多尺度时频肌间耦合分析方法技术

本发明专利技术公开了一种多尺度时频肌间耦合分析方法。本发明专利技术首先进行多通道表面肌电信号同步采集并进行预处理；并对预处理后的数据进行噪声辅助的多元经验模态分解，得到有用的IMF尺度分量。其次对IMF尺度分量进行同步提取变换；具体为：对每个IMF尺度分量进行短时傅里叶变换，再乘以一个相位因子后进行同步压缩变换。然后计算时频互信息、时频归一化互信息和时频条件互信息；最后将上述计算结果进行多尺度时频肌间耦合统计分析。本发明专利技术为定量研究脑卒中患者上肢康复运动过程中不同时频尺度下的肌间非线性耦合强度特性提供了一种新方法。

【技术实现步骤摘要】
多尺度时频肌间耦合分析方法
本专利技术属于神经系统运动控制机制研究领域，涉及噪声辅助的多元经验模态分解、时频互信息、时频归一化互信息和时频条件互信息的计算，从而进行多尺度时频肌间耦合特性分析。
技术介绍
如何促进脑卒中患者上肢运动功能康复是目前来康复医学界关注的热点和难点。康复治疗过程中运动功能评估具有重要作用，一方面评估结果能够实时地反映卒中患者运动功能障碍程度，另一方面还可以辅助临床诊断并指导个性化康复训练方案的制定。从人体骨骼肌表面通过电极引导、记录下来的表面肌电信号(surfaceElectromyography,sEMG)与肌肉的活动状态和功能状态存在着不同程度的关联，能够在一定程度上反映神经、肌肉的活动，经常被用于定性评价与定量分析脑卒中患者肢体肌肉运动功能的恢复情况。由于运动神经系统是通过神经振荡的方式来传递运动控制信息，与肌间各区域的相互作用来实现功能调节和整合，体现为不同层次的同步耦合，而脑卒中患者正是由于运动中枢神经受损阻碍了神经振荡的传导才导致了运动功能障碍，所以通过肌间耦合分析能够反映运动控制过程中神经肌肉的异常功能联系，揭示神经网络的协同工作方式，理解运动功能障碍的病理机制。近年来，肌间耦合分析算法层出不穷，相干性(Coherence)因其算法原理简单、易于实现被广泛应用到肌间耦合分析中。Xie等利用Coherence对比分析了中风患者运动过程中健侧、患侧上肢拮抗肌间一致性特征，发现患侧运动过程中beta频段肌间一致性相对于健侧存在明显缺少。然而，Coherence仅能描述线性耦合关系，Faes等指出Coherence所测得的耦合关系包含了直接和间接的影响，会过度估计肌间耦合强度。Summers等研究表明，肌间耦合存在线性与非线性的关系，且非线性耦合在神经运动控制中起着更加重要的作用。为此，Du等构建了交叉频率相干-非负矩阵分解(CFC-NMF)模型，研究上肢肘关节屈伸运动中肌间线性和非线性耦合特性，发现不同频率比下中风患者肌间耦合强度明显低于健康人。然而，生理系统需要跨越多个时空尺度进行控制，导致sEMG信号具有多尺度特性，传统的单尺度分析只能从单一尺度上反映信号的特性，不能反映尺度变化导致的信号特性的变化。为此，Ma等将多元经验模态分解(MultivariateEmpiricalModeDecomposition,MEMD)与传递熵(TransferEntropy,TE)结合，应用于健康人和病人静态握力输出条件下脑肌电同步耦合分析，研究发现皮层肌肉功能耦合是双向的，在高频段(40～75Hz)脑电对肌电的耦合强度大于肌电对脑电的耦合强度。但MEMD易受噪声影响，且存在模态混叠等问题。并且，sEMG信号是一种非线性、非平稳的混沌信号，单从时域或频域角度剖析肌间耦合关系是比较片面的，为此，有学者根据Coherence原理结合时频分析方法，提出小波相干性(WaveletCoherence,WC)应用于电生理信号的耦合分析，但其仍遗留了线性时频变换的缺点，且无法给出定量分析指标。最近，Rehman等人结合EEMD和MEMD的优点，提出了噪声辅助的多元经验模式分解(NoiseAssistedMultivariateEmpiricalModeDecomposition,NA-MEMD)方法，不但充分利用了MEMD处理白噪声时具有的二元滤波器组特性，而且加入额外的独立白噪声保证了MEMD分解后信号的本征模态函数(IntrinsicModeFunction，IMF)分量与噪声的IMF分量之间的可分离性。对分解得到的多个平稳的IMF尺度分量做时频分析，既考虑了信号的多尺度特性，又能兼顾时频局部特性。受限于Heisenberg测不准原理的传统时频分析方法，时频分辨率较低，Daubechies等于2011年提出了一种新的时频变换方法，即同步压缩变换(SynchrosqueezingTransform,SST)，该方法在小波尺度方向上利用一种重分配方法将时间-尺度平面转化为时间-频率平面，在提高时频聚集性的同时支持信号重构，但SST无法处理多分量、强调频信号，具有较差的噪声鲁棒性。最近，Yu等提出一种新的时频分析方法—同步提取变换(SynchroextractingTransform,SET)。SET也是一种时频分析后处理技术，与SST不同的是，SET通过仅保留在时频脊线位置处的时频系数，剔除其余发散能量，以此达到时频聚焦、提高时频分辨率的目的。考虑到现有的同步耦合分析方法无法同时从时频联合域的角度出发，定量地反映时频耦合特性。基于信息论的互信息(MutualInformation,MI)、归一化互信息(NormalizedMutualInformation,NMI)和条件互信息(ConditionalMutualInformation,CMI)方法不依赖既定模型，能够度量两个或多个随机变量之间的非线性依赖程度，被广泛应用在电生理信号的同步耦合分析之中。直观地，MI衡量了变量间的共享信息，即当知道其中一个变量时减少了多少另一个变量的不确定性。NMI是MI的归一化版本，消除了量纲影响。当已知第三方变量的情况下，变量间直接的MI即为CMI。为定量研究脑卒中患者上肢康复运动过程中不同时频尺度下的肌间非线性耦合强度特性，本专利技术提出一种新的时频耦合(TimeFrequencyCoupling,TFC)分析方法，并将TFC与NA-MEMD相结合，构建多尺度时频耦合(Multi-scaleTFC,Ms-TFC)分析模型，来进行肌间耦合分析。
技术实现思路
本专利技术的目的在于提供一种可得到上肢肌间不同时频尺度下的功能耦合特性的分析方法。为实现上述目的，本专利技术方法主要包括以下步骤：步骤(1)，多通道表面肌电信号同步采集并进行预处理；具体为：同时采集5名健康被试和5名卒中患者执行及物运动任务时上肢3通道表面肌电信号；对获取的数据进行去均值，去基线漂移，同时利用谱插值算法抑制50Hz工频干扰。步骤(2)，对预处理后的数据进行噪声辅助的多元经验模态分解；具体为：向预处理后的m通道表面肌电信号X＝{x1,x2,…,xi,…xm}中添加两路互不相关的高斯白噪声，组成多元复合信号Xc＝{x1,x2,…,xm,xm+1,xm+2}，长度为T，经过多次多元经验模态分解(MEMD)，并将与噪声相关的两路残余分量剔除，得到m×q个有用的IMF尺度分量。步骤(3)，对IMF尺度分量进行同步提取变换。具体为：首先对每个IMF尺度分量imfik(t)进行短时傅里叶变换(STFT)，然后再乘以一个相位因子ejωt，可得到其中，k∈{1,2,...,m}，i∈{1,2,...,q}。根据同步压缩变换(SST)的思想，同步提取变换(SET)可表示为SET(t,ω)＝STFTe(t,ω)·δ(ω-ω0(t,ω))(2)其中，δ(ω-ω0(t,ω))称为同步提取算子(SEO)，δ(*)为delta函数，ω0(t,ω)为STFT谱中时频本文档来自技高网...

【技术保护点】
1.多尺度时频肌间耦合分析方法，其特征在于：该方法包括以下主要步骤：/n步骤(1)，多通道表面肌电信号同步采集并进行预处理；/n步骤(2)，对预处理后的数据进行噪声辅助的多元经验模态分解，得到有用的IMF尺度分量；/n步骤(3)，对IMF尺度分量进行同步提取变换；具体为：首先对每个IMF尺度分量进行短时傅里叶变换，再乘以一个相位因子，最后进行同步压缩变换；/n步骤(4)，计算时频互信息、时频归一化互信息和时频条件互信息；/n具体为：在同一IMF尺度分量上，计算第k个通道和第l个通道的表面肌电信号的时频互信息TFMI(U,V)、时频归一化互信息TFNMI(U,V)和时频条件互信息TFCMI(U,V|W)，即/nTFMI(U,V)＝H(U)+H(V)-H(U,V)/n

【技术特征摘要】
1.多尺度时频肌间耦合分析方法，其特征在于：该方法包括以下主要步骤：
步骤(1)，多通道表面肌电信号同步采集并进行预处理；
步骤(2)，对预处理后的数据进行噪声辅助的多元经验模态分解，得到有用的IMF尺度分量；
步骤(3)，对IMF尺度分量进行同步提取变换；具体为：首先对每个IMF尺度分量进行短时傅里叶变换，再乘以一个相位因子，最后进行同步压缩变换；
步骤(4)，计算时频互信息、时频归一化互信息和时频条件互信息；
具体为：在同一IMF尺度分量上，计算第k个通道和第l个通道的表面肌电信号的时频互信息TFMI(U,V)、时频归一化互信息TFNMI(U,V)和时频条件互信息TFCMI(U,V|W)，即
TFMI(U,V)＝H(U)+H(V)-H(U,V)



TFCMI(U,V|W)＝H(U,W)+H(U,W)-H(W)-H(U,V,W)
其中，U、V、W分别为：









其中，k≠l≠s∈{1,2,...,m},i∈{1,2,...,q}，SET(t,ω)表示同步压缩变换后的IMF尺度分量，H(*)表示时频熵，H(*,*)和H(*,*,*)表示时频联合熵，对数运算时基底取为...

【专利技术属性】
技术研发人员：佘青山，王洪安，席旭刚，张启忠，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