基于同步筛选的脑区间耦合分析方法技术

本发明专利技术公开了一种基于同步筛选的脑区间耦合分析方法，本发明专利技术首先同步采集了不同握力输出时，32通道脑电信号和12通道肌电信号，为研究握力输出过程中，EEG运动区与感觉区的耦合关系，对大脑运动区及运动感觉区的导联C3，C4，CP5，CP6等多个通道的脑电信号和肱桡肌信号进行分析；然后利用同步筛选算法将EEG与EMG的同步信息提取出来，得到EEG与EMG相关的数据；最后计算SSEM的符号传递熵，以确定其偶后关系。本发明专利技术可去除与运动的非相关数据，缩小数据规模。

【技术实现步骤摘要】
基于同步筛选的脑区间耦合分析方法
本专利技术属于信号处理领域，涉及一种脑电、肌电信号的耦合性方法，特别涉及一种应用于脑区间状态分析方法。
技术介绍
运动皮层的脑电信号(electroencephalogram，EEG)和肌电信号(electromyogra-phy,EMG)分别反映运动控制信息和肌肉对大脑控制意图的功能响应信息，脑肌电之间具有同步性。不同脑区拥有其特殊的功能，但是大脑作为一个有机的整体，各个脑区之间必然存在某种联系。大脑控制上肢运动时，运动神经系统通过神经的同步振荡来传递运动控制信息，相关的脑区和肌肉组织相关的周围神经之间也自动地发生了同步化，从而激发肢体的运动。大脑皮层与肌肉之间的同步振荡不仅从发出命令的大脑皮层传导至作为效应器的肌肉，同时也由肌肉反馈回大脑皮层，这些反馈信息必然会被大脑作为发出下一次控制信息的重要依据。近来，探究EEG与肢体运动之间的关系已称为人们研究的热点问题。Ponten等人利用同步似然性构建了癫痫患者脑电信号在癫痫发作不同阶段的脑功能网络，并通过对网络属性的分析发现癫痫在发病中和发病后，脑功能网络的特征路径长度会增大；Scott曾以奥托博克肌电假手为例，设计了电刺激感觉反馈系统，通过安装在假手食指上的应变式力矩传感器测量捏力大小，通过调制电刺激脉冲频率的方式将刺激频率与捏力的大小成比例对应，以此将捏力感觉反馈给使用者；美国国防先进研究项目局(DARPA)采用目标肌肉神经移植术重新连接被截肢位置和肌肉组织的神经信号，并作为一个“放大器”来控制假肢。同时，利用名为FINE(FlatInterfaceNerveElectrode)技术直接向使用者的大脑反馈假手的感觉。FINE使神经元变得平缓，让部分神经元能够接触电流并提供反馈，恢复患者的触觉。然而在处理与运动相关的EEG时都面临的一个问题是，EEG中包含有大量与运动非相关的成分，这些非相关成分会使EEG数据规模变得庞大，湮没EEG中与运动相关的成分，这会使求解变得困难，同时增大计算复杂度。针对这一问题，本专利技术提出了一种基于同步筛选-符号传递熵的脑区间耦合分析方法，可以滤除EEG中与运动的非相关成分，去除非相关数据、降低运算复杂度的同时，保留了数据有效信息，可以快速准确的分析脑区间的耦合关系。
技术实现思路
为了能够快速准确的分析上肢握力输出时，大脑运动区与感觉区的耦合关系，本专利技术提出了一种基于同步筛选-符号传递熵的脑区间耦合分析方法。首先同步采集了不同握力输出时，32通道脑电信号(EEG)和12通道肌电信号(EMG)，为研究握力输出过程中，EEG运动区与感觉区的耦合关系，对大脑运动区及运动感觉区的导联C3，C4，CP5，CP6等多个通道的脑电信号和肱桡肌信号进行分析；然后利用同步筛选算法将EEG与EMG的同步信息提取出来，得到EEG与EMG相关的数据(SynchronousScreeningofEEGSignalsBasedonEMGSignals,SSEM)；最后计算SSEM的符号传递熵，以确定其偶后关系。本专利技术方法主要包括以下步骤：(1).同步采集了在不同握力输出时，32通道脑电信号和12通道肌电信号。(2).选取步骤(1)中获取的C3、C4、CP5、CP6通道脑电信号和肱桡肌肌电信号，对其进行小波阈值消噪处理，滤除心电、体位、以及其它噪声的影响并对EEG与EMG进行了时延分析。(3).使用同步筛选算法，以EMG肱桡肌信号为基准数据，对EEG运动区C3、C4通道与感觉区CP5、CP6通道的信号进行同步筛选，得到EEG与EMG相关的数据SSEM。同步筛选算法，具体算法如下：对于任意两列时间序列：X1＝{x1,x2,x3,...}；Y1＝{y1,y2,y3,...}；X1、Y1每一元素都有一个固定的标签，各元素在X1或Y1中的索引值为其对应的标签值。X1,Y1对应的标签序列为WX1、WY1,WX1＝{1,2,3,...}；WY1＝{1,2,3,...}。设：X2＝V(X1)(1)V(X)表示将X进行非递减的排序。在改变X1中元素的位置得到非递减的X2时，为了实现标签和元素的一一对应，标签序列中标签会发生与X1中元素相同的位置改变，从而得到X2对应的索引序列WX2。设：Y2＝T(WX2,Y1)(2)T(WX2,Y1)表示将WX2中存放的标签序列当作Y1新的索引序列，对Y1进行重新排列。因为Y1为非递减序列，若X1、Y1完全同步,Y2必为非递减序列。当X1、Y1不完全同步时,Y1中的非同步成分会导致T(WX2,Y1)无法将T(WX2,Y1)映射成非递减序列；根据这一特点，我们可通过Y2去掉Y1中的非同步成分；设：若Y2中某索引大的元素值等于索引小的元素值，则将该值赋值为0，从而得到新的序列Y3。Y3即：对于Y2中的yn、ym,此处n、m为索引，若yn＝ym，n＜m，则将ym置0。然后将Y3按照WY1中的标签进行还原排序：Y4＝T(WY1,Y3)(4)T(WY1,Y3)表示将WY1中存放的标签序列当作Y3新的索引，对Y3进行重新排列。Y4与原始时间序列Y1具有相同的排序，但与X1非同步的成分都已置0。将X1中为0的元素全部去除，得到Y5。Y5即为Y1基于X1同步筛选后的结果。(4).结合SSEM，计算在不同握力下大脑运动区C3、C4与感觉区CP5、CP6之间基于同步筛选的符号传递熵，分析脑区间的耦合性。所述基于同步筛选的符号传递熵，具体算法如下：同步筛选即为步骤(3)中提到的同步筛选算法。符号传递熵算法如下：首先对时间序列进行符号化处理，根据时间序列的数值特点进行符号划分的静态法,公式如下：式(5)中，Si为划分好的符号集，xi为时间序列Xt＝{x1,x2,x3,...}中的数据点；B1,B2...BN-1是一系列截断点。设符号划分数量为pieces，pieces＝N。pieces的大小可以任意的放大或缩小；将原始数据符号化后，计算的传递熵称为符号传递熵。传递熵定义如式(6)：设Xt,Yt为两个长度为n的时间序列，各自从t-1到t-p的历史记为I(X；Y-|X-)表示X与Y-在X-条件下的互信息。则Yt对Xt的转移熵TX→Y定义为X与Y-在X-下的互信息。在相同的符号集下，计算TX→Y越大，表明数据X传递到数据Y的信息量越多，X对Y的影响越大。本专利技术与已有的诸多与运动相关的脑区间EEG耦合分析方法相比，具有如下特点：探究动力系统之间的耦合关系时，传统的方法时先将时间序列符号化，再探求其耦合关系是一种重要的方法。对于两列含有大量非相关数据的时间序列中，非相关数据会使数据规模变大，会对耦合分析产生不利影响，使用传统的方法分析，计算复杂度往往很大，且难以寻找耦合关系。这对这一问题，本专利技术提出了基于同步筛选-符号传递熵的脑区间耦合分析方法，在探究耦合关系之前，先对数据进行同步筛选处理。同步筛选算法可去除与运动的非相关数据，缩小数据规模。这会降低运算复杂度，去除非相关数据对耦合分析的影响。附图说明图1为本专利技术的实施流程图。图2为非同步成分示意图，图中标记的两个黑点为Y相对于X的非同步点。图3-(a)、图3-(b)为左手发力，在不同握力输出下大脑运动区与感觉区间的符号传递熵的分析；图3-(c)、图3-(d)为右手发力，在不同握本文档来自技高网...

【技术保护点】
基于同步筛选的脑区间耦合分析方法，其特征在于，该方法包括如下步骤：(1).同步采集了在不同握力输出时，32通道脑电信号和12通道肌电信号；(2).选取步骤(1)中获取的C3、C4、CP5、CP6通道脑电信号和肱桡肌肌电信号，对其进行小波阈值消噪处理，滤除心电、体位、以及其它噪声的影响并对EEG与EMG进行了时延分析；(3).使用同步筛选算法，以EMG肱桡肌信号为基准数据，对EEG运动区C3、C4通道与感觉区CP5、CP6通道的信号进行同步筛选，得到EEG与EMG相关的数据SSEM；同步筛选算法，具体算法如下：对于任意两列时间序列：X1＝{x1,x2,x3,...}；Y1＝{y1,y2,y3,...}；X1、Y1每一元素都有一个固定的标签，各元素在X1或Y1中的索引值为其对应的标签值；X1,Y1对应的标签序列为WX1、WY1,WX1＝{1,2,3,...}；WY1＝{1,2,3,...}；设：X2＝V(X1)  (1)V(X)表示将X进行非递减的排序；在改变X1中元素的位置得到非递减的X2时，为了实现标签和元素的一一对应，标签序列中标签会发生与X1中元素相同的位置改变，从而得到X2对应的索引序列WX2；设：Y2＝T(WX2,Y1)  (2)T(WX2,Y1)表示将WX2中存放的标签序列当作Y1新的索引序列，对Y1进行重新排列；因为Y1为非递减序列，若X1、Y1完全同步,Y2必为非递减序列；当X1、Y1不完全同步时,Y1中的非同步成分会导致T(WX2,Y1)无法将T(WX2,Y1)映射成非递减序列；根据这一特点，我们可通过Y2去掉Y1中的非同步成分；设：...

【技术特征摘要】
1.基于同步筛选的脑区间耦合分析方法，其特征在于，该方法包括如下步骤：(1).同步采集了在不同握力输出时，32通道脑电信号和12通道肌电信号；(2).选取步骤(1)中获取的C3、C4、CP5、CP6通道脑电信号和肱桡肌肌电信号，对其进行小波阈值消噪处理，滤除心电、体位、以及其它噪声的影响并对EEG与EMG进行了时延分析；(3).使用同步筛选算法，以EMG肱桡肌信号为基准数据，对EEG运动区C3、C4通道与感觉区CP5、CP6通道的信号进行同步筛选，得到EEG与EMG相关的数据SSEM；同步筛选算法，具体算法如下：对于任意两列时间序列：X1＝{x1,x2,x3,...}；Y1＝{y1,y2,y3,...}；X1、Y1每一元素都有一个固定的标签，各元素在X1或Y1中的索引值为其对应的标签值；X1,Y1对应的标签序列为WX1、WY1,WX1＝{1,2,3,...}；WY1＝{1,2,3,...}；设：X2＝V(X1)(1)V(X)表示将X进行非递减的排序；在改变X1中元素的位置得到非递减的X2时，为了实现标签和元素的一一对应，标签序列中标签会发生与X1中元素相同的位置改变，从而得到X2对应的索引序列WX2；设：Y2＝T(WX2,Y1)(2)T(WX2,Y1)表示将WX2中存放的标签序列当作Y1新的索引序列，对Y1进行重新排列；因为Y1为非递减序列，若X1、Y1完全同步,Y2必为非递减序列；当X1、Y1不完全同步时,Y1中的非同步成分会导致T(WX2,Y1)无法将T(WX2,Y1)映射成非递减序列；根据这一特点，我们可通过Y2去掉Y1中的非同步成分；设：若Y2中某索引大的元素值等于索引小的元素值，则将该值赋值为0，从而得到新的序列Y3；Y3即：对于Y2中的yn、ym,此处n、m为索引，若...

【专利技术属性】
技术研发人员：高云园，苏慧需，任磊磊，孟明，佘青山，张启忠，马玉良，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33