一种结合非负矩阵分解和复杂网络的肌间耦合分析方法技术

本发明专利技术提出了一种结合非负矩阵分解和复杂网络的肌间耦合分析方法；本发明专利技术采集了不同握力输出时，7通道表面肌电信号，首先采用广义偏定向相干计算多通道之间的相干性；然后用非负矩阵分解算法对相干性值进行分解；最后用复杂网络建立不同条件下的肌肉功能网络。利用图论的特征指标，评估肌肉功能网络信息流的传递效率。结果显示：不同握力下肌肉的激活程度存在显著性差异；肌肉间的耦合在10～20Hz波段上较为显著；并且在10～20Hz波段上其耦合程度随着握力水平不同呈现显著性变化。本发明专利技术通过对多通道肌间耦合分析，体现了中枢神经系统对不同输出握力的控制模式，为运动功能障碍的诊断和康复效果的评价提供依据。

An Intermuscular Coupling Analysis Method Combining Nonnegative Matrix Decomposition and Complex Network

The invention proposes an intermuscular coupling analysis method combining non-negative matrix decomposition and complex network; the invention collects 7-channel surface EMG signals with different grip output, first calculates the coherence between multiple channels by using generalized biased coherence; then decomposes the coherence value by using non-negative matrix decomposition algorithm; and finally establishes muscle work under different conditions by using complex network. Energy network. The transmission efficiency of information flow in muscle functional network was evaluated by using the characteristic indicators of graph theory. The results showed that there were significant differences in the degree of muscle activation under different grip forces, the coupling between muscles was significant in the 10-20 Hz band, and the coupling degree changed significantly with the grip force level in the 10-20 Hz band. By analyzing the multi-channel muscle-to-muscle coupling, the invention embodies the control mode of the central nervous system for different output grip force, and provides a basis for the diagnosis of motor dysfunction and the evaluation of rehabilitation effect.

【技术实现步骤摘要】
一种结合非负矩阵分解和复杂网络的肌间耦合分析方法
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肌间耦合状态分析方法。
技术介绍
表面肌电信号(surfaceelectromyography，sEMG)是肌肉运动过程中，肌肉收缩从而所产生的动作电位。其在皮肤表面叠加而成，与肢体的运动具有直接关系。肌间耦合(IntermuscularCoupling，IMC)是指肌肉之间的相互作用或相干性、时间同步性。肌间耦合可以间接揭示皮质下共同输入到肌肉的信息，有利于我们探究中枢神经系统对肌肉的协调控制。人类可以根据不同的需求完成不同的动作，其中抓握是人体上肢运动最为基础的动作之一，在完成抓握过程中需要多块肌肉的密切配合，尤其是在调节握力的大小中，肌肉之间的协调关系更为复杂。本专利技术对不同握力状态下的肌间耦合进行分析研究。近年来，利用肌间耦合研究运动过程中的肌肉协调状况特征，挖掘潜在的神经中枢系统运动控制机制的研究相继展开。有研究表明，肌间耦合存在频段显著特征，运动过程中肌间耦合主要表现在beta(15-30Hz)频段，beta频段的肌间耦合代表了从初级运动皮本文档来自技高网...

【技术保护点】
1.一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，其特征在于，该方法包括如下步骤：步骤1、使用生物电采集设备采集5％、20％、40％、60％、80％最大自主收缩力抓握实验下的肌电信号；步骤2、对采集到的肌电信号进行预处理，包括降频、降噪；步骤3、采用广义偏定向相干方法对预处理后的信号计算多通道之间的相干性；步骤4、运用非负矩阵分解算法对计算得到的相干性值进行分解，得到四个不同频段的相干性的值；步骤5、根据步骤4的结果运用复杂网络建立不同条件下的肌肉功能网络。

【技术特征摘要】
1.一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，其特征在于，该方法包括如下步骤：步骤1、使用生物电采集设备采集5％、20％、40％、60％、80％最大自主收缩力抓握实验下的肌电信号；步骤2、对采集到的肌电信号进行预处理，包括降频、降噪；步骤3、采用广义偏定向相干方法对预处理后的信号计算多通道之间的相干性；步骤4、运用非负矩阵分解算法对计算得到的相干性值进行分解，得到四个不同频段的相干性的值；步骤5、根据步骤4的结果运用复杂网络建立不同条件下的肌肉功能网络。2.根据权利要求1所述的结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤1具体为：实验开始前先测量每位受试者的MVC，我们使用弹簧握力计分别进行5％、20％、40％、60％、80％MVC力输出的抓握实验，每种不同握力大小状态下恒力输出各3次，每次抓握5s，然后再放松20s；每种握力为一组，休息5分钟，然后做下一组握力实验。3.根据权利要求1所述的一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤3中的具体算法如下为：广义偏定向相干方法是一种基于多变量自回归处理时间序列模型的格兰杰因果性频域测量方法；该函数分析多个通道序列在频域上的相关程度，用数值大小在0到1之间的归一化反映其相关程度大小；归一化的广义偏定向相干值在[0，1]之间，表示xg流向xh的信号占所有从xg流出信号的比例，其中xg表示第g个通道，xh表示第h个通道；具体研究算法，对于多通道的AR模型，表示为：式中，xm代表表面肌电信号sEMG的第m个通道，m表示通道数；P表示多变量自回归模型阶数，在处理肌电信号时选择P＝5，Ci为第i阶两两通道之间的相关系数：然后对式(2)进行傅里叶变换，得式式中I表示维数为m＝7的单位矩阵；这样定义为式式中，ak,h(f)表示中第h列的第k个元素，表示中第h列的第g个元素。4.根据权利要求1所述的一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤4中的具体算法如下为：非负矩阵分解算法属于盲源分离方法的一种，由于NMF分解的结果具有非负的约束，其分解结果更具有实际意义，采用非负矩阵对相干性频率分解中，分解出相干性的四个主要作...

【专利技术属性】
技术研发人员：高云园，黄威，陈强，佘青山，席旭刚，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