一种多尺度补偿传递熵的皮层肌肉功能耦合方法
阅读说明：本技术 一种多尺度补偿传递熵的皮层肌肉功能耦合方法 (Cortical muscle function coupling method for multi-scale compensation transfer entropy ) 是由 佘青山 张敏 孟明 张启忠 于 2020-12-01 设计创作，主要内容包括：本发明涉及一种多尺度补偿传递熵的皮层肌肉功能耦合方法。本发明首先采用APIT-MEMD方法对同步采集的脑电和肌电信号进行时-频尺度化,然后计算不同尺度上的多尺度补偿传递熵值,分析各个尺度不同耦合方向上的耦合特征。结果表明在恒定握力下,beta频段间的耦合强度最为显著。不同耦合方向的耦合强度随握力的增加会呈现出一定的变化规律。本发明可以定量描述脑肌电信号在不同的耦合方向、多尺度间的皮层功能耦合强度及信息传递量,为探究手部运动控制及患者评价提供一定的理论依据。(The invention relates to a cortical muscle function coupling method for multi-scale compensation transfer entropy. The method comprises the steps of firstly carrying out time-frequency scaling on synchronously acquired electroencephalogram and electromyogram signals by adopting an APIT-MEMD method, then calculating multi-scale compensation transmission entropy values on different scales, and analyzing coupling characteristics of each scale in different coupling directions. The results show that the coupling strength between beta frequency bands is most significant under constant grip strength. The coupling strengths in different coupling directions show a certain change rule with the increase of the grip strength. The invention can quantitatively describe the cortical function coupling strength and the information transmission quantity of the brain electromyographic signals in different coupling directions and among multiple scales, and provides a certain theoretical basis for exploring hand motion control and patient evaluation.)
技术领域
本发明属于神经系统运动控制机制研究领域，设计一种新的多尺度补偿传递熵方法，该方法结合了自适应投影多元经验模态方法和补偿传递熵，不采用任何模型假设并排除了瞬时影响的后果，定量分析脑肌电信号在不同的耦合方向、各个尺度间的皮层功能耦合强度及信息传递量。
背景技术
运动皮层和效应肌之间的相互作用被认为是有效控制运动的关键特征。据报道，在持续收缩、手指缓慢运动和两个受力目标之间的快速过渡过程中，皮层肌肉功能耦合(functional corticomuscular coupling,FCMC)主要出现在α频段(8–14Hz)中；在控制和保持稳态力输出期间，FCMC出现在β频带(15–35Hz)中；在较强的肌肉力量产生和动力作用下，γ频带(35–60Hz)有显著影响。这些研究表明，不同频段的FCMC在受试者的感觉和运动系统中起着不同的作用。
目前，皮层肌肉耦合分析主要基于相干性(Coherence)方法得到大脑运动意识与肌肉运动反应之间的功能连接特征，但传统的相干性仅能描述线性耦合关系，为了更好地理解大脑皮层和相应肌肉之间的功能耦合作用和信息传递特征，由Schreiber提出的传递熵(Transfer Entropy,TE)方法在生物信号处理领域得到了非常广泛的应用。虽然 TE不采用任何模型假设，但只是在时域上定义因果关系。然而实际时间序列分析中存在瞬时效应，即在同一时滞内两个时间序列之间发生的效应，这些作用可能反映了快速生理上有意义的相互作用，或者没有生理意义。无论哪种情况，瞬时效应都会影响任何因果关系度量的计算。
最近的研究建议将模型残差协方差矩阵中的方差项合并到所谓的部分Granger因果度量中，或者用模型系数表示残差相关性，并利用由此产生的新模型结构来定义扩展的Granger因果度量。然而，由于在TE分析的无模型环境中不能遵循类似的方法，因此在实验数据的TE计算中通常不考虑瞬时效应。因此，Faes提出了cTE方法可以解决上述问题，该方法结合条件熵(conditional entropy,CE)估计、非均匀嵌入并考虑了瞬时因果关系。条件熵估计必须考虑过程的过去状态，目前遵循统一多变量的嵌入方案所引起的任意性和冗余性，会导致过度拟合和虚假因果关系的检测等问题；另外，为多维空间设计的几种估计器虽可用于条件熵估计，但在增加嵌入向量维数时，偏差会越来越影响条件熵估计。该方法认识到TE可以解释为CE差异，并且建立在一个有效的CE估计器的基础上。该估计器补偿高维条件向量的偏差，并遵循顺序嵌入过程，其中条件向量根据CE最小化的准则逐步形成；并在增加嵌入维数时补偿影响条件熵估计的偏差，保证了终止过程的最小熵率的存在。尽管最近的研究已开始在多元自回归模型的线性参数框架中阐明瞬时因果关系问题，但很少有工作解决无模型因果关系度量计算中排除瞬时影响的后果。
然而，生理系统需要跨越多个时空尺度进行控制，导致脑肌电信号具有多尺度特性，因此诸多学者将TE与多尺度频段分解算法结合，在时频域上多层次地分析皮层肌肉耦合关系。如变分模态分解 (Variational mode decomposition,VMD)与TE方法结合，形成了VMD-TE模型；马鹏刚等将多元经验模态分解(Multivariate Empirical ModeDecomposition,MEMD)与TE方法结合，形成MEMD-TE分析模型应用于脑、肌间耦合分析，结果表明皮层肌肉功能耦合具有双向性，在高频段(40Hz～75Hz)下行方向的耦合强度大于上行方向的耦合强度。EMD是一种用于分析非线性和非平稳时间序列的自适应数据驱动算法，但经过该方法分解之后信号存在边界效应及模态混叠现象。MEMD不仅能够同时处理多元时间序列的多尺度分析，而且可以较好地消除模态混叠现象。由于多传感器采集系统采集到的多元信号不能避免不同通道之间的功率不平衡，而且不同通道之间存在相关性，MEMD使用的均匀采样方法矢量对于捕获多变量数量的动态不是最佳的，使用数量大于127的投影矢量，会大大增加计算复杂性；对于低(8-31)到中等(32-63)数量的预测和不平衡相关数据通道，算法提供了局部均值的次优估计。非均匀采样BEMD(non-uniformly sampled BEMD,NS-BEMD)会生成代表最高曲率方向的一组投影矢量，缓解了这个问题。对于三变量信号，非均匀采样 TEMD(non-uniformly sampled TEMD,NS-TEMD)全局识别一组非均匀采样投影，方法是对信号的协方差进行本征分解，然后构造一个与信号动力学相匹配的非均匀方向椭圆。自适应投影多元经验模态分解 (adaptive-projection intrinsically transformedMEMD,APIT-MEMD)拓展了NS-TEMD方法，可以更好地解决多通道脑肌电数据中的功率不平衡和相关性的问题，与标准MEMD相似，APIT-MEMD可容纳非线性和非平稳信号，它还能够缓解模式混合，并为不平衡数据产生更少的IMF分量。
针对以上问题，本发明在cTE的基础上，提出了一种新的无模型因果关系分析方法——多尺度补偿传递熵(Multiscale compensated Transfer Entropy,McTE)分析方法。研究恒力输出上肢运动过程中不同尺度间的神经肌肉同步耦合，定量描述脑肌电信号间耦合特征和信息传递方法，为进一步运动功能障碍的产生机理及康复过程中的运动功能评价方法提供依据。
发明内容
本发明的目的在于提供一种可得到多通道脑肌电信号间的不同频段尺度下的脑肌电耦合强度特征的分析方法。
为实现上述目的，本发明方法主要包括以下步骤：
步骤(1)，多通道脑肌电信号同步采集；
具体为：同时采集受试者左右手在不同抓握动作下的多通道脑肌电信号。
步骤(2)，对同步采集的脑肌电信号采用APIT-MEMD方法进行时频尺度化；
具体为：首先构建两组脑电信号X＝{x1,x2,…xi,…,xM}和肌电信号 Y＝{y1,y2,…yi,…,yM}时间序列，M为时间序列的长度，其次采用 APIT-MEMD方法对两组时间序列进行分解，各得到K个窄带分量 IMF，则两组与时频尺度相关的脑肌电时间序列分别为和
步骤(3)，计算脑肌电信号在不同尺度上的McTE值；
具体为：两个表示物理系统x、y随时间变化的随机过程X、Y，令xt和yt是描述X和Y在时间t处访问状态的随机变量，而xn:t是组成向量从时间n到时间t的所有x样本，则补偿传递熵(cTE)的定义为：
cTEX→Y＝H(yt|y1:t-1,xt)-H(yt|y1:t-1,x1:t) (1)
其中H(·)表示香农熵，它表示与向量随机变量a的任何度量a相关的不确定性，H(a)＝-∑ap(a)logp(a)，H(·|·)表示条件熵(CE)，它表示已知b时仍存在的不确定性，H(a|b)＝H(a,b)-H(b)。式(1)中定义的TE将来自 X和Y的信息传递量化为目标过程y(即yt)的最新样本所携带的信息量，该信息量不包含在源过程x的过去(即x1:t-1；此处时间的起点通常设置为t＝1)。
构造信号到信号的多尺度补偿传递熵McTEEEG→EMG，公式如下：
其中McTEEEG→EMG表示EEG的k1分量到EMG的k2分量的多尺度补偿传递熵值
同理可得：
其中，McTEEMG→EEG表示EMG的k2分量到EEG的k1分量的多尺度补偿传递熵值。
步骤(4)，采用步骤(2)和(3)的计算结果进行不同耦合方向、不同频段间的皮层肌肉耦合分析。
本发明与传统的皮层肌肉耦合分析方法相比，具有以下优点：
本发明提出的多尺度补偿传递熵能解决多通道数据中的功率不平衡和相关性问题，还可以缓解模式混合的问题，并产生更少的IMF 分量，有效刻画受试者在不同频段、不同传递方向上的皮层肌肉间的能量耦合特征，为研究运动控制及反馈信息解码及患者康复评价提供一定的理论依据。
附图说明
图1为本发明方法的实验图；
图2为受试者S3的脑肌电时域分解结果图；
图3为受试者S1的肌电信号时频分解结果图；
图4为受试者S3不同尺度下的McTE值和MEMD-cTE值；
图5为受试者S2的EEG与EMG在不同尺度间的McTE值；
图6为受试者S3的EEG与EMG在不同尺度间的McTE值；
图7为高频段上不同受试者不同力度的McTE值。
具体实施方式
下面结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方案和具体的操作过程。
大脑运动皮层的脑电信号和相应的肢体对侧的肌电信号能够分别反映大脑对肢体运动的控制信息及肌肉对大脑的反馈信息，揭示了肢体运动过程中大脑皮层和相应肌肉间的功能耦合连接。因此，分析多通道脑肌电信号在各个尺度不同耦合方向上的耦合特征对中枢神经系统的运动控制机制研究尤为重要。本发明提出了一种新的多尺度补偿传递熵分析方法。本发明的实施主要包括以下步骤：(1)多通道脑肌电信号同步采集；(2)对同步采集的脑肌电信号采用APITMEMD 方法进行时频尺度化；(3)计算脑肌电信号在不同尺度上的McTE值 (4)采用步骤(2)和(3)的计算结果进行不同耦合方向、不同频段间的皮层肌肉耦合分析。
下面逐一对各步骤进行详细说明。
步骤一：多通道脑肌电信号同步采集；
本实验募集了两名健康受试者(S1、S2)和一名中风受试者(S3)，均为右利手，没有任何的神经病史，并且均被告知了实验详情，签署了知情同意书，为防止运动疲劳的影响，受试前24小时内未作剧烈运动。采样时间为5秒，采样频率为1000Hz，每次抓握动作后休息15s，受试者需完成5kg、10kg和20kg的左右手抓握各5次，由于身体原因，中风受试者只能完成左右手5kg、10kg的抓握。实验采用 128导BrainAmp DC脑电采集系统同步采集32路脑电信号和左右手肱二头肌(BB)和尺侧腕屈肌(FCU)的肌电信号，采集前先用酒精擦拭被测部位，去除皮肤表面油脂和皮屑，见图1。
步骤二：对同步采集的脑肌电信号采用APIT-MEMD方法进行时频尺度化；
考虑两个表示物理系统x、y随时间变化的随机过程X、Y，令xt和 yt是描述X和Y在时间t处访问状态的随机变量，而xn:t是组成向量从时间n到时间t的所有x样本，则补偿传递熵(cTE)的定义为：
cTEX→Y＝H(yt|y1:t-1,xt)-H(yt|y1:t-1,x1:t) (1)
针对脑电和肌电信号的非线性和多尺度特性，自适应投影多元经验模态分解(adaptive-projection intrinsically transformed MEMD, APIT-MEMD)，可以解决多通道脑肌电数据中的功率不平衡和相关性的问题，与标准MEMD相似，APIT-MEMD可容纳非线性和非平稳信号，它还能够缓解模式混合，并为不平衡数据产生更少的IMF分量。
首先构建两组脑电信号X＝{x1,x2,…xi,…,xM}和肌电信号 Y＝{y1,y2,…yi,…,yM}时间序列，其次采用API-TMEMD方法对这两组时间序列进行分解。假设存在一个多元信号x(t)，则其协方差矩阵为 C＝E{xT(t)x(t)}，通过协方差矩阵的特征分解确定第一主成分的方向，公式如下：
C＝VΛVT (2)
其中，V＝[v1,v2,...vn]是特征向量矩阵，Λ＝diag{λ1,λ2,...λn}是特征值矩阵，最大特征值λ1对应于特征向量v1，特征向量v1为第一主成分方向，即指向最大功率不平衡方向的点。
随后，构建沿v1反方向的另一个方向向量vo1＝-v1，将v1和vo1用于重新定位先前由均匀投影方案生成的所有方向向量，公式如下：
其中，为Hammerseley序列均匀采样(n-1)个球面后生成的一组k个方向向量。α(α∈[0,1])由多元信号的功率不平衡程度决定，α＝1 表示各个通道之间的高功率不平衡，APIT-MEMD可以很好地处理信号空间地重要性采样。在迭代过程中，沿这些自适应投影向量迭代 x(t)，并通过MEMD获得局部均值。
步骤三：计算脑肌电信号在不同尺度上的McTE值。
EEG和EMG信号经过API-TMEMD方法分解之后，各得到K个窄带分量IMF，则两组与时频尺度相关的脑肌电时间序列分别为和
接下来，根据式(1)中补偿传递熵的定义，研究EEG和EMG信号各个尺度上的耦合强度和信息传递特征。
构造信号到信号的多尺度补偿传递熵McTEEEG→EMG，公式如下：
McTEEEG→EMG表示EEG的k1分量到EMG的k2分量的多尺度补偿传递熵值，其生理意义为大脑皮层与肌肉组织间的在某一尺度上下行(EEG→EMG)大脑到肌肉方向上的信息传递量和耦合强度。同理，上行 (EMG→EEG)肌肉到大脑方向上肌肉组织对于大脑皮层控制命令和接触外界信息的反馈强度可以通过多尺度补偿传递熵McTEEMG→EEG来刻画，公式为：
同理，McTEEMG→EEG则表示EMG的k2分量到EEG的k1分量的多尺度补偿传递熵值。
步骤四：采用步骤(2)和(3)的计算结果进行不同耦合方向、不同频段间的皮层肌肉耦合分析。
首先对受试者(S1～S3)同步采集的EEG和EMG分别进行 APIT-MEMD和MEMD分解。图2(a)所示为受试者S3三通道脑肌电信号C4、BB和FCU的MEMD分解图。由图可见，MEMD分解可以同时分析多通道信号，并且三通道脑肌电信号分解后共产生了13 个IMF分量，见图3。图2(b)所示为受试者S3三通道脑肌电信号 APIT-MEMD分解图，与MEMD相似，APIT-MEMD可以容纳非线性和非平稳信号，还能够缓解模式混合，但APIT-MEMD分解产生了比MEMD分解更少的IMF分量。
为了探究EEG和EMG在不同耦合方向(EEG→EMG，EMG→EEG)上、不同尺度间的耦合特征，本发明根据式(5)、(6)计算出3名受试者脑电、肌电信号不同尺度间的McTE值，以健康受试者S1为例，对右手抓握动作5kg时采集的脑肌电信号(C4、BB)进行APIT-MEMD分解，得到的IMF分量的带宽和其对应的频段，
为进一步对比受试者皮层肌肉频段间耦合的差异性，提取受试者 S3(病人)的左右手动作时脑肌电耦合的McTE值和MEMD-cTE值(其他受试者结果与此类似)，如图4所示，其中黑色虚线曲线为McTE 的值，黑色实线曲线为MEMD-cTE的值。
虽然在不同的握力情况下，受试者S3的EEG和EMG信号经过 APITMEMD分解后的IMF分量个数不同，但是皮层肌肉间的耦合和信息传递特征具有相似性。首先，受试者的皮层肌肉功能耦合是双向的，分别为上行方向和下行方向，与此同时，黑色实线方框内为EEG 和EMG在高gamma频段(50-75Hz)间耦合的McTE值，无论是左手动作还是右手动作，在高gamma频段EEG→EMG的耦合强度始终大于 EMG→EEG的耦合强度。这可能是由于在维持恒定握力输出的过程中，运动皮层需要进行信息整合并将其传递至肌肉，体现了感觉反馈与运动控制机理之间的方向性同步震荡的差异性。无论是受试者S3的左手还是右手，McTEEEG→EMG值总是大于McTEEMG→EEG值。图4中黑色实线曲线为MEMD分解结果，可以看出该方法结果在高gamma频段与 APITMEMD分解出的结果类似，但是在beta频段MEMD并不能正确表征脑电、肌电的耦合特性，如图中黑色虚线方框所示。
接下来，提取受试者S2在EEG→EMG、EMG→EEG方向上各个尺度间耦合的McTE值，图5和图6给出了受试者S2和S3在左右手不同握力下、各个尺度间的脑肌电耦合的McTE值，可以看出，在第6～8个尺度上，耦合强度最为明显，该结果与已有的静态握力输出实验模式下EEG-EMG耦合特征研究相符合，共同证实了运动皮层beta频段的耦合振荡对于稳定运动输出的维持功能，肌肉beta频段内的振荡被认为是皮质脊髓锥体束和皮层的共同驱动，皮层肌肉间beta频段的耦合振荡体现了肌肉与感觉运动皮层间的信息传输。
为了进一步探究EEG和EMG在不同的握力情况、不同耦合方向上的耦合强度变化，将经过APITMEMD分解之后的信号，选择beta 和gamma频段对应的IMF分量，重构为新的信号，再根据式(6)、(7)，计算出受试者McTEEEG→EMG值和McTEEMG→EEG值。图7给出了受试者S2(健康) 和受试者S3(病人)的两组脑肌电信号(C4 BB和C4 FCU)在不同耦合方向的McTE值。
由图可见，右手的耦合强度大于左手的耦合强度，这可能是由于右利手，因此大脑对右手的控制能力比左手的强。在图7中，对左、右手脑肌电的综合分析可见：无论是左手动作还是右手动作， McTEEEG→EMG值均大于McTEEMG→EEG值。且随着握力的增加，McTEEEG→EMG和McTEEMG→EEG的值随之增大。
以上所述的实施例仅是对本发明的优选实例方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于平衡脑功能网络特征的平衡能力评估方法