近似熵 (ApEn) 是分析时间序列数据复杂性的流行工具，尤其是在临床研究中。 这个函数是 ApEn 的一个非常简单有效的实现，基于向量化概念，它大大提高了 for 循环实现的速度。 它还包含一个测试代码 (foo.m)，用于生成不同模拟时间序列数据的 ApEn 图，以帮助理解用法。 测试代码生成的图类似于 Ki H. Chon 在 2009 年发表于 IEEE Eng in Med Biol 的论文中出现的图，讨论了我们应该使用什么 r 值。

该包在 MATLAB 中实现了近似熵 (ApEn)、样本熵 (SampEn) 以及范围熵 (RangeEn) A 和 B。 ApEn 和 SampEn 以两种方式实现：慢速和快速。 缓慢的实现更直观，更容易遵循。 快速实现的想法来自Python（ https://pypi.org/project/nolds/#description ）中'nolds'库的'sampen'函数。 RangeEn-A 和 RangeEn-B 分别基于 ApEn 和 SampEn 的快速实现。 您可以运行“fBm_entropy_analysis”以获得分数布朗运动的熵度量的“如何”示例（MATLAB 的“wfbm”函数）。 有关 Python 中的更多示例，请参阅我的 github 页面： https : //github.com/omidvarnia/RangeEn 。 ApEn 的参考资料：SM

非线性动力学方法。对数据长度的依赖性较小. ApEn可以用于小数据样本(n<50)，并可实现实时计算. 抗噪声能力较强. 如果数据含有噪声，则可以将ApEn与噪声水平进行比较，以确定原始数据中真实信息的表达程度.