基于高斯Copula传递熵的肌间耦合网络分析方法技术

本发明专利技术公开了一种基于高斯Copula传递熵的肌间耦合网络分析方法。本发明专利技术首先采用高斯Copula函数估计传递熵，然后采集了8名健康被试和5名卒中患者执行及物运动任务时5通道的表面肌电信号，利用快速傅里叶变换提取出α、β和γ频段信息，进而采用高斯Copula传递熵作为测度建立肌间耦合网络，最后通过网络拓扑参数分析肌间特征频段的功能耦合和信息流向特征。本发明专利技术避免了对联合概率密度的估计，能更好地推断出复杂网络中因果关系，对于挖掘潜在的运动控制机制和运动功能康复评估具有良好的应用价值。

【技术实现步骤摘要】
基于高斯Copula传递熵的肌间耦合网络分析方法
本专利技术属于神经系统运动控制机制研究领域，涉及高斯Copula和传递熵的计算，从而进行肌间因果耦合网络分析。
技术介绍
脑卒中又称为中风，脑血管意外，是在脑血管病变或血流障碍基础上发生的局限性或弥漫性脑功能障碍，业已成为成人获得性运动障碍的主要原因。目前在脑卒中患者康复过程中，运动功能评价的主要依据是康复医师的主观经验或依靠监测患者的肌力状态，难以客观、准确、定量评定康复效果。肌间耦合的概念来源于皮层肌肉功能耦合研究，指的是运动过程中肌肉间的相互作用。肌间耦合在人体运动中起着重要的作用，决定了人体运动的整体肌肉模式，能够反映肌肉系统在中枢神经系统控制下的运动功能状态和信息交互方式。由于肌肉活动代表了神经系统的输出，对肌间耦合状态的检查能够了解运动障碍患者神经机制的灵活性和适应性的差异。复杂网络理论作为一种研究复杂系统动力学的新方法最早由Watts和Barabasi等人提出，复杂网络分析是把复杂系统的内部单元抽象为网络的节点，单元之间以边的形式相连接，通过量化分析网络的拓扑结构特性及动力学行为，可以揭示复杂系统的内在属性及运行规律等重要信息。复杂网络的局部和全局特性能够清晰地刻画组成复杂系统的不同元素之间的相互关系和信息流动过程。近年来，复杂网络吸引了相关研究人员的广泛关注，尤其是复杂脑网络的研究，已成为神经科学的热点。大量研究表明，复杂网络既不是规则网络，也不是随机网络，具有小世界、无标度特性。目前，复杂网络的研究视角主要包括结构性网络、功能性网络和因效性网络。不同于无向连接的功能性网络，因效性网络重点强调网络中各种连接的方向性，着重分析各网络节点之间的因果关系以及统计趋势，并根据信息在节点之间的传播方向来分析网络演化的工作过程。因效性网络和功能性网络的差别在于如何量化测度网络节点之间的关系，一般采用因果关系分析来对节点的连接强度进行量化。传统的因果性分析方法中，大量研究者使用格兰杰因果性(GrangerCausality,GC)和传递熵(TransferEntropy,TE)来分析复杂的数据，特别是具有非线性、多维度特性的数据间的因果关系，往往能得到问题的解释。GC和TE都是基于相同的因果关系定义的，Barnett等证明了在高斯假设下，GC和TE等价，建立在线性回归模型上的GC分析是从预测的角度来检测变量间的因果性，可描述双向因果传递、计算相对简单。Samani等利用GC研究了6块手部肌肉对之间功能连接随时间变化情况，发现只有三角肌前束至肱二头肌的因果关系随时间增加(三角肌前肌束→肱二头肌)，提示这可能与疲劳发展的共收缩效应相关。但GC存在两个问题：一是，模型阶数难以确定，频率分辨率受限；二是，难以定量描述高阶复杂的因果关系。TE是基于转移概率定义的非对称性测量方法，包含着方向性和动态信息，具有不依赖既定模型、非线性定量分析的特点，本质上等价于条件互信息(ConditionalMutualInformation,CMI)。Xie等提出了一种基于TE的多尺度传递熵(MSTE)方法，利用MSTE方法计算不同频段、不同尺度上的脑肌电功能耦合特征，发现MSTE可以定量估计感觉运动皮层与肌肉之间的非线性连接。但是，传统的TE需要估计变量的概率密度函数，计算复杂度高且不稳定。Sklar定理指出，一个N维分量的联合分布函数可以由N个变量的边缘分布和1个Copula函数来描述。这个Copula函数译为“连接函数”或“相依函数”，是把多个随机变量的联合分布与各自的边缘分布相连接的函数，既能够完整地刻画变量间的相关结构，又可以将单个随机变量的边际分布与变量间的相关结构拆开来处理，具有不受变量维度限制、对边际分布没有特定要求等优点。在Copula理论中，Copula熵被定义为包含随机变量之间所有依赖信息的Copula函数的统计依赖度的度量，具有多元、对称、非负、不受单调变换影响、在高斯情形下等价于相关系数等性质，被认为是理想统计独立测度应具有的性质。Ma等证明了负Copula熵等价为互信息(MutualInformation,MI)，提出利用Copula函数理解和估计MI的新方法，发现通过Copula熵估计互信息方法简单，计算量小，能有效避免对联合密度函数地估计，这为估计TE提供了一种新的参考。实际上，Copula也已被用来估计因果关系，Hu和Liang等提出用Copula来计算GC，将GC的定义写成条件Copula密度的形式，然后根据经验估计条件Copula密度，但该方法缺乏收敛性保证。针对复杂网络中TE估计困难等问题，本专利技术提出了一种高斯Copula传递熵的新方法，即利用高斯Copula函数去估计TE，并应用多特征功能频段的肌间耦合网络分析，旨在探索中枢神经系统的运动控制机制以及为运动功能康复评估提供新的研究方法和理论依据。
技术实现思路
本专利技术的目的在于从复杂网络的角度提供一种可准确得到上肢肌间因果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的同步采集与预处理；具体为：在表面肌电设备的监控下，同步采集上肢前三角肌(AnteriorDeltoid，AD)、内侧三角肌(MedialDeltoid，MD)、后三角肌(PosteriorDeltoid，PD)、肱二头肌(Biceps，BB)、肱三头肌(Triceps，TB)上的5通道sEMG信号，采样频率为2000Hz。鉴于sEMG信号在低频段耦合特征显著，所以本专利技术重点关注α(8～15Hz)、β(15～30Hz)和γ(30～60Hz)三个特征功能频段。步骤(2)，高斯Copula传递熵的定义与计算；具体为：传递熵是基于转移概率定义的非对称性测量方法，包含着方向性和动态信息，具有不依赖既定模型、非线性定量分析的特点，本质上等价于条件互信息(ConditionalMutualInformation,CMI)。然而，传递熵的估计一直是一个具有数值挑战性的问题，一般来说，这种估计依赖于相关变量的联合概率分布的精确表示。本专利技术提出一种新的高斯Copula传递熵方法，即利用高斯Copula函数去估计传递熵。假设两通道sEMG信号X＝{x1,x2,...,xT}，Y＝{y1,y2,...,yT}分别为一阶马尔科夫过程，T为时间序列的长度，X→Y的高斯Copula传递熵定义为其中，τ和t分别为X和Y的滞后时间，k和l分别为X和Y的嵌入维度，ρ1，ρ2和ρ3分别为高斯Copula函数参数，Hc(*)表示变量间的高斯Copula熵。由高斯Copula传递熵的表达式可知，其关键在于3项高斯Copula熵的估计，为此，本专利技术提出一种简单可行的高斯Copula熵估计方法，包含以下3个步骤：(a)非参数核密度估计边际分布函数假设各通道sEMG信号是来自连续分布函数Fi(xi)的同分布样本，T为时间序列的长度，i＝1,2,...,5，那么Fi(xi)的非参数核密度估计为其中，为概率密度函数，其中，h本文档来自技高网...

【技术保护点】
1.基于高斯Copula传递熵的肌间耦合网络分析方法，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的同步采集与预处理；/n具体为：在表面肌电设备的监控下，同步采集上肢前三角肌、内侧三角肌、后三角肌、肱二头肌、肱三头肌上的5通道表面肌电信号，采样频率为2000Hz；/n步骤(2)，高斯Copula传递熵的定义与计算；/n具体为：假设两通道表面肌电信号X＝{x

【技术特征摘要】
1.基于高斯Copula传递熵的肌间耦合网络分析方法，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的同步采集与预处理；
具体为：在表面肌电设备的监控下，同步采集上肢前三角肌、内侧三角肌、后三角肌、肱二头肌、肱三头肌上的5通道表面肌电信号，采样频率为2000Hz；
步骤(2)，高斯Copula传递熵的定义与计算；
具体为：假设两通道表面肌电信号X＝{x1,x2,...,xT}，Y＝{y1,y2,...,yT}分别为一阶马尔科夫过程，T为时间序列的长度，X→Y的高斯Copula传递熵定义为



其中，τ和t分别为X和Y的滞后时间，k和l分别为X和Y的嵌入维度，ρ1，ρ2和ρ3分别为高斯Copula函数参数，Hc(*)表示变量间的高斯Copula熵；
由高斯Copula传递熵的表达式可知，其关键在于3项高斯Copula熵的估计，高斯Copula熵的估计采用以下3个步骤：
(a)非参数核密度估计边际分布函数
假设各通道表面肌电信号是来自连续分布函数Fi(xi)的同分布样本，那么Fi(xi)的非参数核密度估计为



其中，为概率密度函数，



其中，h为窗宽，当T→∞，h→0，Th→∞时，非参数核密度估计是真实概率密度分布的一致估计，K(·)为核函数；
(b)典型极大似然法估计高斯Copula参数
在利用非参数核密度估计边际分布函数后，可以无需估计边际分布中的参数，只要估计Copula函数中的参数ρ



(c)蒙特卡洛法估计高斯Copula熵
Hc(x1,x2,...,xd)＝-E[logc(u1,u2,...,ud)](5)
其中，E[·]表示数学期望；
步骤(3)，肌间耦合网络的搭建与分析；
具体为：
(a)定义网络的节点和边
肌间耦合网络本质上是有向加权复杂网络，可用G表示，G＝(V,E)；V＝{v1,v2,...,vn}为肌肉节点集合，为边集合；肌间耦合网络的节点数目为n＝|V|，边数为m＝|E|；vi∈V表示网络中的一个节点，vi→vj∈E表示节点vi到节点vj的一条有向边；表示有向边vi→vj的权值；
(b)确定网络连接阈值

【专利技术属性】
技术研发人员：王洪安，佘青山，范影乐，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