等概率符号化样本熵：脑电分析中的新型复杂性度量

"等概率符号化样本熵应用于脑电分析"这一研究论文探讨了传统样本熵在生理信号分析中的局限性，特别是它对于非平稳突变和序列概率分布的敏感性。样本熵作为信息增长率的度量，通常用于衡量时间序列的复杂性，尤其在短时序列分析中表现突出。然而，传统的样本熵计算依赖于与标准差成线性关系的容忍度，这使其在处理噪声和突变时可能受到影响。 为解决这些问题，研究者结合了符号动力学理论与样本熵，提出了等概率符号化样本熵方法。这种方法的核心在于使用等概率的符号化策略，通过这种方法，可以消除序列概率分布对熵值的影响，并提高对非平稳突变的抵抗能力。作者详细阐述了这种方法的物理意义、数学推导过程以及参数选择的重要性。 通过噪声数据的仿真计算，研究结果验证了等概率符号化样本熵的有效性和区分不同强度时间相关性的准确性。令人印象深刻的是，这种方法仅需1.25秒的脑电信号就能有效区分注意力集中和注意力发散两种状态，无需预先进行人工伪迹去除，这表明该方法在脑电生物反馈技术中具有巨大的应用潜力。 这项工作对于改进脑电分析中的复杂性评估方法具有重要意义，特别是在处理动态变化的脑电信号时，等概率符号化样本熵提供了更为稳健和快速的分析手段，有助于提升脑电生物反馈技术的精确性和实时性。通过PACS分类（05.10.-a, 89.70.cf, 87.19.le）和DOI引用，这篇论文强调了其在复杂系统动力学研究和实际应用中的核心价值。"