确定t[,0]，且k的取值范围是0到511，得到信息传输的时间序列。用复杂度计算这个时间序列，得到从第i个电极到第j个电极在区间[t[,0],t[,0]+511]之间的信息传输活动程度的特征指标。
　　由此可以构建一个由n×n=n[2]个值的矩阵，其第i行第j列的值为C[,i]，j(t[,0])。Xu称该矩阵为信息传输矩阵[13]。信息传输矩阵是一种直观表示不同脑皮层之间信息传递量的指标：第i行表示从第i个电极向其他电极位置的信息传递量（包括第i个电极本身），第j列表示在第j个电极处接收到的信息量。以为步长，逐渐增加t[,0]的值，重复上面的步骤，就可以得到一系列信息传输矩阵，以此表征大脑信息传输复杂度的动力学过程。
　　　　3　近似熵分析方法
　　近似熵是一种不需要进行粗粒化的脑电复杂性测度分析方法，该方法于1991年由Pincus提出[14]，并在脑电分析领域中得到广泛应用。
　　ApEn的定义和算法如下：
　　(1)对于一给定的时间序列μ(1),μ(2),…,μ(N)，按顺序将其组成一个m维的向量集X(i)，即X(i)=[μ(i),μ(i+1),…,μ(i+m-1)](i=1,2,3,N-m+1)；
　　(2)计算向量X(i)与其余向量X(j)之间的距离d[[X(i),(X(j)]]并将最大值定义为最大反应成分距离，见公式(5)：  
D[X(i),(X(j)]=max[｜x(i+k)-x(j+k)｜](k=[0,m-1])　　　⑤

　　
　　(3)定义一个阈值r(r＞0)，对于每一个i值，记录满足条件d[X(i),X(j)]＜r的个数。把这个值与N-m的比值定义为C[m,i](r)，见公式⑥：  
C[m,i](r)=｛d[X(i),X(j)]＜r的数目｝／(N-m+1)　　　　　　⑥

　　
　　(4)对每一个可能的i值，计算C[m,i](r)的对数，求这些对数的平均值，定义为Φ[m](r)，见公式⑦：
　　附图可以证明该极限存在且极值为1。因此，ApEn可以表示向量集随着m增大产生新模式的概率，产生新模式的概率越大ApEn值就越大，即时间序列的复杂度越大。实际上，N不可能取无穷大，所以通常只能在N足够大的时候对ApEn进行估计（见公式⑧），而且ApEn的值还依赖于m和r。  
ApEn(m,r,N)=Φ[m](r)-Φ[m+1](r)　　　　　　　⑧

　　
　　根据经验，Pincus建议m取2，r取0.1～0.2倍原始数据的标准差。从而只需用很短时间序列（约1000个数据点）就足以估算出可靠的ApEn值。这种方法特别适用于生物电这类极其不稳定信号的分析。
　　上述几种复杂度分析方法中，由于K[,c]计算简单，易于理解而应用最为广泛。基于K[,c]发展起来的C[,1]和C[,2]改进了脑电信号出现新模式的检测方法，能够更为深刻地描述脑电动力学系统的复杂性本质。然而由于它们都需要对脑电时间序列进行粗粒化预处理，从而可能丢失脑电信号中有意义的信息。C[,0]强调脑电信号由规则运动部分和随机运动部分组成，其算法避免了粗粒化处理，有助于减少脑电信号中有效信息的损失。基于复杂度的信息传输矩阵提供了描述脑电信息传输量更为直观有效的指标。近似熵适合于研究短数据、抗干扰能力强，且不需对原始数据进行粗粒化处理而成为生物电信号分析的重要方法。然而近似熵需要事前设定m和r两个参数，且相对运算量较大。可见上述方法各具特点，应根据具体的研究目的和实验条件进行合理选择。
　　　　4　应用及展望
　　利用非线性动力学复杂性测度研究脑电信号，其实质是把测定的时间序列的复杂度作为衡量该时间序列所含信息量的指标，分析人在不同状态下脑电信号的时空模式，以揭示脑的认知功能[3]，因此复杂度在认知科学、临床等领域得到了越来越广泛的应用。如大脑成熟度评估、情绪的变化、各种思维方式的对比等都采用了脑电复杂性测度方法[15]。有研究者发现，正常人在不同的状态下脑电复杂度的变化表现出一定的规律性。如在睁眼状态下复杂度高于闭眼状态下的复杂度，在执行任务时额叶大脑活动区域复杂度降低[16]，而对帕金森、精神分裂症病人的研究表明其脑电复杂度的变化趋势与正常人相反[17]。另有研究模拟了高空飞行不同程度的缺氧条件，发现脑电复杂度对脑缺氧十分敏感，可以作为一项临床诊断的指标[18]。此外脑电复杂度也被广泛地应用于麻醉深度测定、中风病人的脑电活动特征分析、encephalopathy、Creutzfeldt-Jakob病症监测和癫痫发作预测等[19,20]。
　　就目前的研究而言，大多局限于离线(offline)数据的分析，尚未突破实时(on-line)分析的技术难点，如何有效地利用和发展这些方法以获取反映认知加工过程的动态指标将成为方法学研究的重点所在。
【参考文献】
　　[1]　Berger  H.Uber  das  electronke-phalogramm  des  menschen.Arch  Psychiatr  Nervenkr,1929,87:527
　　[2]　Chen  F,Xu  J  H,Gu  F  J,et  al.Dynamic  process  ofinformation  transmission  complexity  in
  human  brain.BiologicalCybernetics,2000,83:355～366
　　[3]　周曙.认知电位时空模式研究.中国科学院心理研究所博士后工作报告.1999
　　[4]　Babloyantz  A,Destexhe  A.Low-dimensional  chaos  in  aninstance  of  epilepsy.Proceedings  of  the  National  Academy  
ofScience,USA.1986,83:3513～3517
　　[5]　施壮华，沈模卫.心理学中脑电研究方法探讨.心理科学，2002,25(1):88～90
　　[6]　Stam  C  J,Pijn  J  P  M,Suffczynski  P,et  al.Dynamics  ofthe  human  alpha  rhythm:evidence 
 for  non-linearity?ClinicalNeurophysiology,1999,110:1801～1813
　　[7]　Ziv  J,Lempel  A.On  the  complexity  of  finite  sequences.IEEE  Transactions  on  Information
  Theory,1976,22:75～81
　　[8]　Kaspar  K,Schuster  H  G.An  easily  calculable  measure  forcomplexity  of  spatiotemporal  
patterns.Physical  Review  A,1987,36:842～848
　　[9]　徐京华，吴祥宝.以复杂性测度刻划人脑皮层上的信息传输.中国科学（B辑），1994,24(1):57～62
　　[10]　D'Alesssandro  G,Politi  A.Hierarchical  approach  to  complexity  with  applications  to  dynamic
  system.Physical  Review  Letters,1990,64(14):1609～1612
　　[11]　徐京华，童勤业，刘仁.大脑皮层信息传输和精神分裂症.生物物理学报，1996,12(1):103～108
　　[12]　陈芳，顾凡及，徐京华等.一种新的人脑信息传输复杂性的研究.生物物理学报，1998,14(3):508～512
　　[13]　Xu  J  H,Liu  Z  R,Liu  R.Information  transmission  in  human  cerebral  of  cortex.Physica.1997,
106:363～374
　　[14]  Pincus  S  M.Approximate  entropy  as  a  measure  of  system  complexity.Proceedings  
of  the  National  Academy  of  Science,USA.1991,88:2297～2301
　　[15]Zhang  X  S,Roy  R  J.Predicting  movement  duringanesthesia  by  complexity  analysis  
of  the  EEG.Proceedings  ofthe  1999  Annual  Meeting  of  the  Society  for  Technology  
inAnesthesia, San  Diego,Cal.,1999,1
　　[16]　刘建平，贺太纲，郑崇勋等.EEG复杂性测度用于大脑负荷状态的研究.生物医学工程学杂志，1997,14(1):33～37
　　[17]　陈仲永，伍文凯，童勤业等.基于复杂性测度的帕金森症病人EEG分析.生物医学工程学杂志，1999,16(2),218～221
　　[18]　黄力宇，程敬之.急性轻中度缺氧对脑电信号复杂度的影响.航天医学与医学工程，2000,13(4):255～258
　　[19]　Radhakrishnan  N,Gangadhar  B  N.Estimating  regularityin  epileptic  seizure  timeseries  
data.
IEEE  Engineering  inmedicine  and  biology,1998,17(3):89～94

　　[20]　Lehnertz  K.Non-linear  time  series  analysis  of  intracranial  EEG  recordings  in  patients  with  epilepsy-anoverview.International  Journal  of  psychophysiology,1999,34:45～52