【多尺度熵与特征提取】一文看懂“多尺度熵”——多尺度样本熵、多尺度模糊熵、多尺度排列熵、多尺度包络熵、多尺度功率谱熵、多尺度能量熵、多尺度奇异谱熵及其MATLAB实现

在之前的系列的文件里，我对信息熵（功率谱熵、奇异谱熵、能量熵、近似熵、样本熵、排列熵、模糊熵）进行了较为系统的讲解（文章链接见文末）。

不过时常会有同学问我：为什么求熵值画不出来图？

对于一组一维数据来说，求它的某种信息熵（比如模糊熵）得到的就是单一的数值，它描述的是这段信号的复杂度，单一的数据点自然没办法画图。

不过对于朴素的“想要有张图贴到论文中”的想法，今天要讲的“多尺度熵”就可以满足了。

一、为什么要“多尺度”

简单地说，就是为了解决之前求信息熵尺度单一的问题，也就是分析对象只针对原始信号本身，这意味着，这些方法可能忽视了信号中的重要信息，尤其是在分析具有多重时间尺度特征的复杂信号时。

许多类型的信号，例如生理信号（如心电图）和金融市场数据，显示出在不同时间尺度上具有不同复杂性的特征。例如，心电图信号在短时间尺度上可能表现出快速的波动，而在长时间尺度上显示出更缓慢的趋势。

所以Costa 等提出了另一种时间序列复杂度的衡量方法—— 多尺度熵（ multiscale entropy，简称MSE），用以衡量时间序列在不同尺度上的复杂性， 极大地丰富了熵的含义。

二、“多尺度”是如何实现的

其实多尺度的实现是非常简单粗暴的。

首先这里引入了一个叫做“尺度因子”的概念。

当尺度因子等于1时，处理后的序列就等于原序列。
当尺度因子等于2时，则将序列中相邻的2个数求平均，例如原始序列为   ，则处理后的序列为：每两个数的平均值，即： 。此时你可以看出，此时序列长度变为以前的1/2
当尺度因子等于3时，则将序列中相邻的3个数求平均，此时序列长度变为以前的1/3，依此类推。

这个处理过程叫做“粗粒化”，可以说这个命名还是很形象的，随着尺度因子的增加，更多的细节信号在平均之后小时，序列所包含的信息变得更加平滑，动态特征减少，相应的长期趋势特征变得更为突出。

经过一系列的多尺度计算，比如尺度因此从1取到5，就可以得到5个新的数列，此时我们就可以观察信号在不同时间尺度下的行为。

拿一张图来直观展示一下这种“粗粒化”过程：