IMF 的 Shannon entropy，并在多个自适应尺度上求和，形成 EEG 的自适应子尺度熵。其方法特点在于以信号自身分解所得的分量组织多尺度分析，而不是仅用单一尺度描述复杂性。摘要未给出熵的概率分布估计方式、时间窗口设置、IMF 选择及尺度求和的具体实现，这些均尚未验证。 作者报告，仿真与实验结果显示，该熵指标能够反映多个尺度上的动力学变化。摘要未提供仿真信号设置、实验 EEG 的采集条件、被试信息、数据划分、对照方法或定量指标，因此目前只能确认作者所报告的定性结论，不能判断其相较其他熵指标的优势，也不能推导出分类或 BCI 性能提升。实验协议、消融及统计信息尚未验证。 复现时需从全文核对 EMD 的实现与停止准则、熵估计流程、时间与尺度参数，以及验证动力学变化所采用的参照标准。当前证据支持将其理解为 EEG 多尺度特征量化方法，而非已验证的 BCI 解码算法。