非线性动力学方法中的熵，可以作为信号整体的特征，例如PPG、ECG、EEG等。但是要注意熵的运算复杂度一般比较高，在嵌入式设备上运行时长、速度、功耗都难满足。在嵌入式设备上需要优化或者找到替代熵的特征提取方式，最近，本人为了替代熵非线性动力学方法，发明一种新的特征提取方式，并且申请专利。本文主要介绍常见的熵类型。
常见的熵类型如下12：
| Entropy Type | Function Name |
|---|---|
| Approximate Entropy | 近似熵 |
| Sample Entropy | 样本熵 |
| Fuzzy Entropy | 模糊熵 |
| Kolmogorov Entropy | 柯尔莫哥洛夫熵 |
| Permutation Entropy | 排列熵 |
| Conditional Entropy | 条件熵 |
| Distribution Entropy | 分布熵 |
| Spectral Entropy | 谱熵 |
| Dispersion Entropy | 分散熵 |
| Symbolic Dynamic Entropy | 符号动态熵 |
| Increment Entropy | 增加熵 |
| Cosine Similarity Entropy | 余弦相似熵 |
| Phase Entropy | 相位熵 |
| Slope Entropy | 斜率熵 |
| Bubble Entropy | 泡沫熵 |
| Gridded Distribution Entropy | 网格分布熵 |
| Entropy of Entropy | 熵的熵 |
| Attention Entropy | 注意熵 |
参考：
EntropyHub: Python — EntropyHub 0.2 documentation ↩︎
GitHub - MattWillFlood/EntropyHub: An open-source toolkit for entropic time-series analysis. ↩︎
