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%。
本文采用脈搏波信號研究了警覺度的變化規律。本研究共招募 10 名受試者參加了持續 95 min 的警覺度“時鐘測試”（MCT）。試驗過程中，受試者們通過卡羅林斯卡嗜睡量表（KSS）和斯坦福嗜睡量表（SSS）主觀評價了清醒程度，同時記錄了所有受試者的目標反應時間、目標識別正確率和脈搏波信號。結果表明，根據主觀量表得分和受試者的行為學數據可以將警覺度定標為 3 個水平：前 30 min 為高警覺度水平；中間 30 min 為一般警覺度水平，后 30 min 為低警覺度水平。此外，脈搏波信號的時域特征，如：次級波峰幅值、波峰幅值、次級波峰潛伏期，隨警覺度的降低而減小，而波谷幅值隨警覺度的降低而增大；頻域特征：8.600～9.375 Hz、11.720～12.500 Hz、38.280～39.060 Hz 和 39.060～39.840 Hz 這 4 個子頻帶的能量概率也隨警覺度的降低而減小。最后，在上述 8 個特征建立的模型中，10 名受試者三分類正確率的平均值高達 88.7%。本文的研究結果證實了脈搏波在警覺度評估上的可行性，為警覺度的實時監測提供了新的思路。
人體運動控制系統具有高度的非線性特性，通過量化評價表面肌電（sEMG）信號間的非線性耦合強度，可以得到運動相關肌肉的功能狀態，進而探究人體運動控制的機制。本文將小波包分解和 n∶m 相干性分析相結合，構建基于小波包—n∶m 相干性的肌間交叉頻率耦合分析模型，探究肌電信號間的非線性耦合關系。在維持 30% 最大自主收縮力（MVC）的肘部屈伸狀態下，采集 20 名健康成年人的 sEMG 信號，首先基于小波包分解獲取子帶分量，然后將子帶信號進行 n∶m 相干性計算，分析肌間耦合特征。結果表明：30%MVC 的肘部屈曲運動下，協同肌對和拮抗肌對的線性耦合（頻率比為 1∶1 時）強度高于非線性耦合（頻率比為 1∶2、2∶1 和 1∶3、3∶1 時）；對于肌間非線性耦合，隨著頻率比的增大，耦合強度隨之降低，且頻率比為 n∶m 和 m∶n 之間沒有明顯的耦合強度差異；beta 和 gamma 頻段內的肌間耦合主要體現在協同肌對之間的線性耦合（1∶1）和低頻率比的非線性耦合（1∶2、2∶1）以及拮抗肌對之間的線性耦合上。以上說明：小波包—n∶m 相干性方法可以定性、定量地描述肌間非線性耦合強度，為深入揭示人體運動控制機制和運動功能障礙患者的康復評價提供理論參考。