许多特征将返回对信号平滑度的一些估计。一般来说，这些都是分散的度量，对“分散”的看法略有不同。

“正确”度量的选择很大程度上取决于应用程序和系统及其信号的特性。

最简单的度量标准是方差或标准差。这可以测量信号平均值附近的离散度。

与方差密切相关的是信息论中定义的熵。熵返回一个值，该值与信号的不可预测程度成正比。这张来自 Wikipedia 的图表描述了时间序列的熵，其值为 0,1。当时间序列“无聊”时，即全为 0（图的最左边部分）或全为 1（图的最右边部分）时，熵处于其最低值。但是，当统计上对任何一种状态都没有“偏好”时（即正好在图的中间），那么熵就处于最高值。

熵是一个非常有用的度量标准，但它可以通过多种不同的方式推导出来，每种方式都有自己的一些特殊考虑。

香农熵是最简单的选择，大多数科学计算包将包含一些函数，该函数通过信号的边际分布和各种改进来计算熵。然而，所有这些都假设每个信号值都独立于其邻居。很少是真的。因此，这个“简单”的熵可以返回一个衡量信号趋向于白噪声的程度。

熵的替代推导考虑了相邻值之间的关系。一种这样的指标是LZ-Complexity。

这给我们带来了一些对实际信号更有意义的东西。复杂性的度量。您在“野外”发现的许多信号不是由线性系统或过程产生的。这可能会“混淆”线性度量。

例如，假设系统的输出是确定性的，但看起来非常像噪声。这个条件可以为两个不同的时间序列返回两个相似的方差值，尽管它们可能是在系统处于不同状态时生成的。

为了解释这种非线性行为，非线性方法对信号使用不同的表示，并从中可以得出复杂性（或相反，规律性）的度量。在这种情况下，有一系列指标都试图估计此表示的维度。换句话说，您在这里试图了解的是，当您减少其时间过程的观察窗口时，信号是否变得更平滑（或更不规则）。一个这样的指标是分形维度，它与赫斯特指数密切相关。

这些指标在处理生理信号时非常有用（和这里），并且已经证明可以很好地响应生成这些指标评估的信号的过程的改变状态（例如，另一个例子，另一个例子，如果你在文献中还有更多正在寻找“复杂性”）。

希望这可以帮助。

赫斯特指数是一个不错的选择。

为了获得更好的答案，您必须更好地解释您的目标。例如，如果您正在比较信号并且它们是否具有保存长度、幅度、采样频率和/或其他参数。

如果您正在寻找非常简单的方法，例如，您可以：

1. 计算离散导数
2. 计算绝对值
3. 将所有值相加

另一种选择可能是：

1. 应用低通滤波器
2. 计算原始信号和滤波信号之间的差异
3. 较小的差异意味着更平滑的信号。