软件影响13（2022）100329原始软件出版物样本熵签名：解释SampEn值Guilherme Botazzo Rozendoa，Marcelo Zanchetta do Nascimentob，Guilherme FreireRobertob，Paulo Rogério de Fariac，Adriano Barbosa Silvab，Thaína Aparecida AzevedoTostad，Leandro Alves Nevesaa圣保罗州立大学计算机科学和统计系，Rua Cristóvão Colombo，2265，15054-000，São José do Rio Preto，São Paulo，BrazilbUberlândia联邦大学计算机科学学院（FACOM），Avenida João Naves de Ávila 2121，Bl.B，38400-902，Uberlândia，Minas吉拉斯c乌贝兰迪亚联邦大学生物医学科学研究所组织学和形态学系，Av. 亚马逊，S/N，38405-320，Uberlândia，MG，巴西d圣保罗联邦大学科技学院，Avenida Cesare Mansueto Giulio Lattes，1201，12247-014，São José dos Campos，圣保罗，巴西A R T I C L E I N F O保留字：样本熵纹理签名SampEn签名特征提取模式识别A B标准我们提出了样本熵签名方法，它提供了一种新的方式来表示图像通过样本熵（SampEn）。所提出的方法从多个SampEn值定义纹理签名，所述多个SampEn值从参数的组合获得。������在这里，确定了每个特征的特征（特征范围从1到4），每个特征点（特征范围从0.06到0.4），并且每个特征的行为由度量确定：曲线下面积，偏度，最大熵值和面积比。该方法旨在提高SampEn的定量能力，并对其值提供新的解释代码元数据当前代码版本v1用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-64可再生胶囊的永久链接https://codeocean.com/capsule/1141247/tree/v11法律代码许可证MIT许可证使用git的代码版本控制系统使用MATLAB的软件代码语言、工具和服务编译要求，操作环境依赖性MATLAB如果有开发人员文档/手册的技术支持电子邮件guilherme. unesp.br1. 介绍样本熵（SampEn）是一种在一维背景下出现的技术，作为短时间和噪声时间序列中不规则性的度量[1]。后来，SampEn的概念被扩展到二维环境，特别是作为纹理不规则性的量化器在数字图像[2，3]。在数字图像的上下文中，SampEn计算通过使用侧窗的方形窗口对图像中的相似图案进行采样来进行。如果两个图案之间的距离不超过公差值λ，则认为这两个图案相似。SampEn特征提取的主要挑战是，充分的图像表示取决于建立最佳组合本文中的代码（和数据）已由Code Ocean认证为可复制：（https://codeocean.com/）。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。∗ 通讯作者。电子邮件地址：guilherme. unesp.br（G.B.Rozendo），marcelo. gmail.com（M.Z.do Nascimento），guilhermefroberto@gmail.com（G.F.Roberto），paulo. ufu.br（P.R. de Faria），adrianobs@gmail.com（A.B. Silva），tosta. gmail.com（T.A.A. Tosta），leandro. unesp.br（洛杉矶）。Neves）。https://doi.org/10.1016/j.simpa.2022.100329接收日期：2022年5月13日;接收日期：2022年5月28日;接受日期：2022年6月2日2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表软件影响杂志 首页：www.journals.elsevier.com/software-impactsG.B. Rozendo，M.Z.do Nascimento，G.F.Roberto等人软件影响13（2022）1003292������′，������，���������������，���，���，���′，���不同的数据集[4]。 量化签名���，−1���，���′，������，���′，���A101������–==1max（）−max（）−���=1的参数，������研究人员通常在一个范围内探索多个参数值，测试每个参数组合的SampEn分类能力，并确定提供最佳结果的关联。然而，并不总是单个SampEn值足以完全表示图像集并提供相关的分类性能[4]。为此，我们提出了一种考虑使用纹理签名（特征曲线）的方法来扩展SampEn特征提取。我们的建议包括组织不同的SampEn值，从参数值的探索中获得，在纹理签名中，我们称之为SampEn签名。我们使用曲线的行为，例如，SampEn值的变化沿着曲线，来描述图像的我们量化了3. 我们的方法：SampEn签名3.1. 子图像法在SampEn计算中，像素之间的比较大约为2 ×（max（）-+ 1）2×（max（）-+ 1）2[2]。因此，在所提出的方法中，在基于子图像的方法之后应用SampEn以实现大图像中的特征提取。该程序随机选择大小为10×10的10个子图像，并为每个子图像提取SampEn值。整个图像的SampEn是所有所选子图像的熵值的简单算术平均值（Δ n）。通过诸如面积、偏度、最大熵点和面积比的度量。我们的方法避免了定义单一组合的需要������������U（，）=���������������1（，）++（，）������������������，（7）的计算，并扩大了SampEn的定量能力， 对SampEn值的新解释。我们开发了所提出的方法来辅助非霍奇金淋巴瘤的诊断2. 传统的计算SampEnSampEn计算当在每个维度中递增一个单位时，相似的尺寸大小的模式保持相似的概率，即，（1+ 1）大小的图案。从给定的图像U_n中，两个子矩阵（win-其中，是全图像熵，���������������������������������������每个随机选择的子图像的熵值3.2. SampEn签名所提出的方法的主要贡献是组织特征曲线中的多个SampEn量化称为纹理签名。纹理特征有助于量化数字图像中像素的空间排列和强度。在我们的建议中，SampEn值来自多个观测，其中涉及值定义：子矩阵������尺寸���为 ×���，固定对于参数λ和λ，被组织为纹理签名，在U的位置（，）上，和一个子矩阵，m矩阵������，也是尺寸���×���，其在图像的整个长度上滑动。两个大小为100的模式之间的相似性由距离确定，���是对应的像素点之间的最大差异，������子矩阵：坐标系：SampEn（y轴）×（x轴），对于每个值。������3.3. SampEn签名度量������ =[，���������] =max|���（���+���，���+���）−���（���′+���，���′+���）|、（1）签名其中0-1，0-1和（，）（′，′），意味着不执行自比较。���������是提取曲线度量。在所提出的方法中，我们提取了面积（A），偏度（），熵的最大点（max）和面积从远处看，所有窗户的平均数量���������几乎相似ratio（）指标。到������ 执行：���，���′，���的度量定义了SampEn签名之间的区域，max（）−max（）−由函数f（f）和x轴表示A的值可以是���（������）=1∑∑���（���[������，������ ]−），（2）���1=1���1=1通过计算范围[，]的（）的积分获得，使用������其中=（max（）−）×（max（）−）和（[，���������������]−）Heaviside���100+������100+���������������������（（三）其中，（n+1-n）是两个连续点之间的间距������0，如果������ −0>0，是签名中的SampEn值的总数，并且������其中，λ是用于考虑两个图案是否相似的容限。该值由图像的标准偏差的百分比确定：���������=其中，λ是实正常数，λ是U标准差。相似系数���大小的窗口，然后定义为所有人服务���点处的SampEn值���度量是曲线相对于其平均值的不对称性。如果大多数曲线值位于平均值的右侧，则为正值。否则为负数。通过以下公式[6]计算1 ∑（（）−（））���3签署人：1个���∑=1∑=1���������（（五）（一）∑��� （（）−（））������2）3其中，SampEn（）是第二个SampEn值，SampEn（）是曲线平均值，���������是曲线中的点数。通过重复上述步骤来确定系数SampEn���+1，SampEn是相似系数之间的比率的负自然对数：���日本+1最大度量是每个签名的最高SampEn值，并且是左右两侧面积的比值到曲线中心，根据等式：=A（���闪烁2+1，���）。（十）������������(���,���) = − ln������.（六）、A（1，闪烁2）∑基于网络的方法[5]：（）]、（8）函数定义：2 =1、（9）G.B. Rozendo，M.Z.do Nascimento，G.F.Roberto等人软件影响13（2022）1003293表1软件功能描述。功能输入输出说明‘‘main.m’’SampEn. m'"、“similar_m. m'"和”similar_m1.m根据Silva et al.，一个子图像，一个SampEn值������[3]第一章������‘‘avr_SampEn.m"（方程式（七）‘‘signatures.m"‘‘metrics.m"提取签名度量（第3.3节）图1.一、 考虑度量Ai，max的特征向量结构的图示和每个签名。针对每个SampEn签名计算签名度量（Ai，max和），总共16个属性，如图1B所示。1.一、4. 软件描述我们在MATLAB R2017a中编写了代码，它可以在Code Ocean平台上使用[7]。该软件由六个功能和一个脚本组成每个函数的描述如表1所示。脚本��� ���0.06 ~ 0.4。此外，此脚本绘制特征并计算度量A、max和。使用该软件很简单，因为只需运行脚本即可获得结果。此外，MATLAB是研究人员常用的高级编程语言。因此，可以很容易地修改脚本以适应不同的应用程序上下文。研究人员或病理学家可以使用该脚本从图像集中提取SampEn签名，并使用这些特征来辅助诊断或组成分类系统。5. 影响计算机辅助诊断（CAD）系统通常考虑几个阶段，如预处理，分割，特征提取和分类，以允许图像分析中更大的客观性和更小的可变性。每个阶段都为CAD系统的适当开发带来了挑战。特征提取阶段是CAD系统的重要组成部分。该步骤有助于将感兴趣区域的固有属性与病理相关联，从而提供图像的高级表示以及更快、更准确的诊断。所提出的软件提供了一个新的解释的SampEn值，提高了图像表示通过SampEn功能。 此外，该提案消除了定义特定组合的需要 SampEn参数。在公共淋巴瘤数据库上的测试结果表明，与SampEn单值方法相比，SampEn签名方法优于分类高达26.59%。仅使用10个特征，所提出的方法在分类慢性淋巴细胞白血病、滤泡性淋巴瘤和套细胞淋巴瘤时提供了98.84%的相关准确率[4]。这些贡献带来这是改进CAD系统的重要替代方案，因为它提供了准确的结果并简化了SampEn技术的使用6. 今后的工作在这项工作中，我们已经进行了测试与签名形成的参数为1至4和1=0.06至0.4。���我们相信，不同的参数区间的调查，可以提高我们的理解的签名的分类和识别模式的限制。此外，可以研究不同的距离如何影响验证窗口之间的相似性。关于子图像方法，重要的是通过评估窗口数量和从多个熵值确定SampEn的方法来彻底探索使用子图像的SampEn计算。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作致谢这项研究得到了以下机构的部分资助：Coordenação de Pessoal deNível Superior - Brasil（CAPES）- Finance Code 001;巴西国家科学和技术发展委员会（CNPq）（资助编号：313643/2021-0和311404/2021-9）;以及巴西米纳斯吉拉斯州研究基金会- FAPEMIG（资助编号：APQ-00578-18）。引用[1]约书亚·S Richman，J. Randall Moorman，使用近似熵和样本熵的生理时间序列分析，Am. 生理学杂志心脏循环生理学278（6）（2000）H2039-H2049。[2]叶家荣，林忠武，谢健成，淋巴瘤纹理分析的多尺度复杂性方法，IEEE信号处理。Lett. 18（4）（2011）239-242。[3]列弗·席尔瓦，A.C.S. Senra Filho，V.P.S. Fazan，J.C.费利佩，L.O.陈文辉，二维样本熵：通过不规则性评估图像纹理，生物医学。物理工程快报2（4）（2016）045002。[4]Guilherme Botazzo Rozendo ， Marcelo Zanchetta do Nascimento ， GuilhermeFreireRoberto，Paulo Rogério de 法利亚，阿德里亚诺巴博萨 席尔瓦，泰纳 很好 Cida Azevedo Tosta，Leandro Alves Neves，基于样本熵特征的非霍奇金淋巴瘤分类，专家系统应用（2022）117238。[5]Mathworks ， 梯 形 数 值 积 分 ， 2022 ， https://www.mathworks 。com/help/matlab/ref/trapz.html。（2022年1月21日查阅）。[6]Mathworks，Skewness，2022，https://www.mathworks.com/help/stats/skewness. HTML.（ 2022年 1 月 21日 查阅）。[7]Guilherme Botazzo Rozendo ， Marcelo Zanchetta do Nascimento ， GuilhermeFreire Roberto，Paulo Rogério de 法利亚， 阿德里亚诺 巴博萨 席尔瓦， 泰纳 很好 Cida Azevedo Tosta，Leandro Alves Neves，基于样本熵特征的非霍奇金淋巴瘤分类，专家系统。Appl. （2022）http：//dx.doi.org/10.24433/CO.3053768.v1网站。
