基于小波?傳遞熵的多時(shí)頻尺度間腦肌電耦合分析方法
【專利摘要】本發(fā)明公開了一種基于小波?傳遞熵的多時(shí)頻尺度間腦肌電耦合分析方法，所述方法包括腦肌電信號(hào)同步采集部分和信號(hào)處理部分，腦肌電信號(hào)同步采集部分包括腦電信號(hào)采集和肌電信號(hào)采集；信號(hào)處理部分包括信號(hào)預(yù)處理和腦肌電的小波?傳遞熵分析方法。本發(fā)明具有可應(yīng)用性、可采納性，在康復(fù)醫(yī)學(xué)領(lǐng)域具有重要的應(yīng)用價(jià)值。
【專利說明】
基于小波-傳遞熵的多時(shí)頻尺度間腦肌電耦合分析方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及神經(jīng)康復(fù)工程及運(yùn)動(dòng)機(jī)制研究領(lǐng)域，具體涉及一種基于小波-傳遞熵 的多時(shí)頻尺度間腦肌電耦合分析方法。
【背景技術(shù)】
[0002] 腦電（electroencephalogram, EEG)和肌電（electromyographic，EMG)信號(hào)分別包 含軀體運(yùn)動(dòng)控制信息和肌肉對(duì)大腦控制意圖的功能響應(yīng)信息，腦肌電信號(hào)間的多尺度耦合 信息反映多層次的皮層-肌肉功能親合(Functional corticomuscular coupling,FCMC)的 連接信息。目前，腦肌電同步特征研究主要基于相干分析，獲取大腦運(yùn)動(dòng)意識(shí)驅(qū)動(dòng)與肌肉運(yùn) 動(dòng)響應(yīng)之間的功能聯(lián)系特征，但傳統(tǒng)的相干性分析并不能體現(xiàn)耦合方向特征。為更好理解 大腦皮層與相應(yīng)肌肉間的功能交互及信息傳遞特性，格蘭杰因果性分析被應(yīng)用于腦肌電同 步研究，發(fā)現(xiàn)腦肌電間存在雙向（下行EEG-EMG、上行EMG-EEG)耦合聯(lián)系。但由于腦肌電之 間耦合模型未知且腦肌電信號(hào)間的功能耦合存在著非線性因果關(guān)系，基于既定模型的格蘭 杰因果分析方法不能有效描述腦肌電非線性耦合特征。傳遞熵具有不依賴于既定模型且實(shí) 現(xiàn)非線性定量分析的特點(diǎn)，能夠有效的估計(jì)皮層-肌肉之間的功能耦合強(qiáng)度及信息轉(zhuǎn)移方 向。因此，傳遞熵模型對(duì)于估計(jì)皮層-肌肉之間的功能耦合強(qiáng)度及信息傳遞方向特征、揭示 運(yùn)動(dòng)過程中皮層和肌肉間的運(yùn)動(dòng)控制及響應(yīng)機(jī)制具有可行性。2015年，本發(fā)明作者在《基于 多尺度傳遞熵的腦肌電信號(hào)耦合分析》中曾提出多尺度傳遞熵方法，并基于該方法研究不 同時(shí)間尺度上腦肌電信號(hào)耦合特征。但隨著粗?；叨鹊脑黾?，序列長(zhǎng)度減少，可能使得 熵估計(jì)不準(zhǔn)確。移動(dòng)均值化的提出克服了這一弊端，使得各個(gè)尺度的時(shí)間序列長(zhǎng)度保持相 同。但以上研究還存在一些不足:粗?；c移動(dòng)均值化方法僅是將腦電和肌電信號(hào)進(jìn)行時(shí) 間尺度化，不能夠刻畫出腦電和肌電的時(shí)頻域特性以及不同時(shí)頻尺度間腦肌電信號(hào)的非線 性耦合及信息傳遞。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的在于提供一種能夠發(fā)現(xiàn)皮層肌肉間非線性相關(guān)性、深入探索大腦皮 層與肌肉之間的耦合及信息傳遞特征的基于小波-傳遞熵的多時(shí)頻尺度間腦肌電耦合分析 方法。
[0004] 本發(fā)明所述方法的步驟如下：
[0005] 步驟1，采用64導(dǎo)Neuroscan設(shè)備同步采集腦電信號(hào)和肌電信號(hào)；
[0006] 步驟2,利用Neuroscan設(shè)備數(shù)據(jù)處理軟件對(duì)采集到的腦電信號(hào)和肌電信號(hào)分別去 除基線漂移、溢出、眼動(dòng)和工頻干擾；
[0007] 步驟3,采用Daubechies類db4小波基函數(shù)對(duì)腦電和肌電信號(hào)進(jìn)行頻譜分解，分析 腦電信號(hào)和肌電信號(hào)不同時(shí)頻尺度間的同步特性，定量描述腦肌間非線性耦合和信息傳遞 特征；
[0008] 步驟4,對(duì)腦肌間非線性耦合和信息傳遞特征進(jìn)行運(yùn)動(dòng)功能分析。
[0009] 進(jìn)一步的，在步驟1中，腦電電極采用國際10-20系統(tǒng)標(biāo)準(zhǔn)，以雙耳的乳突作為參 考，從32導(dǎo)頭皮腦電采集設(shè)備記錄對(duì)應(yīng)運(yùn)動(dòng)的腦電信號(hào);使用Synamp2設(shè)備采集肌電信號(hào)， 電極順著肌纖維方向，放置在肌腹位置處。
[0010] 進(jìn)一步的，
[0011] 所述步驟3的具體方法如下：
[0012] 基于步驟2中預(yù)處理后的實(shí)測(cè)數(shù)據(jù)構(gòu)建腦電信號(hào)x(t)和肌電信號(hào)y(t)兩組時(shí)間序 列;對(duì)腦電信號(hào)x(t)進(jìn)行小波變換，將小波變換應(yīng)用于尺度劃分之中；
[0013]首先構(gòu)造小波函數(shù)，公式如下：
[0014] Wj，k(t)=2-」/2Ψ(2-jt_k) (I)
[0015] 式中，Ψ(?)為母小波;k為Ψ(?)縱坐標(biāo)方向的平移量，j表示信號(hào)的層數(shù)，j，kez， Z為整數(shù)集;尺度參數(shù)為平移參數(shù)2?; t為時(shí)間指標(biāo)；
[0016] 然后對(duì)腦電信號(hào)x(t)進(jìn)行7層頻譜分解，得到小波變換系數(shù)
[0017]
(2)
[0018] 小波系數(shù)C^k按照頻率范圍從高到低的順序排列，提取第3、4、5、6、7層系數(shù)重構(gòu)出 gamma(32~64Hz)、beta(16~32Hz)、alpha(8~16Hz)、theta(4~8Hz^Pdelta(l~4HzMj^ 段的信號(hào)：
[0019]
(3)
[0020] 式中，C =--"為濾波器的品質(zhì)因數(shù)； '布'寬
[0021 ]重構(gòu)信號(hào)Xi(t)、X2(t)、X3(t)、X4(t)及X5(t)分別對(duì)應(yīng)腦電功能頻帶delta、theta、 alpha、beta 和 gamma 的信號(hào)；
[0022]對(duì)于肌電信號(hào)y(t)進(jìn)行上述相同的小波變換過程，得到y(tǒng)m(t)(m=l，2,3,4,5)，* 別對(duì)應(yīng)肌電delta、theta、alpha、beta和gamma頻段的信號(hào)；
[0023]基于傳遞熵計(jì)算方法，構(gòu)造 x(t)到y(tǒng)(t)的小波-傳遞熵WTE^，公式如下：
[0024]
(4)
[0025] 式中，u為預(yù)測(cè)時(shí)間；p( ·)為變量之間的聯(lián)合概率X、分別表示腦電和肌電 delta、theta、alpha、beta、gamma分量的延遲向量;Mu為< 的預(yù)測(cè)序列；
[0026] WTEX-表示腦電信號(hào)EEG的Xi (t)分量到肌電信號(hào)t)分量間的傳遞熵 值；同理信號(hào)y (t)到X (t)的小波-傳遞熵WTEex的表達(dá)式為：
[0027]
(5)
[0028] 式中，<"為< 的預(yù)測(cè)序列;WTEpx表示Ei?^ym(t)到分量到EEG的Xi(t)分量間的傳 遞熵值;傳遞熵值越大，說明在此頻段間皮層肌肉耦合越強(qiáng);反之亦然。
[0029] 本發(fā)明與現(xiàn)有技術(shù)相比有益效果如下：本發(fā)明方法利用小波-傳遞熵分析腦肌電 信號(hào)信息傳遞特性，定量描述腦電信號(hào)與肌電信號(hào)頻段間非線性的耦合及信息傳遞特征， 有助于探索大腦皮層與肌肉之間的功能聯(lián)系，研究運(yùn)動(dòng)控制反饋機(jī)制及運(yùn)動(dòng)障礙病理機(jī) 制，建立基于腦肌電信號(hào)的康復(fù)狀態(tài)評(píng)價(jià)指標(biāo)，構(gòu)建康復(fù)機(jī)器人運(yùn)動(dòng)狀態(tài)及患者生理狀態(tài) 評(píng)價(jià)機(jī)制，可以獲得可觀的社會(huì)效益和經(jīng)濟(jì)效益。
【附圖說明】
[0030] 圖1為本發(fā)明中Neuroscan設(shè)備的結(jié)構(gòu)簡(jiǎn)圖。
[0031] 圖2為本發(fā)明方法的工作流程圖。
[0032] 圖3為受試者C4通道腦電信號(hào)的小波分解后時(shí)頻結(jié)果圖。
[0033] 圖4為受試者指淺屈肌處肌電信號(hào)的小波分解后時(shí)頻結(jié)果圖。
[0034]圖5為受試者的腦肌電信號(hào)小波-傳遞熵分析結(jié)果圖。
[0035]附圖標(biāo)號(hào)：1_腦電電極、2-電極帽、3-腦肌電采集儀、4-肌電導(dǎo)聯(lián)線、5-肌電電極。
【具體實(shí)施方式】
[0036]腦電信號(hào)和肌電信號(hào)十分微弱，具有非線性、非平穩(wěn)性和頻域特性突出等特點(diǎn)。在 運(yùn)動(dòng)過程中，神經(jīng)系統(tǒng)與肌肉之間的交互控制機(jī)制可以通過腦肌電信號(hào)的同步耦合分析體 現(xiàn)。小波分解能夠提取出腦肌電信號(hào)的特定時(shí)頻數(shù)據(jù)段，而且傳遞熵可以刻畫信號(hào)間非線 性的耦合及信息傳遞特征，本發(fā)明通過研究腦肌電間的小波-傳遞熵分析，獲得不同運(yùn)動(dòng)狀 態(tài)下大腦皮層與肌肉之間信息傳遞關(guān)系，進(jìn)而研究運(yùn)動(dòng)功能障礙產(chǎn)生的生理機(jī)制。
[0037] 實(shí)施例1:
[0038]如圖2所示，方法步驟如下：
[0039] 步驟1，采用64導(dǎo)Neuroscan設(shè)備同步采集腦電信號(hào)和肌電信號(hào)。
[0040] Neuroscan設(shè)備的結(jié)構(gòu)如圖1所示，由腦電電極、電極帽、腦肌電采集儀、肌電導(dǎo)聯(lián) 線、肌電電極連接組成。
[0041 ]腦電信號(hào)采集:腦電電極采用國際標(biāo)準(zhǔn)10-20電極放置標(biāo)準(zhǔn)，通過電極帽2實(shí)現(xiàn)腦 電電極1與頭皮接觸。在手部靜態(tài)握力輸出運(yùn)動(dòng)下進(jìn)行腦肌電信號(hào)同步采集實(shí)驗(yàn)。M1、M2導(dǎo) 聯(lián)分別連接到左右耳后乳突作為參考電極，接地電極布置在頭頂正中，從32導(dǎo)頭皮腦電采 集設(shè)備中選擇C3、C4以及CPZ區(qū)記錄對(duì)應(yīng)運(yùn)動(dòng)的腦電信號(hào)。
[0042] 肌電信號(hào)采集：使用Synamp 2設(shè)備采集指淺屈?。╢ I exor d i g i t orum superficialis，F(xiàn)DS)處的肌電信號(hào)，首先用酒精擦拭被測(cè)部位的皮膚表面，去除皮膚表面 油脂和皮肩，然后順著肌纖維方向?qū)⒓‰婋姌O5粘貼在肌腹位置處，并將肌電導(dǎo)聯(lián)線4適當(dāng) 固定盡量減少運(yùn)動(dòng)過程中導(dǎo)聯(lián)線晃動(dòng)的干擾。
[0043]步驟2,利用Neuroscan設(shè)備數(shù)據(jù)處理軟件對(duì)采集到的腦電信號(hào)和肌電信號(hào)分別去 除基線漂移、溢出、眼動(dòng)和工頻干擾；
[0044] 步驟3,采用Daubechies類db4小波基函數(shù)對(duì)腦電和肌電信號(hào)進(jìn)行頻譜分解，基于 步驟2中預(yù)處理后的實(shí)測(cè)數(shù)據(jù)構(gòu)建腦電信號(hào)x(t)和肌電信號(hào)y(t)兩組時(shí)間序列。以腦電信 號(hào)x(t)為例，將小波變換應(yīng)用于尺度劃分之中。首先構(gòu)造小波函數(shù)，公式如下：
[0045]
(1)
[0046] 式中，ψ(υ為母小波;k為ψ(υ縱坐標(biāo)方向的平移量，j表示信號(hào)的層數(shù)，j，kez， Z為整數(shù)集;尺度參數(shù)為平移參數(shù)2?; t為時(shí)間指標(biāo)。
[0047] 然后對(duì)腦電信號(hào)x(t)進(jìn)行7層頻譜分解，得到小波變換系數(shù)
[0048]
(2)
[0049]基十上式得到的小波糸數(shù)Cj,k按照頻率范圍從高到低的順序排列，提取第3、4、5、 6、7層系數(shù)重構(gòu)出8&臟&(32~64]^)、匕6七&(16~32]^)、&]^]1&(8~16]^)、1：]16七&(4~8]^)和 delta(l~4Hz)頻段的信號(hào)：
[0050]
(3) Γ ? ^ i廣濾波器中心頻率a u m
[0051] 式中，C =-4一 -為濾波器的品質(zhì)因數(shù)； 市莧
[0052] 重構(gòu)信號(hào)Xi(t)、X2(t)、X3(t)、X4(t)及X5(t)分別對(duì)應(yīng)腦電功能頻帶delta、theta、 alpha、beta 和gamma 的信號(hào)。
[0053] 對(duì)于肌電信號(hào)y(t)進(jìn)行上述相同的小波變換過程，得到y(tǒng)m(t)(m=l，2,3,4,5)，* 別對(duì)應(yīng)肌電delta、theta、alpha、beta和gamma頻段的信號(hào)。
[0054] 基于傳遞熵計(jì)算方法，構(gòu)造 x(t)到y(tǒng)(t)的小波-傳遞熵WTEq，公式如下：
[0055]
(4)
[0056] 式中，u為預(yù)測(cè)時(shí)間；p( ·)為變量之間的聯(lián)合概率;<、<分別表示腦電和肌電 del ta、theta、alpha、beta、gamma分量的延遲向量;.V二為#的預(yù)測(cè)序列；
[0057] WTEX-表示腦電信號(hào)EEG的Xi (t)分量到肌電信號(hào)t)分量間的傳遞熵 值。同理信號(hào)y (t)到X (t)的小波-傳遞熵WTEpx的表達(dá)式為：
[0058]
(5)
[0059] 式中，為'的預(yù)測(cè)序列;WTEpx表示Ei?^ym(t)到分量到EEG的Xi(t)分量間的傳 遞熵值;傳遞熵值越大，說明在此頻段間皮層肌肉耦合越強(qiáng);反之亦然。
[0060] 基于上述指標(biāo)，計(jì)算手部靜態(tài)握力輸出運(yùn)動(dòng)下，不同耦合方向上、不同時(shí)頻尺度間 的WTE值，即能夠定量描述腦電信號(hào)EEG和肌電信號(hào)EMG多時(shí)頻尺度間的非線性同步耦合特 征。
[0061] 為驗(yàn)證本發(fā)明所述的腦肌電信號(hào)小波-傳遞熵分析方法的可行性和有效性，募集8 名健康的受試者進(jìn)行手部靜態(tài)握力輸出實(shí)驗(yàn)，受試者相關(guān)信息如表1所示。按照本發(fā)明所述 的腦肌電采集與分析過程，同步采集受試者恒力輸出運(yùn)動(dòng)下的腦肌電信號(hào)，進(jìn)行分析并研 究受試者運(yùn)動(dòng)運(yùn)動(dòng)過程中皮層肌肉間的耦合與信息傳遞機(jī)制。
[0062] 本次實(shí)驗(yàn)采集左手指淺屈?。╢lexor digitorum superficialis，F(xiàn)DS)處的肌電 信號(hào)與對(duì)側(cè)C4通道腦電信號(hào)，并計(jì)算WTE值。
[0063] 圖3和圖4分別為受試者腦電、肌電信號(hào)經(jīng)過小波分解后各時(shí)頻尺度上的時(shí)頻域結(jié) 果(左側(cè)是時(shí)域圖，右側(cè)是頻域圖），從中可以看出腦電和肌電信號(hào)經(jīng)過小波分解后可以得 至丨Jde Ita、theta、alpha、beta 和gamma 頻段的信號(hào)。
[0064] 圖5為8位受試者腦肌間耦合的小波-傳遞熵分析后的平均值。從中可以看出，在靜 態(tài)握力輸出過程中皮層肌肉間beta頻段的耦合強(qiáng)度最為顯著，而且不同耦合方向上各時(shí)頻 尺度間的耦合強(qiáng)度也存在差異，為探究神經(jīng)肌肉功能耦合機(jī)制提供了理論研究方法。
[0066]表1受試者相關(guān)信息。
【主權(quán)項(xiàng)】
1. 一種基于小波-傳遞賭的多時(shí)頻尺度間腦肌電禪合分析方法，其特征在于，所述方法 的步驟如下： 步驟1，采用64導(dǎo)化uroscan設(shè)備同步采集腦電信號(hào)和肌電信號(hào)； 步驟2,利用化uroscan設(shè)備數(shù)據(jù)處理軟件對(duì)采集到的腦電信號(hào)和肌電信號(hào)分別去除基 線漂移、溢出、眼動(dòng)和工頻干擾； 步驟3,采用DaubecMes類化4小波基函數(shù)對(duì)腦電和肌電信號(hào)進(jìn)行頻譜分解，分析腦電 信號(hào)和肌電信號(hào)不同時(shí)頻尺度間的同步特性，定量描述腦肌間非線性禪合和信息傳遞特 征； 步驟4,對(duì)運(yùn)動(dòng)狀態(tài)下的腦肌間非線性禪合和信息傳遞特征進(jìn)行分析。2. 根據(jù)權(quán)利要求1所述的基于小波-傳遞賭的多時(shí)頻尺度間腦肌電禪合分析方法，其特 征在于:步驟1中，腦電電極采用國際10-20系統(tǒng)標(biāo)準(zhǔn)，W雙耳的乳突作為參考，從32導(dǎo)頭皮 腦電采集設(shè)備記錄對(duì)應(yīng)運(yùn)動(dòng)的腦電信號(hào);使用Synamp2設(shè)備采集肌電信號(hào)，電極順著肌纖維 方向，放置在肌腹位置處。3. 根據(jù)權(quán)利要求1所述的基于小波-傳遞賭的多時(shí)頻尺度間腦肌電禪合分析方法，其特 征在于，所述步驟3的具體方法如下： 基于步驟2中預(yù)處理后的實(shí)測(cè)數(shù)據(jù)構(gòu)建腦電信號(hào)x(t)和肌電信號(hào)y(t)兩組時(shí)間序列； 對(duì)腦電信號(hào)x(t)進(jìn)行小波變換，將小波變換應(yīng)用于尺度劃分之中； 首先構(gòu)造小波函數(shù)，公式如下： Wj'k(t) = 2-j/2w(2_jt-k) (1) 式中，ψ(υ為母小波;k為Ψ(υ縱坐標(biāo)方向的平移量，j表示信號(hào)的層數(shù)，j，kez，z為 整數(shù)集;尺度參數(shù)為戶，平移參數(shù)2?; t為時(shí)間指標(biāo)； 然后對(duì)腦電信號(hào)x(t)進(jìn)行7層頻譜分解，得到小波變換系數(shù)口） 小波系數(shù)Cj,k按照頻率范圍從高到低的順序排列，提取第3、4、5、6、7層系數(shù)重構(gòu)出 gamma(32~64Hz)、beta(16~32Hz)、al地a(8~16Hz)、theta(4~細(xì)z)和delta(l~4Hz)頻 段的信號(hào)：餅 式中為濾波器的品質(zhì)因數(shù)； 重構(gòu)信號(hào)Xi(t)、X2(t)、X3(t)、X4(t)及X日（t)分別對(duì)應(yīng)腦電功能頻帶delta、theta、 alpha、beta 和 gamma 的信號(hào)； 對(duì)于肌電信號(hào)y(t)進(jìn)行上述相同的小波變換過程，得到y(tǒng)m(t)(m=l，2,3,4,5)，分別對(duì) 應(yīng)肌電delta、theta、al地a、be1:a和gamma頻段的信號(hào)； 基于傳遞賭計(jì)算方法，構(gòu)造 x(t)到y(tǒng)(t)的小波-傳遞賭WTEx·^，公式如下：(4) 式中，U為預(yù)測(cè)時(shí)間;p( ·)為變量之間的聯(lián)合概率;1;、沁分別表示腦電和肌電delta、 theta、al地a、be化、gamma分量的延遲向量；.>寬,為.)'Γ的預(yù)測(cè)序列； WTE^^y則表示腦電信號(hào)EEG的xi(t)分量到肌電信號(hào)EMG的ym(t)分量間的傳遞賭值;同理 信號(hào)y (t)到X (t)的小波-傳遞賭WTE^-x的表達(dá)式為：(5) 式中，故。為別勺預(yù)測(cè)序列;WTE^-x表示EMG的ym(t)到分量至化EG的xi(t)分量間的傳遞賭 值;傳遞賭值越大，說明在此頻段間皮層肌肉禪合越強(qiáng);反之亦然。
【文檔編號(hào)】A61B5/0476GK106073702SQ201610362111
【公開日】2016年11月9日
【申請(qǐng)日】2016年5月27日
【發(fā)明人】謝平, 楊芳梅, 張園園, 陳曉玲, 吳曉光, 張晉銘, 王霄
【申請(qǐng)人】燕山大學(xué)