基于变分模态分解-传递熵的脑肌电耦合的研究方法技术

本发明专利技术提出了信息技术领域一种基于变分模态分解‑传递熵的脑肌电耦合的研究方法，包括以下步骤：步骤1受试者按照实验指令完成实验操作，在实验过程中采集脑电信号和肌电信号；步骤2对上述脑电信号、肌电信号数据的预处理；步骤3对预处理过后的脑电信号和肌电信号进行变分模态分解，将脑电信号和肌电信号分解为若干个不同的本征模态函数；步骤4对使用变分模态分解得到的脑电信号、肌电信号两两之间进行传递熵计算，观察脑肌电耦合强度；步骤5选取不同的时间刻度再次对不同性质、不同分量、不同方向的本征模态函数进行传递熵计算，可以减少频带混叠给后续不同频率波之间进行传递熵计算产生的干扰，提高实验结果准确性。

Research method of EMG coupling based on variational mode decomposition transfer entropy

【技术实现步骤摘要】
基于变分模态分解-传递熵的脑肌电耦合的研究方法
本专利技术涉及一种脑肌电耦合研究方法，具体的说是一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，属于认知神经科学和信息

技术介绍
人体的自主运动是大脑运动皮层发出运动指令，经过中枢神经系统(脑、脊髓)，沿着运动传导通路支配肢体完成一定的动作；同时，人的肢体基于周边环境产生体感，体感沿着神经传导通路反馈给大脑，在大脑的感觉区和运动区加以综合判断，调节运动指令，从而准确的完成动作，这种信号在大脑和肌肉之间的来回传递，表明来自大脑的EEG信号和来自肌肉的EMG信号之间具有一定的相关性，因此我们可以对这种相干性进行研究，这种研究具有一定的实际意义，可以将这种相干性研究用于皮质肌肉耦合、肌肉疲劳、运动障碍、运动康复等一系列的分析中。生理系统是跨越多尺度时空进行相互作用的复杂系统。运动神经系统通过神经振荡传递运动控制信息，引起相应肌肉的运动单元的同步性振荡活动反映运动响应信息，这种同步振荡活动可以反应多层次的皮质-肌肉功能耦合的连接信息。由于脑电和肌电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响应信息，因此对运动模式下脑肌电信号间不同时空层次的同步特征分析更有助于理解皮质-肌肉的功能耦合及信息传递。研究多时空层次的脑肌电耦合信息，关键因素是提取不同尺度上的脑电和肌电信息；首先是粗粒化方法和近似熵结合应用于EEG和EMG的尺度特性分析中，提取不同时间尺度上的信息；但随着其尺度的增加，序列长度减少使得熵估计不准确；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；然而粗粒化与移动均值化方法仅是将信号进行时间尺度化，不能刻画EEG和EMG的时频域特性，因此将经验模态分解的方法应用于多尺度划分中，提取EEG和EMG信号不同时频域尺度特征；EMD方法自适应的将信号分解成一系列的本征模态函数，得到各个本征模态函数的瞬时幅度和频率；但是经过该方法分解之后得到的本征模态函数存在边界效应和模态混叠的现象；因此集总经验模态分解方法应用到脑电信号分析中，消除了模态混叠的现象，相比EMD具有更好的抗噪声性能。但是采用EEMD方法会造成计算量增大。鉴于以上递归式分解的不足，将变分模态分解引入到尺度化分析中，自使用的提取EEG和EMG中各个具有中心频率的窄带分量；为了定量的研究不同时频尺度之间的脑肌电非线性同步耦合特征及信息传递，本专利结合变分模态分解和传递熵的方法，构建变分模态分解-传递熵模型用于脑肌电频段间耦合性分析。
技术实现思路
本专利技术的目的是提供一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，可以减少频带混叠给后续不同频率波之间进行传递熵计算产生的干扰，提高实验结果准确性。本专利技术的目的是这样实现的：一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，包括以下步骤：步骤1)受试者按照实验指令完成实验操作，在实验过程中采集脑电信号和肌电信号，并以数字信号存储在计算机中；步骤2)对上述脑电信号、肌电信号数据的预处理；步骤3)对预处理过后的脑电信号和肌电信号进行变分模态分解，将脑电信号和肌电信号分解为若干个不同的本征模态函数；步骤4)对使用变分模态分解得到的脑电信号、肌电信号两两之间进行传递熵计算，观察脑肌电耦合强度；步骤5)选取不同的时间刻度再次对不同性质、不同分量、不同方向的本征模态函数进行传递熵计算，观察脑肌电耦合随负荷大小和时间变化的关系。作为本专利技术的进一步限定，步骤3)的具体算法如下：变分模态分解方法是将信号分解过程转移到变分框架内，通过搜寻约束变分模型的最优解实现信号自适应分解；首先将每个模态重新定义为调频-调幅信号，表达为：uk(t)＝Ak(t)cos(Фk(t))(1)式中，Ak(t)为uk(t)的瞬时幅值，ωk(t)为uk(t)的瞬时频率，假设每个模态uk(t)具有中心频率和有限带宽，约束条件为各模态之和等于输入信号f，且每个模态的估计带宽之和最小，模型如下：st.∑kuk＝f(2)其中，uk＝{u1,...,uk}，表示分解的K有限带宽IMFf分量，为求取(1)、(2)约束变分问题的最优解，引入增广形式的Largrange函数，即：式中：α为惩罚因子，λ为拉格朗日算子；采用乘法算子交替方向法解决以上变分问题，通过交替更新ukn+1、ωkn+1和λn+1，寻找上式的“鞍点”；其中，的表达式为：式中，ωk等同于等同于基于Parseval/Plancherel傅里叶等距变换，将(4)式转变到频域，得到各模态的频域更新；然后将中心频率的取值问题转换到频域，得到中心频率的更新方法；同时更新λ；具体表达式如下：每个本征模态函数分量的中心频率和带宽在迭代求解变分模型的过程中不断更新，直至满足迭代停止条件对于给定的判定精度e＞0，结束整个循环，最终根据实际信号的频域特性得到K个窄带本征模态函数分量。作为本专利技术的进一步限定，步骤(4)将经过变分模态分解得到的若干个脑电、肌电信号的本征模态函数两两之间计算传递熵值，具体算法如下：将使用变分模态分解得到的脑电信号分量和肌电信号分量分别定义为K1和K2分别代表EEG和EMG窄带分量本征模态函数的个数，基于传递熵的定义，构造到的变分模态分解-传递熵TEK-EEG→EMG，公式如下：式中，t离散时间指标；u为预测时间；分别为k1，k2的延迟向量，p(·)为变量间的联合概率；则表示EEG的k1分量到EMG的k2分量间的传递熵值，同理信号到的变分模态分解-传递熵TEK-EMG→EEG的表达式为：则表示EMG的k2分量到EEG的k1分量间的传递熵值。作为本专利技术的进一步限定，步骤5)的时间刻度分别以1s、2s、3s、4s为基准，将整个时间段的本征模态函数分割再加以计算，并绘制传递熵变化曲线，观察随着时间变化和负荷逐渐增加时，皮质肌肉耦合的变化情况。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：第一：通过变分模态分解的方法，将经过预处理后的EEG和EMG信号分别分解成为三个无明显频带混叠的不同模态信号；可以减少频带混叠给后续不同频率波之间进行传递熵计算产生的干扰，提高实验结果准确性。第二：对经过变分模态分解得到的不同模态信号，采用计算两两不同类模态之间传递熵数值的方法，评估脑肌电信号的耦合程度，同时进一步采用时间分段的方法，将整个实验过程按照不同时间刻度(1s、2s、3s、4s)划分，可以观察到：极低负荷时，脑肌电耦合性逐渐增加；在刚开始增加负荷时，身体由于不习惯，传递熵数值下降，脑肌电耦合性出现减弱趋势；在负荷逐渐增加的过程和增加结束后，传递熵数值又出现了增加，并且数值超过刚开始极低负荷时的数值，脑肌电耦合性加强，这种多时间尺度的分析方法定量刻画脑肌电信号间的多时频尺度耦合特征及信息传输方向,为进一步探索运动功能障碍的产生机理及康复过程中的运动功能评价方法提供依据。附图说明图1为本专利技术中变分模态分解-传递熵分析脑肌电耦合框架图。图2为本专利技术中脑电信号的通道导联示意图。图3为本专利技术中肌电信号采集的位置。图4为本专利技术中原始脑电信号。图5为本专利技术中预处理后的脑电信号。图6为本专利技术中原始肌电信号。图7为本专利技术中预处理后的肌电信号。图8为本专利技术中经过变分模态分解后的脑电模态。图9为本专利技术中经过变分模态分解后的本文档来自技高网...

【技术保护点】
1.一种基于变分模态分解‑传递熵的脑肌电耦合的研究方法，其特征在于，包括以下步骤：步骤1)受试者按照实验指令完成实验操作，在实验过程中采集脑电信号和肌电信号，并以数字信号存储在计算机中；步骤2)对上述脑电信号、肌电信号数据的预处理；步骤3)对预处理过后的脑电信号和肌电信号进行变分模态分解，将脑电信号和肌电信号分解为若干个不同的本征模态函数；步骤4)对使用变分模态分解得到的脑电信号、肌电信号两两之间进行传递熵计算，观察脑肌电耦合强度；步骤5)选取不同的时间刻度再次对不同性质、不同分量、不同方向的本征模态函数进行传递熵计算，观察脑肌电耦合随负荷大小和时间变化的关系。

【技术特征摘要】
1.一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，其特征在于，包括以下步骤：步骤1)受试者按照实验指令完成实验操作，在实验过程中采集脑电信号和肌电信号，并以数字信号存储在计算机中；步骤2)对上述脑电信号、肌电信号数据的预处理；步骤3)对预处理过后的脑电信号和肌电信号进行变分模态分解，将脑电信号和肌电信号分解为若干个不同的本征模态函数；步骤4)对使用变分模态分解得到的脑电信号、肌电信号两两之间进行传递熵计算，观察脑肌电耦合强度；步骤5)选取不同的时间刻度再次对不同性质、不同分量、不同方向的本征模态函数进行传递熵计算，观察脑肌电耦合随负荷大小和时间变化的关系。2.根据权利要求1所述的基于变分模态分解-传递熵的脑肌电耦合的研究方法，其特征在于，步骤3)的具体算法如下：变分模态分解方法是将信号分解过程转移到变分框架内，通过搜寻约束变分模型的最优解实现信号自适应分解；首先将每个模态重新定义为调频-调幅信号，表达为：uk(t)＝Ak(t)cos(Фk(t))(1)式中，Ak(t)为uk(t)的瞬时幅值，ωk(t)为uk(t)的瞬时频率，假设每个模态uk(t)具有中心频率和有限带宽，约束条件为各模态之和等于输入信号f，且每个模态的估计带宽之和最小，模型如下：st.∑kuk＝f(2)其中，uk＝{u1,…,uk}，表示分解的K有限带宽IMFf分量，为求取(1)、(2)约束变分问题的最优解，引入增广形式的Largrange函数，即：式中：α为惩罚因子，λ为拉格朗日算子；采用乘法算子交替方向法解决以上变分问题，通过交替更新ukn+1、ωkn+1和λn...

【专利技术属性】
技术研发人员：徐欣，王祥，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32