等分符号化熵：一种高效的情感脑电信号特征分析方法

本文研究主要关注于情感脑电信号分析中的特征提取问题，特别是在非线性方法的背景下。基于排列熵和样本熵的优点，提出了一种新型的等分符号化熵（ESE）算法。排列熵以其高效计算而闻名，样本熵则在准确性方面表现出色，ESE算法结合了这两种优势，旨在提高情感脑电数据的特征提取效果。 在ESE算法中，首先对脑电信号进行等概率符号化处理，这是一种将连续信号转换为离散符号序列的方法，使得复杂的脑电波形能够被简化。然后，通过对符号矢量的相等计算，算法重构了信号中各分量的比例，这有助于揭示信号的内在结构和复杂性。这种方法特别适用于非线性系统，如脑电活动，因为它们往往呈现出复杂的动态行为。 通过在logistic映射这样的典型非线性系统上进行仿真实验，研究发现ESE算法在计算效率和准确性上都展现出良好的性能。这意味着它在处理脑电信号时，既能快速捕捉到关键信息，又能提供较高的精度，这对于情感识别至关重要。 进一步地，作者将ESE算法应用于实际的情感脑电信号分析中，结果显示在特定的脑区，如前额叶、顶叶等，ESE算法能够有效地区分正向和负向情感。这表明ESE算法具有区分不同类型情感特征的能力，为情感分析提供了有力的工具。 值得注意的是，这项研究得到了国家“973”计划的资助，体现出科研机构对非线性脑电复杂度研究的重视。作者团队包括陈萌（硕士研究生，主要研究方向为模式识别）、钟宁（博导，脑信息学网络智能）、李幼军（博士研究生，脑电信号深度学习）、刘岩（硕士研究生，脑电信号特征提取与分类）等专业人士，他们共同合作，推进了这一领域的前沿研究。 这篇论文不仅提出了一个创新的脑电信号特征提取方法，还通过实证研究证明了其在情感分析中的有效性，为后续在情绪识别、神经科学等领域应用奠定了坚实基础。