傳統樣本熵很難量化信號本身固有的遠程相關性, 雖然多尺度熵能夠檢測數據內在相關性, 但其多用于單變量信號。多元多尺度熵作為多尺度熵在多元信號上的推廣, 是非線性動態相關性的一種反映, 但是傳統的多元多尺度熵計算量大, 對于通道數較多的系統需要耗費大量的時間和空間, 并且無法準確地反映變量間的相關性。本文提出的改進的多元多尺度熵, 將傳統的多元多尺度熵針對單個變量的嵌入模式改為對所有變量同時嵌入, 不但解決了隨著通道數增加內存溢出的問題, 也更適用于實際多變量信號分析。本文方法對仿真數據及波恩癲癇數據進行了試驗, 仿真結果表明該方法對相關性數據具有良好的區分性能; 癲癇數據實驗表明, 該方法對5個數據集均具有較好的分類精度, 其中對數據集Z、S的分類精度達100%。
本研究旨在實現對植物狀態和最小意識狀態腦電信號的分類識別。通過對植物狀態和最小意識狀態患者施加喚名刺激，采集被喚名時患者的腦電信號；然后對腦電數據進行去噪預處理、樣本熵和多尺度熵的特征提取；最后將提取的數據特征送入多核學習支持向量機（SVM）中進行訓練和分類。試驗結果表明，嚴重意識障礙患者alpha波腦電特征表現顯著，平均分類精度為88.24%，實現了定量化的嚴重意識障礙狀態判定，為意識障礙程度的臨床診斷提供了輔助依據。
血糖波動復雜性的研究有助于理解血糖調節系統的內在規律。本文以Ⅱ型糖尿病患者（93人）72 h 動態血糖序列為分析對象，使用多尺度熵分析技術研究動態血糖序列結構的復雜性。針對72 h 動態血糖序列較短的問題，采用了最新改進的精細復合多尺度熵（RCMSE）分析技術，分別觀察了基于平均血糖波動幅度（MAGE）和糖化血紅蛋白（HbA1c）進行分組的糖尿病患者的血糖波動復雜性。研究發現，MAGE 值大的組其復雜度低，熵值在尺度 1～6（5～30 min）之間的差異具有統計學意義，HbA1c 值高的組其復雜度也較低，但是分組之間的熵值差異沒有統計學意義。本文研究結果表明，血糖調控不好（無論從 MAGE 值還是從 HbA1c 值來看），將會帶來血糖序列動態結構復雜度的損失。本文所提的 RCMSE 分析技術可為血糖序列波動分析提供一個新的視角，血糖序列復雜度有可能成為血糖波動分析的一個新的生物學指標。
本文針對傳統多尺度熵在多尺度化過程中信息丟失問題，提出一種加權多重多尺度熵特征提取算法。該算法在各尺度上構建了從大到小的多重數據序列，考慮多重數據序列對該尺度樣本熵的貢獻程度不同，計算各個序列在該尺度序列中所占比重，以此作為系數重構各尺度樣本熵。相比于傳統多尺度熵算法，該算法不但克服了信息丟失問題，還充分考慮了序列的相關性與對總熵值的貢獻程度，減小了尺度間的波動，更能挖掘腦電信號的細節信息。基于該算法，本文分析了孤獨癥（ASD）兒童腦電信號特征，與樣本熵、傳統多尺度熵及延擱取值法多重多尺度熵算法比較，分類準確率分別提高了 23.0%、10.4% 與 6.4%。基于該算法對比分析孤獨癥兒童與對照組健康兒童的 19 通道腦電信號，結果表明除 FP2 通道外，其余通道的熵值均顯示健康兒童略高于孤獨癥兒童，且 F3、F7、F8、C3、P3 通道的熵值差異具有統計學意義（P<0.05）。本文通過對各個腦區加權多重多尺度熵進行分類，發現前顳葉區域通道（F7、F8）的分類準確率最高，表明前顳葉可以作為評估孤獨癥兒童腦功能狀態的敏感腦區。
腦神經電生理信號的內在特征變化能夠反映腦功能的正常與否，因此有效的特征提取分析方法有利于腦功能異常的早期診斷與相關疾病的治療。近年來的研究表明，神經電信號具有非線性和多尺度的特性。基于此，科研人員近來發展了適用于多尺度非線性信號分析的多尺度熵（MSE）算法，并在神經信息科學領域得到了廣泛應用。本文對 MSE 算法的原理和特性進行了介紹，并進一步介紹了幾種在實際應用中針對 MSE 算法的一些不足而提出的相關改進算法。然后，對 MSE 及其改進算法在疾病診斷、腦功能分析以及腦-機接口等方面的應用進行了綜述。最后，對上述各算法在神經信號分析中面臨的挑戰及其可能的發展方向進行了探討。
熵模型廣泛應用在癲癇腦電分析中，但其在靜息態功能磁共振成像（rfMRI）中尚存在主觀選擇計算參數的問題。為此，本文提出多尺度熵模型優化算法，聯合有監督機器學習檢驗優化效果。以致癇側定位為例，將20位海馬硬化標記患者分為左、右側2組，利用敏感性分析指標優化熵模型參數，以組間優化熵值有顯著差異的腦區作為對致癇側敏感的標記，其熵值為特征向量輸入支持向量機分類并驗證，獲得平均準確率達95%的定側結果，高于目前水平。研究結果顯示，熵模型參數優化算法可較為準確地提取對致癇側敏感的功能影像學標記，達到客觀選擇癲癇rfMRI熵模型參數的研究目的，為熵應用于先進技術檢測提供了依據。