基于小波-传递熵的多时频尺度间脑肌电耦合分析方法技术

本发明专利技术公开了一种基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法，所述方法包括脑肌电信号同步采集部分和信号处理部分，脑肌电信号同步采集部分包括脑电信号采集和肌电信号采集；信号处理部分包括信号预处理和脑肌电的小波‑传递熵分析方法。本发明专利技术具有可应用性、可采纳性，在康复医学领域具有重要的应用价值。

【技术实现步骤摘要】

本专利技术涉及神经康复工程及运动机制研究领域，具体涉及一种基于小波-传递熵的多时频尺度间脑肌电耦合分析方法。
技术介绍
脑电(electroencephalogram,EEG)和肌电(electromyographic,EMG)信号分别包含躯体运动控制信息和肌肉对大脑控制意图的功能响应信息，脑肌电信号间的多尺度耦合信息反映多层次的皮层-肌肉功能耦合(Functional corticomuscular coupling,FCMC)的连接信息。目前，脑肌电同步特征研究主要基于相干分析，获取大脑运动意识驱动与肌肉运动响应之间的功能联系特征，但传统的相干性分析并不能体现耦合方向特征。为更好理解大脑皮层与相应肌肉间的功能交互及信息传递特性，格兰杰因果性分析被应用于脑肌电同步研究，发现脑肌电间存在双向(下行EEG→EMG、上行EMG→EEG)耦合联系。但由于脑肌电之间耦合模型未知且脑肌电信号间的功能耦合存在着非线性因果关系，基于既定模型的格兰杰因果分析方法不能有效描述脑肌电非线性耦合特征。传递熵具有不依赖于既定模型且实现非线性定量分析的特点，能够有效的估计皮层-肌肉之间的功能耦合强度及信息转移方向。因此，传递熵模型对于估计皮层-肌肉之间的功能耦合强度及信息传递方向特征、揭示运动过程中皮层和肌肉间的运动控制及响应机制具有可行性。2015年，本专利技术作者在《基于多尺度传递熵的脑肌电信号耦合分析》中曾提出多尺度传递熵方法，并基于该方法研究不同时间尺度上 脑肌电信号耦合特征。但随着粗粒化尺度的增加，序列长度减少，可能使得熵估计不准确。移动均值化的提出克服了这一弊端，使得各个尺度的时间序列长度保持相同。但以上研究还存在一些不足：粗粒化与移动均值化方法仅是将脑电和肌电信号进行时间尺度化，不能够刻画出脑电和肌电的时频域特性以及不同时频尺度间脑肌电信号的非线性耦合及信息传递。
技术实现思路
本专利技术的目的在于提供一种能够发现皮层肌肉间非线性相关性、深入探索大脑皮层与肌肉之间的耦合及信息传递特征的基于小波-传递熵的多时频尺度间脑肌电耦合分析方法。本专利技术所述方法的步骤如下：步骤1，采用64导Neuroscan设备同步采集脑电信号和肌电信号；步骤2，利用Neuroscan设备数据处理软件对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰；步骤3，采用Daubechies类db4小波基函数对脑电和肌电信号进行频谱分解，分析脑电信号和肌电信号不同时频尺度间的同步特性，定量描述脑肌间非线性耦合和信息传递特征；步骤4，对脑肌间非线性耦合和信息传递特征进行运动功能分析。进一步的，在步骤1中，脑电电极采用国际10-20系统标准，以双耳的乳突作为参考，从32导头皮脑电采集设备记录对应运动的脑电信号；使用Synamp2设备采集肌电信号，电极顺着肌纤维方向，放置在肌腹位置处。进一步的，所述步骤3的具体方法如下：基于步骤2中预处理后的实测数据构建脑电信号x(t)和肌电信号y(t)两组时间序列；对脑电信号x(t)进行小波变换，将小波变换应用于尺度划分之中；首先构造小波函数，公式如下：Ψj,k(t)＝2-j/2Ψ(2-jt-k) (1)式中，Ψ(t)为母小波；k为Ψ(t)纵坐标方向的平移量，j表示信号的层数，j,k∈Z，Z为整数集；尺度参数为2j，平移参数2jk；t为时间指标；然后对脑电信号x(t)进行7层频谱分解，得到小波变换系数 C j , k = ∫ - ∞ ∞ x ( t ) Ψ j , k * ( t ) d t - - - ( 2 ) ]]>小波系数Cj,k按照频率范围从高到低的顺序排列，提取第3、4、5、6、7层系数重构出gamma(32～64Hz)、beta(16～32Hz)、alpha(8～16Hz)、theta(4～8Hz)和delta(1～4Hz)频段的信号： x i ( t ) = C Σ - ∞ ∞ Σ - ∞ ∞ C j i , k Ψ j , k ( t ) , ( i = 1 , 2 , 3 , 4 , 5 ) - - - ( 3 ) ]]>式中，为滤波器的品质因数；重构信号x1(t)、x2(t)、x3(t)、x4(t)及x5(t)分别对应脑电功能频带delta、theta、alpha、beta和gamma的信号；对于肌电信号y(t)进行上述相同的小波变换过程，得到ym(t)(m＝1,2,3,4,5)，分别对应肌电delta、theta、alpha、beta和gamma频段的信号；基于传递熵计算方法，构造x(t)到y(t)的小波-传递熵WTEx→y，公式如下： WTE x → y = Σ y t + u m , y t m , x t i p ( y t + u 本文档来自技高网...

【技术保护点】
一种基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法，其特征在于，所述方法的步骤如下：步骤1，采用64导Neuroscan设备同步采集脑电信号和肌电信号；步骤2，利用Neuroscan设备数据处理软件对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰；步骤3，采用Daubechies类db4小波基函数对脑电和肌电信号进行频谱分解，分析脑电信号和肌电信号不同时频尺度间的同步特性，定量描述脑肌间非线性耦合和信息传递特征；步骤4，对运动状态下的脑肌间非线性耦合和信息传递特征进行分析。

【技术特征摘要】
1.一种基于小波-传递熵的多时频尺度间脑肌电耦合分析方法，其特征在于，所述方法的步骤如下：步骤1，采用64导Neuroscan设备同步采集脑电信号和肌电信号；步骤2，利用Neuroscan设备数据处理软件对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰；步骤3，采用Daubechies类db4小波基函数对脑电和肌电信号进行频谱分解，分析脑电信号和肌电信号不同时频尺度间的同步特性，定量描述脑肌间非线性耦合和信息传递特征；步骤4，对运动状态下的脑肌间非线性耦合和信息传递特征进行分析。2.根据权利要求1所述的基于小波-传递熵的多时频尺度间脑肌电耦合分析方法，其特征在于：步骤1中，脑电电极采用国际10-20系统标准，以双耳的乳突作为参考，从32导头皮脑电采集设备记录对应运动的脑电信号；使用Synamp2设备采集肌电信号，电极顺着肌纤维方向，放置在肌腹位置处。3.根据权利要求1所述的基于小波-传递熵的多时频尺度间脑肌电耦合分析方法，其特征在于，所述步骤3的具体方法如下：基于步骤2中预处理后的实测数据构建脑电信号x(t)和肌电信号y(t)两组时间序列；对脑电信号x(t)进行小波变换，将小波变换应用于尺度划分之中；首先构造小波函数，公式如下：Ψj,k(t)＝2-j/2Ψ(2-jt-k) (1)式中，Ψ(t)为母小波；k为Ψ(t)纵坐标方向的平移量，j表示信号的层数，j,k∈Z，Z为整数集；尺度参数为2j，平移参数2jk；t为时间指标；然后对脑电信号x(t)进行7层频谱分解，得到小波变换系数 C j , k = ∫ - ∞ ∞ x ( t ) Ψ j , k * ( t ) d t - - - ( 2 ) ]]>小波系数Cj,k按照频率范围从高到低的顺序排列，提取第3、4、5、6、7层系数重构出gamma(32～64Hz)、beta(16～32Hz)、alpha(8～16Hz)、theta(4～8Hz)和delta(1～4Hz)频段的信号： x i ( t ) = C Σ - ∞ ∞ Σ - ∞ ∞ C j i , k Ψ j , k ( t ) , ( i = 1 , 2 , 3 , 4 , 5 ) - - - ( 3 ) ]]>式中，为滤波器的品质因数；重构信号x1(t)、x2(t)、x3(t)、x4(t)及x5(t)分别对应脑电功能频带delta、theta、alpha、beta和gamma的信号；对于肌电信号y(t)进行上述相同的小波变换过程，得到ym(t)(m＝1,2,3,4,5)，分别对应肌电delta、theta、alpha、beta和gamma频段的信号；基于传递熵计算方法，构造x(t)到y(t)的小波-传递熵WTEx→y，公式如下： WTE x → y = Σ y t + u m , y t m , x t i p ( y t + u m , y t m , x t i ) l o g p ( y t ...

【专利技术属性】
技术研发人员：谢平，杨芳梅，张园园，陈晓玲，吴晓光，张晋铭，王霄，
申请(专利权)人：燕山大学，
类型：发明
国别省市：河北;13