算法原理（2）：样本熵（SampEn）

重光兰衣

算法原理（2）：样本熵（SampEn）
本文主要介绍样本熵的物理意义、算法以及Matlab里代码实现。
, @! ?+ T6 M9 W4 x% u; r, L
' Y( Q$ @9 K* i4 e0 P1.物理意义
  样本熵（Sample Entropy，SampEn）与近似熵的物理意义相似（近似熵参见博客【近似熵理论相关知识与代码实现】），都是通过度量信号中产生新模式的概率大小来衡量时间序列复杂性，新模式产生的概率越大，序列的复杂性就越大。
  与近似熵相比，样本熵具有两个优势：样本熵的计算不依赖数据长度；样本熵具有更好的一致性，即参数m和r的变化对样本熵的影响程度是相同的。
  样本熵的值越低，序列自我相似性就越高；样本熵的值越大，样本序列就越复杂。目前样本熵在评估生理时间序列（EEG，sEMG等）的复杂性和诊断病理状态等方面均有应用。
& T, d  M) J$ s- G  c/ z; n2 Z; \2 |
2.计算方法
  样本熵的计算方法如下：

; H+ U4 ^% l. _1 B; B$ W3 c
- d) V+ L! ~8 ~! a' q3.代码实现

  在Matlab里实现样本熵函数，计算一段时间序列的样本熵值，代码如下：

- W3 J  c# o  n+ C- i
7 T! v8 u. c' n$ r1 o% _3 i+ l