一种基于矩阵传递熵的时间序列因果性分析方法及其计算机装置制造方法及图纸

本发明专利技术公开了一种基于矩阵传递熵的时间序列因果性分析方法及其计算机装置和应用，通过Parzen窗变量的概率密度估计方法直接计算二阶Renyi熵，并将其推广到变量X的α阶Renyi熵，结合Gram矩阵定义矩阵传递熵，然后在传统的基于传递熵的因果性分析方法的基础上，通过矩阵传递熵计算因果性分析指标，最后按照因果性判断标准分析两个时间序列的因果性。与格兰杰因果性分析方法相比，该方法克服了“回归模型”的缺陷，能够用于具有非线性因果关系的时间序列中，与传统的基于传递熵的因果性分析方法相比，该方法鲁棒性好，易于计算而且计算复杂度低，适用于计算复杂度低的场合；将该分析方法应用于临床应用中用于探索患有呼吸暂停综合症病人的呼吸和心跳之间的因果性，具有良好的应用效果。

A Causality Analysis Method of Time Series Based on Matrix Transfer Entropy and Its Computer Device

The invention discloses a time series causality analysis method based on matrix transfer entropy and its computer device and application. The second-order Renyi entropy is directly calculated by the probability density estimation method of Parzen window variables, and extended to the alpha-order Renyi entropy of variable X. The matrix transfer entropy is defined by combining Gram matrix. Then, on the basis of the traditional causality analysis method based on transfer entropy, the second-order Renyi entropy is calculated directly. The causality analysis index is calculated by matrix transfer entropy. Finally, the causality of two time series is analyzed according to the criterion of causality judgment. Compared with Granger causality analysis method, this method overcomes the defect of \regression model\ and can be used in time series with non-linear causality. Compared with traditional causality analysis method based on transfer entropy, this method has good robustness, easy calculation and low computational complexity, and is suitable for low computational complexity occasions. It is used to explore the causality between breathing and heartbeat in patients with apnea syndrome, and has good application effect.

【技术实现步骤摘要】
一种基于矩阵传递熵的时间序列因果性分析方法及其计算机装置
本专利技术属于时间序列分析领域；涉及一种基于矩阵传递熵的时间序列因果性分析方法；本专利技术还涉及能够实施上述分析方法的计算机装置。
技术介绍
相关性分析描述两个变量之间的相互影响程度。而因果性分析揭示一个变量是如何对另一个变量进行作用的，即阐述变量之间的信息传递，具有方向性，在探索变量之间的关系、机器学习的特征提取和大脑效应网络的构建等领域中具有重要的应用价值。目前，研究者们常采用格兰杰因果性分析方法探索变量之间的因果性。格兰杰因果性分析方法为2003年诺贝尔经济学奖得主CliveW.J.Granger所开创，用于分析经济变量之间的格兰杰因果关系。该方法基于线性回归模型，使用过去一些时刻点上所有信息的最佳最小二乘预测的方差来分析变量之间的因果性，易于理解并且计算复杂度低，能准确地分析具有线性因果关系且夹杂高斯噪声的时间序列之间的因果性。然而在实际应用中采集到的信号往往混有大量的非高斯噪声，而且变量之间的影响往往是非线性的，例如功能性核磁共振信号(fMRI)、脑电(EMG)和肌电(EEG)等信号。这使得格兰杰因果性分析方法的性能本文档来自技高网...

【技术保护点】
1.一种基于矩阵传递熵的时间序列因果性分析方法，其特征在于，包括以下步骤：步骤S1，确定两个时间序列X和Y，并且生成关于X的向量自回归模型，并且采用贝叶斯信息准则确定X的嵌入维度；步骤S2，结合步骤S1中X的嵌入维度基于Silverman准则确定高斯核宽度；步骤S3，基于矩阵传递熵计算因果性分析指标，计算Y到X的因果性；其具体过程是：基于Parzen窗变量的概率密度估计方法计算变量X的二阶Renyi熵，并将其推广到变量X的α阶Renyi熵，结合Gram矩阵定义X的矩阵传递熵，得到Y到X的矩阵传递熵为：

【技术特征摘要】
1.一种基于矩阵传递熵的时间序列因果性分析方法，其特征在于，包括以下步骤：步骤S1，确定两个时间序列X和Y，并且生成关于X的向量自回归模型，并且采用贝叶斯信息准则确定X的嵌入维度；步骤S2，结合步骤S1中X的嵌入维度基于Silverman准则确定高斯核宽度；步骤S3，基于矩阵传递熵计算因果性分析指标，计算Y到X的因果性；其具体过程是：基于Parzen窗变量的概率密度估计方法计算变量X的二阶Renyi熵，并将其推广到变量X的α阶Renyi熵，结合Gram矩阵定义X的矩阵传递熵，得到Y到X的矩阵传递熵为：其中k为嵌入维度；计算时取α＝2；步骤S4，重复步骤S1-S3，计算得到X到Y的矩阵传递熵MTEX→Y；步骤S5，按照因果性判断标准分析并得到两个时间序列的因果性。2.根据权利要求1所述的基于矩阵传递熵的时间序列因果性分析方法，其特征在于，所述步骤S3中X的二阶Renyi熵为：其中N为时间序列长度，Gσ(·)为高斯核函数，σ为高斯核宽度。3.根据权利要求1和2任意一项所述的基于矩阵传递熵的时间序列因果性分析方法，其特征在于，所述步骤S3中X的矩阵熵为Sα(X)＝-log[tr(Aα)]，其中A为变量X的G...

【专利技术属性】
技术研发人员：黄缨婷，赵功博，陈霸东，马荣金，肖建锋，秦伟，
申请(专利权)人：陕西智联脑控科技有限公司，
类型：发明
国别省市：陕西,61