本文主要介紹樣本熵的物理意義、演算法以及matlab裡**實現。
樣本熵（sample entropy，sampen）與近似熵的物理意義相似（近似熵參見部落格【近似熵理論相關知識與**實現】），都是通過度量訊號中產生新模式的概率大小來衡量時間序列複雜性，新模式產生的概率越大，序列的複雜性就越大。
與近似熵相比，樣本熵具有兩個優勢：樣本熵的計算不依賴資料長度；樣本熵具有更好的一致性，即引數m和r的變化對樣本熵的影響程度是相同的。
樣本熵的值越低，序列自我相似性就越高；樣本熵的值越大，樣本序列就越複雜。目前樣本熵在評估生理時間序列（eeg，semg等）的複雜性和診斷病理狀態等方面均有應用。
樣本熵的計算方法如下：
在matlab裡實現樣本熵函式，計算一段時間序列的樣本熵值，**如下：
function sampenval = sampen(data, m, r)
% sampen 計算時間序列data的樣本熵
% 輸入：data是資料一維行向量
% m重構維數，一般選擇1或2，優先選擇2，一般不取m>2
% r 閾值大小，一般選擇r=0.1~0.25*std(data)
% 輸出：sampenval樣本熵值大小
data = data(:)';
n = length(data);
nkx1 = 0;
nkx2 = 0;
for k = n - m:-1:1
x1(k, :) = data(k:k + m - 1);
x2(k, :) = data(k:k + m);
endfor k = n - m:-1:1
x1temprow = x1(k, :);
x1temp = ones(n - m, 1)*x1temprow;
dx1(k, :) = max(abs(x1temp - x1), , 2)';
nkx1 = nkx1 + (sum(dx1(k, :) < r) - 1)/(n - m - 1);
x2temprow = x2(k, :);
x2temp = ones(n - m, 1)*x2temprow;
dx2(k, :) = max(abs(x2temp - x2), , 2)';
nkx2 = nkx2 + (sum(dx2(k, :) < r) - 1)/(n - m - 1);
endbmx1 = nkx1/(n - m);
bmx2 = nkx2/(n - m);
sampenval = -log(bmx2/bmx1);
end
訊號處理演算法（2） 樣本熵（SampEn）
1.物理意義 樣本熵 sample entropy，sampen 與近似熵的物理意義相似 近似熵參見部落格 近似熵理論相關知識與 實現 都是通過度量訊號中產生新模式的概率大小來衡量時間序列複雜性，新模式產生的概率越大，序列的複雜性就越大。與近似熵相比，樣本熵具有兩個優勢 樣本熵的計算不依賴資料長度 ...
樣本均衡問題處理演算法
from imblearn.over sampling import smote over samples smote random state 0 x為去除y和id的資料，y為標籤 label x,y over samples.fit sample x,y ysmote ratio auto ra...
（資源帖）開源訊號處理演算法庫
本帖收集我在網上搜到的幾個訊號處理演算法庫 大部分來自開源中國 1，sp signal processing in c 這是 開源中國 上的乙個國產 訊號處理演算法庫 已發布了3.0版本 2011年發布 簡介如下 sp signal processing in c 是乙個關於訊號處理與數值計算的開源...