Abstract一个新方法：将granger 随机和网络（Cau-CN）结合，在时域和频域刻画含有噪声的时序特性。
该方法能捕捉很短的时序的动态和潜在特性。
GC是给定两个时序x,y,如果y的历史值有助于预测x未来值 in some plausible statistical sense，则y is a cause of x in Granger sense。
GC用来探究复杂系统中不同元素之间的connections 和 causalities。
三个度量：the average path length (APL), the average vertex strength (AVS) and the average clustering coefficient (ACC) 。
Method 计算AR里的GC
1.Causal complex network construction
将n个观测点的时序{x[q](q=1...n），
step1，将时序平均分成m份时序子集，
j=1...m, t= 1...floor [n/m], piece number和子集长度为超参。
step2，定义每个时序子集对应Cau-CN里的一个顶点，记为(V,W)_j. V是网络里面m个顶点的集合。 W是权重。 j=t，表示时域，j=f，表示频域。
2.Network measures—a static characterization
一旦Cau-CN(V,W)_j在时域和频域上构建，会计算权重分布和上述三个测量。
1.AVS：网络所有顶点的平均强度，顶点 i 强度被定义为，顶点 i 的度被定义为
。
2.APL：代价最小时的所有顶点的平均路径长。
3.ACC：表示顶点的拓扑临近点之间的连接值，相对于所有网络顶点可能的最大值的平均比例。
2.3Artificial neural networks—a dynamic characterization
除了上面三种静态测量，通过观察具有上述加权连接矩阵的离散时间人工神经网络（DANN）的动力学，设计了另一种区分方法。
Example
1. non-chaos vs. chaos
2. low-freq vs. high freq
3. health vs. arrhythmia
