排列熵（PE）被用于时间序列复杂性的度量，具有计算效率高的特点，但是PE没有考虑信号的幅值信息。2016年提出的AAPE是PE的新版本，它同时考虑了信号的幅度平均值和幅度值之间的变化，具有更广泛的应用前景。

信号处理中排列熵的计算

包含常见的几种熵函数（样本熵，香农熵，样本熵，模糊熵）的MATLAB代码。

计算数据矩阵中面向列向量的多尺度、多变量排列熵。多变量排列熵是一种考虑多个数据向量之间相关性的方法（例如EEG、ERP、ECG、fMRI等）。有关详细信息，请参阅Morabito FC, Labate D, La Foresta F, Bramanti A, Morabito G, Palamara I. Multivariate Multi-Scale Permutation Entropy for Complexity Analysis of Alzheimer’s Disease EEG. Entropy. 2012;14(7):1186-120。

非侵入式负荷监测已经成为智能电网负荷监测管理的关键技术之一。用电设备状态变化过程所表现出的暂态特征是进行非侵入式用电设备状态辨识的重要依据，但其精准提取取决于用电设备状态变化的准确检测。为此，提出了一种基于改进排列熵算法和Yamamoto算法的非侵入式用电设备状态变化检测算法。首先对排列熵算法进行多尺度改进，利用多尺度排列熵的差值分析确定状态变化发生的区间，然后利用Yamamoto算法进行区间检测，定位状态变化的时刻。仿真分析结果表明，所提算法可准确检测用电设备的状态变化，有效地提高后续利用暂态特征的设备状态辨识准确率。

常见的熵值计算的matlab 程序统计 样本熵 模糊熵 排列熵 多尺度熵 层次熵等 (SampleEntorpy FuzzyEntropy PermutationEntropy HierarchicalEntropy) 都是可以用的

可用于计算脑电信号类计算多尺度排列熵

基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的。

首先通过对多尺度排列熵算法的参数时间序列长度 N、嵌入维数 m、延迟时间 t 和尺度因子 s 进行研究，得出对其参数优化的必要性。进而在综合考虑参数影响的 基础上，以多尺度排列熵的偏度构造目标函数，利用遗传算法(GA)、粒子群优化算法(PSO)对多尺度排列熵算法(MPE)的参数进行寻优，得到最优参数。

数据集使用的是DEAP数据集，情绪标签为平静态和压力态，总共270个样本，包含单个导联和多个导联分类