基于Copula-GC的脑肌电信号时频耦合分析方法技术

本发明专利技术公开了一种基于Copula‑GC的脑肌电信号时频耦合分析方法，针对皮层肌肉相干性分析时不能确定耦合方向，以及格兰杰因果方法受限于检测线性因果关系的局限性，将Copula‑GC引入的皮层肌肉耦合分析领域。首先同步采集不同力度握力动作时多通道脑电信号和相关肌肉组上的表面肌电信号并进行预处理，其次在时域上计算脑肌电信号间的Copula‑GC值，然后在频域上采用基于子带分解和Copula‑GC的方法对脑肌电信号进行耦合强度统计，从而在时频域上定量描述脑肌电信号在局部频带和信息传递上的非线性同步耦合特性，为研究运动控制及患者康复评价提供一种定量的分析手段。

Time-Frequency Coupling Analysis of EEG Signals Based on Copula-GC

The invention discloses a time-frequency coupling analysis method of EEG signals based on Copula GC. In view of the uncertainty of coupling direction in coherence analysis of cortical muscles and the limitation of Granger causality method in detecting linear causality, Copula GC is introduced into the field of cortical muscle coupling analysis. Firstly, multi-channel EEG signals and surface EMG signals on related muscle groups were collected synchronously and pretreated. Secondly, the Copula GC values between EEG signals were calculated in time domain. Then, the coupling strength of EEG signals was counted in frequency domain based on subband decomposition and Copula GC method, so as to quantitatively describe EEG signals in time-frequency domain. The non-linear synchronous coupling characteristic in local frequency band and information transmission provides a quantitative analysis method for the study of motion control and rehabilitation evaluation of patients.

【技术实现步骤摘要】
基于Copula-GC的脑肌电信号时频耦合分析方法
本专利技术属于神经系统运动控制机制研究领域，涉及一种大脑皮层和运动肌肉功能耦合的时频分析方法。
技术介绍
近年来，运用电生理信号耦合分析考察中枢神经损伤患者的异常神经振荡和神经肌肉状态已成为运动医学、康复工程等领域的研究热点。在人体运动的神经控制过程中，神经元的振荡耦合和同步放电发挥着至关重要的作用。运动神系统通过神经振荡来传递运动控制信息，神经中枢通过与各区域间的相互作用实现功能调节和整合，主要体现在电生理信号间不同层次的耦合(同步)现象，包括脑电(electroencephalogram,EEG)-肌电(electromyogram,EMG)耦合、EMG-EMG耦合等。中枢神经损伤患者由于神经损伤阻碍了神经振荡的传导从而造成运动功能障碍。EEG和EMG信号分别包含了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，能够直接反应运动神经系统的功能状态，通过脑肌电耦合分析可以反映运动控制过程中神经肌肉间的功能联系，不仅为理解运动控制过程及运动障碍的病理机制提供了理论基础，而且可以为康复运动功能状态评价提供生物标记。自1995年Conway等发现运动过程中EEG和EMG信号间具有相关性以来，研究者开始基于相干分析方法，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，探索皮质下中风、帕金森症等运动机制相关疾病的病理机制。Shibata等和Kristeva等分别基于脑、肌电的相干性，验证了镜像运动患者和肌阵挛患者的脑、肌电相干差异特征；Mima等发现皮质下中风患者患侧上肢多运动模式下脑、肌电相干性不显著；Fang等发现中风患者手部运动时的脑、肌电相干性在gamma频段较健康人有所缺失。马培培等发现中风运动功能障碍患者在患侧运动过程中gamma频段脑、肌电相干性缺失，但在康复训练过程中随着运动功能的恢复其相干性特征逐渐趋于显著。运动过程中脑、肌电的相干性主要表现在beta频段和gamma频段，beta频段的脑肌电振荡代表了从初级运动皮层到脊髓运动神经元的传递过程，而gamma频段振荡体现与认知功能相关的脑皮层信息整合过程。如静态力输出时相干性主要发生在beta频段，而动态力输出时，皮层脊髓振荡向高频gamma频段转移。因此，分析beta和gamma两个频段的脑、肌电相干性分析能够体现中枢神经与肌肉之间的振荡联系，进而评价运动神经系统功能。目前，脑肌电耦合研究主要基于相干分析方法，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，但传统相干性分析并不能体现耦合方向特征，即难以区分神经肌肉对力量输出的调控是源于下行(EEG→EMG)方向还是上行方向(EMG→EEG)。为更好地理解大脑皮层与相应肌肉间的功能交互及信息传递特性，格兰杰因果关系(Grangercausality，GC)方法被应用于脑肌电同步研究。虽然传统GC方法能够描述信息间的双向因果性传递规律，但它只能发现时间序列之间耦合的线性因果关系。然而，脑肌电间耦合模型未知、且脑肌电信号间的功能耦合存在非线性因果关系，因此基于自回归模型的GC方法无法有效描述脑肌电非线性耦合特征。为了解决该问题，研究者研究了非线性同步分析方法，取得了较好的实验结果。如在GC方法基础上拓展出不同的非线性因果方法，核函数GC(Kernel-basedGC，KGC)，方差GC(VarianceGC，VGC)等，在fMRI数据分析上在取得了优于传统GC方法的预测性能。同时，不依赖既定模型的传递熵(TransferEntropy,TE)、符号传递熵(SymbolicTransferEntropy,sTE)等方法被用来探索神经信号间的非线性耦合特征，在皮层肌肉耦合领域取得了令人印象深刻的结果。近年来，从数学和统计学领域发展起来的Copula理论在分析多变量之间的关联结构时具有很多优点，同样有助于解决上述难题，已经在金融、神经科学等领域的多变量时间序列相关性分析得到研究和应用。Hu等提出了基于Copula理论的Granger因果分析方法(Copula-GC，cGC)，该方法不需要建立明确的模型，适合估计非线性、高阶的因果关系，在LFP神经时间序列之间的因果关系评估中取得了优于GC方法的结果。耿雪青等将双变量的cGC扩展至多变量时间序列分析，提出了基于Copula的条件GC方法(McGC)，在运动想象EEG数据分析中取得了优于线性GC、方差GC、核GC的性能。基于以上研究，本文引入Copula-GC方法，定量描述EEG-EMG信号间非线性同步耦合特征，并用于分析健康人与脑卒中病人在不同运动模式下运动皮层和肌肉间功能耦合关系。为进一步探索运动功能障碍的产生机制及康复过程中的运动功能评价方法提供依据。
技术实现思路
为了客观、定量、有效地对大脑皮层与运动神经肌肉组织的耦合性进行分析，本专利技术利用上肢主动动作时的头皮脑电信号和表面肌电信号，提出了一种基于Copula-GC的多通道脑肌电耦合分析方法。首先同步采集不同力度握力动作时多通道脑电信号和相关肌肉组上的表面肌电信号并进行预处理。接着利用Copula-GC直接进行时域上的计算，然后基于子带分解和Copula-GC的进行频域耦合强度统计。从而在时频域上对健康人/脑卒中病人、左手/右手动作、不同握力下、多个通道的脑电信号和对应的肌电信号进行耦合分析和比较。从而为理解运动控制过程及运动障碍的病理机制提供了理论基础，同时为康复运动功能状态评价提供生物标记。为实现上述目的，本专利技术方法主要包括以下步骤：步骤一，获取人体上肢动作时的头皮脑电信号和表面肌电信号样本数据；具体为：使用采集系统(BrainProductsGmbH，德国)来获取位于初级运动区域的C3/C4通道的EEG信号，以及指浅屈肌和桡腕屈肌的EMG信号。在放置电极之前，洗净头皮，确保阻抗处于低水平，并用酒精清洁皮肤表面；EEG和EMG信号的采样频率设置为1000Hz。步骤二，对采集得到的脑肌电信号进行预处理；具体为：由于EEG与EMG属于微弱生物电信号，易受环境中噪声影响，其中包括工频干扰以及眼电伪迹等，采集过程中利用BrainAmpDC设备进行了工频干扰、基线漂移、溢出和眼动伪迹的去除，然后利用独立成分分析法(IndependentComponentAnalysis，ICA)对EEG中的眼电伪迹进行了去除，再分别对脑电信号和肌电信号进行小波软阈值消噪处理。从而提高EEG与EMG信号的质量，为接下去的脑肌电耦合分析做准备。步骤三，基于Copula-GC的时域计算；具体为：EEG-EMG的cGC值大小可以反映大脑皮层和运动神经元之间信息交换的数量。对于预处理后的信号X＝{xt}与Y＝{yt}之间的cGC可以通过下式计算得到：其中，E表示样本空间的期望；F和G分别表示Y和X的条件边缘分布；c表示条件Copula的密度函数；和分别为X和Y的历史信息，m和n为变量X和Y的滞后阶次；利用贝叶斯信息准则(BayesianInformationCriterion，BIC)进行回归分析确定m和n。EEG→EMG的cGC值代表大脑皮层传递到相应肌肉的信息量，EMG→EEG的cGC值代表肌肉细胞反馈回大脑皮层的信息量。步骤四，基于子带分解和Copul本文档来自技高网...

【技术保护点】
1.基于Copula‑GC的脑肌电信号时频耦合分析方法，其特征在于：该方法包括如下步骤：步骤一，获取人体上肢动作时的头皮脑电信号和表面肌电信号样本数据；步骤二，脑肌电信号预处理；步骤三，基于Copula‑GC的时域分析；具体为：EEG与EMG信号之间的Copula‑GC值大小反映大脑皮层和运动神经元之间信息交换的数量；对于预处理后的EEG信号X＝{xt}与EMG信号Y＝{yt}之间的cGC通过下式计算得到：

【技术特征摘要】
1.基于Copula-GC的脑肌电信号时频耦合分析方法，其特征在于：该方法包括如下步骤：步骤一，获取人体上肢动作时的头皮脑电信号和表面肌电信号样本数据；步骤二，脑肌电信号预处理；步骤三，基于Copula-GC的时域分析；具体为：EEG与EMG信号之间的Copula-GC值大小反映大脑皮层和运动神经元之间信息交换的数量；对于预处理后的EEG信号X＝{xt}与EMG信号Y＝{yt}之间的cGC通过下式计算得到：其中，E表示样本空间的期望；F和G分别表示Y和X的条件边缘分布；c表示条件Copula的密度函数；和分别为X和Y的历史信息，m和n为变量X和Y的滞后阶次；利用贝叶斯信息准则进行回归分析确定m和n；EEG→EMG的cGC值代表大脑皮层传递到相应肌肉的信息量，EMG→EEG的cGC值代表肌肉细胞反馈回大脑皮层的信息量；步骤四，基于子带分解和Copula-GC的频域耦合强度统计；具体为：利用FIR滤波器将1-50Hz的EEG和EMG信号分隔为49个间隔为1Hz的子带信号，然后利用式(1)计算相同子带的EEG和EMG信号之间的cGC值，记为cGCX→Y(f)和cGCY→X(f)，其中f代表子带频率；cGC值越大，说明在该频段内信息的传递量越大；为进一步定量刻画EEG-...

【专利技术属性】
技术研发人员：佘青山，郑行，席旭刚，罗志增，
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