torch 提取一个三维脑电信号的微分熵特征，输入大小为batchsize，128，9，9 代码及详解

以下是使用 PyTorch 提取三维脑电信号微分熵特征的示例代码：

import torch
import numpy as np

def differential_entropy(x, tau=1, m=2):
    """
    计算微分熵特征
    :param x: 输入信号，大小为 batchsize x 128 x 9 x 9
    :param tau: 采样间隔，默认为 1
    :param m: 时延嵌入维度，默认为 2
    :return: 微分熵特征，大小为 batchsize x 128
    """
    batch_size = x.size(0)
    n_channels = x.size(1)
    n_points = x.size(2) * x.size(3)

    # 将输入信号拉平成二维矩阵，用于计算时延嵌入向量
    x = x.view(batch_size, n_channels, n_points)
    x_diff = torch.abs(x[:, :, 1:] - x[:, :, :-1])  # 计算一阶差分
    x_diff_embed = []
    for i in range(n_points - m * (tau - 1)):
        embed = x_diff[:, :, i:i+m*tau:tau].view(batch_size, -1)
        x_diff_embed.append(embed)
    x_diff_embed = torch.stack(x_diff_embed, dim=2)

    # 计算微分熵
    de = -torch.sum(torch.log(x_diff_embed + 1e-10), dim=1) / m

    return de

# 示例
x = torch.randn(2, 128, 9, 9)
de = differential_entropy(x)
print(de.size())  # torch.Size([2, 128])

上述代码中，`differential_entropy` 函数接受三维输入信号 `x`，并返回微分熵特征。函数中使用了时延嵌入的方法，将输入信号拉平成二维矩阵后计算一阶差分，再计算时延嵌入向量，并最终计算微分熵。

在示例中，我们生成了一个大小为 2 x 128 x 9 x 9 的随机输入信号 `x`，并调用 `differential_entropy` 函数提取微分熵特征。输出的 `de` 变量的大小为 2 x 128，表示每个输入信号在 128 个通道上的微分熵特征。