样本熵家族

多尺度熵（Multi-scale entropy，MSE）基于样本熵，首先是由Costa等人提出用于描述一个时间序列在各个不同的时间尺度中的复杂程度。如果一个序列的多尺度熵值随着尺度的减少而减小，说明序列结构比较简单；如果熵值随尺度的增加而增大，说明此序列自相似大，无规则程度高。如果一个时间序列在不同尺度下的熵值都高于另一个时间序列，就说明前者的复杂度要高于后者，即随机程度高于后者。为突破MSE算法只能够测量单变量时间序列复杂度的局限性，2012年Ahmed等提出了多变量MSE（Multivariate MSE，MMSE）算法。在计算熵值的过程中引入多变量 SampEn（Multivariate SampEn，MSampEn），并在多个时间尺度上评估时间序列复杂度。为克服MSE算法随着尺度因子增大，熵估计可靠性降低的问题。2013年Wu等提出复合MSE（Composite MSE，CMSE）算法。在对原始序列以尺度因子为τ进行粗粒化时，与传统MSE只生成一个粗粒化序列不同，CMSE算法可以生成τ个粗粒化后的序列。尺度因子为τ时，CMSE定义为上述所有粗粒度序列 SampEn的均值。2014年Wu等针对MSE和CMSE等算法过程中可能产生的不确定熵值的问题，提出精细化复合MSE（Refined Composite MSE，RCMSE）算法。RCMSE算法与CMSE算法的差异在于：当尺度因子为τ时，得到该尺度因子下所有粗粒化序列匹配向量对后，先求其各个尺度下的均值，再求取相应熵值。
覃国萍, 李双燕, 徐桂芝. 多尺度熵算法研究进展及其在神经信号分析中的应用[J]. 生物医学工程学杂志, 2020, 37(03):541-548.