基于 hctsa 的脑电（EEG）复杂性核心指标筛选研究
引言：大海捞针的智慧
在非线性动力学研究中，hctsa工具箱像是一座拥有 7000 多种算法的宝库。然而，对于脑电（EEG）研究小组而言，并非特征越多越好。
第一章：筛选逻辑——寻找“复杂性”的科学定义
通过 hctsa 的 Operations 元数据表，利用关键词entropy（熵）、fractal（分形）和complexity（复杂性）进行了战略定位。
经过筛选，我们确定了描述脑电复杂性的三个重要指标：
有序度 (Orderliness)：信号是否可预测？
几何结构 (Geometry)：信号在不同尺度下是否粗糙？
波动能量 (Fluctuation)：信号跳动的“折腾”程度如何？
第二章：核心指标拆解——我们选出的“三把金尺子”
1. 排列熵 (Permutation Entropy, ID: 970) —— 信号的有序度
筛选理由：脑电分析的“定海神针”。它只关注序列的升降顺序，对噪声（如眼电、基线漂移）具有天然的抗干扰能力。
物理意义：数值越高，说明大脑信号越不可预测，处理的信息量越丰富。
2. 希口池分形维度 (Higuchi Fractal Dimension, ID: 4368) —— 信号的结构性
筛选理由：这是神经科学公认的计算分形维数最精确的算法。
物理意义：它量化了脑电图在微观尺度上的“粗糙程度”，反映了神经元网络发放的自相似结构。
3. 复杂性不变距离 (CID, ID: 922) —— 信号的波动能量
筛选理由：它不仅看数值大小，更看重信号的“曲折”程度。
物理意义：捕捉信号中细微但剧烈的震荡能量，衡量大脑活动的动态活跃度。
第三章：实测分析——sub01-sub08 的多维“画像”
将筛选出的这三个核心指标应用到了 8 个真实受试者的脑电样本中，得到了以下结果：
【图一：绿色】排列熵——谁的信号最规律？
深度洞察：我们可以清晰地看到sub07拥有最高的排列熵（接近 0.8），说明其大脑活动最不可预测；而sub08的数值极低（0.115），呈现出高度的规律性。
【图二：紫色】分形维度——谁的细节最丰富？
深度洞察：sub06在这一维度表现出众（接近 0.8），说明其脑电信号在空间几何结构上具有极高的复杂度，而sub03则相对平滑。
【图三：橙色】复杂性不变距离——谁跳动得最“折腾”？
深度洞察：sub08虽然在排列熵（规律性）上得分极低，但在 CID（波动能量）上却拿到了全场最高。这说明sub08 的大脑正处于一种“剧烈但高度重复”的异常震荡状态，这种多维度的矛盾正是复杂性分析的魅力所在。
第四章：结论——为什么这三个指标是“重要部分”？
通过本次实测，我们证明了筛选这三部分特征的正确性：
互补性：排列熵看“乱不乱”，分形看“深不深”，CID看“动不动”。单一指标容易产生误判（如 sub08），多维筛选才能还原真实的大脑状态。
区分度：从图表中可见，这三个指标在 8 个受试者之间表现出了显著的数值梯度，证明了其作为特征分类器的巨大潜力。
鲁棒性：在 hctsa 提取的 5000 多个有效特征中，这三个算法在我们的脑电数据上计算最稳定，质量最高。