基于混合Copula互信息的肌间耦合分析方法技术

本发明专利技术公开一种基于混合Copula互信息的肌间耦合分析方法。本发明专利技术首先采用4种典型的单参数Copula函数建立混合Copula模型，然后利用惩罚似然函数的期望最大化(EM)和拟牛顿(BFGS)算法估计模型参数，再根据信息熵理论构造混合Copula互信息，最后将混合Copula互信息用于研究卒中后上肢及物运动时肱二头肌(BB)和肱三头肌(TB)在α、β和γ频段上的肌间耦合强度。本发明专利技术提出的混合Copula互信息不仅能度量肌间非线性耦合强度大小，而且还能全面刻画肌间依赖结构关系，对上肢运动功能评价具有良好的应用价值。

Muscle coupling analysis method based on mixed copula mutual information

【技术实现步骤摘要】
基于混合Copula互信息的肌间耦合分析方法
本专利技术属于神经系统运动控制机制研究领域，涉及混合Copula和互信息的计算，从而进行肌间功能耦合分析。
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。卒中后最常见的缺陷是对侧上/下肢偏瘫，由于上肢功能精细且灵巧，在康复治疗过程中，恢复较为困难，目前尚未找到有效便利的康复治疗技术。由于肌肉活动代表了神经系统的输出，对肌肉活动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。现阶段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。由于表面肌电信号(surfaceElectromyography,sEMG)非平稳、频域特征突出，在不同频段上耦合特征存在明显差异。肌间耦合被发现主要集中在α(8～15Hz)、β(15～30Hz)和γ(30～60Hz)频段，α频段的肌间耦合与运动过程中姿势的维持和非自主收缩有关，β频段的肌间耦合代表了从初级运动皮层到运动神经元的传递过程，γ频段的肌间耦合体现与认知功能的脑皮层信息整合过程。近年来，时域的互信息(MutualInformation,MI)方法和频域的相干性(Coherence)方法，被广泛应用于脑肌电同步耦合分析之中。Chang等计算了行走过程中股四头肌间在α、β、高/低γ频段的交叉相关系数和相干性区域，实验结果表明，由于皮质脊髓传导的疲劳相关障碍，肌间交叉相关系数和β频带的一致性增强可能是在疲劳期间维持膝关节协同肌肉协调的一种代偿策略。Ouyang等提出了一种MI测度来描述手张开和手闭合状态下sEMG信号之间的相关性，实验结果表明，MI测量法能够有效地提取sEMG信号之间的相互关系，成功地区分不同的人手打开和关闭状态，提示MI能够从肌电信号中揭示肌间相互作用的本质特征。然而，相关系数(Correlation)和相干性只是表征两序列间是否线性的一个度量，并不能定量地描述两序列间相互依赖程度有多大，是否独立。基于概率分布的MI，对二阶和所有高阶相关系数都很敏感，能定量地表示出两序列间的相互依赖关系。然而，由于非高斯分布数据的联合概率密度函数(JointProbabilityDensityFunction,JPDF)的估计是一个困难的问题，因此MI的估计往往十分困难。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。Copula函数称为“连接函数”或“相依函数”，它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。Copula函数描述了变量间的相关性，具有诸多优点：1)构造灵活的多元分布，对边际分布没有特定要求；2)适用于严格单调增变换；3)刻画变量间的非线性、非对称相关性；4)如果边际分布函数连续，则Copula函数唯一确定；5)理论上不受维度限制。近年来，Copula理论作为一种灵活稳健的相关性分析工具，被广泛应用在金融风险度量、保险精算学、生物统计等领域。Copula函数主要分为椭圆函数族(EllipseCopula)和阿基米德函数(ArchimedeanCopula)两种类型。其中，椭圆Copula包括高斯Copula和tCopula，阿基米德Copula主要有GumbelCopula，ClaytonCopula和FrankCopula。不同类型的Copula函数具有不同的函数结构，不同形式的Copula模型导致不同的分析结果。现有研究在应用Copula函数时，大多采用单个Copula函数进行数据拟合，考虑到数据蕴含的复杂相关结构，仅用一种Copula函数可能会出现失真的情况。Hu等提出混合Copula函数(Mixed-Copula，M-Copula)的概念，建立了一个混合的Copula模型，使其能够成功捕获几个主要金融市场依赖结构的模式。M-Copula函数就是利用已知的一些Copula函数进行线性组合，形成新的Copula函数，能够克服单一Copula函数的缺点，具有多样性。Ma等证明了负Copula熵等价为MI，提出利用Copula函数理解和估计MI的新方法，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。为了准确、定量描述不同特征功能频段上肌间线性和非线性耦合强度大小，本专利技术在Copula熵的基础上，将混合Copula与互信息有机结合，提出一种新的混合Copula互信息方法，并应用肌间耦合分析，旨在为运动功能康复评估提供新的研究方法和科学依据。
技术实现思路
本专利技术的目的在于提供一种可准确得到上肢肌间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)，表面肌电信号的同步采集以及预处理；具体为：在表面肌电设备的监控下，同步采集上肢肱二头肌(Biceps，BB)和肱三头肌(Triceps，TB)上的2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)3个特征功能频段。步骤(2)，非参数核密度估计边际分布；具体为：假设各频段上的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，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，本专利技术采用高斯核函数，根据经验法则确定窗宽：为xi的标准差。步骤(3)，构建混合Copula模型；具体为：混合Copula密度函数定义为：其中，s为选择的Copula的个数，ωk为权重参数或称为形状参数，qk为相依参数，u,v～U[0,1]分别表示变量的边际分布函数。本专利技术采用4种常见的单参数的二元Copula函数用于构建混合Copula模型，分别为(1)二元高斯Copula密度函数其中，参数qGausssian∈(-1,1)为相关系数，二元高斯Copula函数适合对称的尾部特征，尾部渐进独立。(2)二元ClaytonCopula密度函数其中，参数qClayton∈[-1,∞)\{0}，二元ClaytonCopula函数适合不对称的尾部特征，对下尾部变化敏感。(3)二元FrankCopula密度函数其中，参数qFrank∈(-∞,∞)\{0}，二元FrankCopula函数适合对称的尾部特征，尾部渐进独立，对上下尾部变化都不敏感。(4)二元Gu本文档来自技高网...

【技术保护点】
1.基于混合Copula互信息的肌间耦合分析方法，其特征在于：该方法包括以下主要步骤：/n步骤(1)，表面肌电信号的同步采集以及预处理；/n具体为：在表面肌电设备的监控下，同步采集上肢肱二头肌和肱三头肌上的2通道表面肌电信号，采样频率为2000Hz；/n步骤(2)，非参数核密度估计边际分布；/n具体为：假设各频段上的表面肌电信号

【技术特征摘要】
1.基于混合Copula互信息的肌间耦合分析方法，其特征在于：该方法包括以下主要步骤：
步骤(1)，表面肌电信号的同步采集以及预处理；
具体为：在表面肌电设备的监控下，同步采集上肢肱二头肌和肱三头肌上的2通道表面肌电信号，采样频率为2000Hz；
步骤(2)，非参数核密度估计边际分布；
具体为：假设各频段上的表面肌电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，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；
步骤(3)，构建混合Copula模型；
具体为：定义混合Copula密度函数：



s.t.∑ωk＝1,ωk≥0
其中，s为选择的Copula的个数，ωk为权重参数，θk为相依参数，u,v～U[0,1]分别表示变量的边际分布函数，采用单参数的二元Copula函数用于构建混合Copula模型；
步骤(4)，EM-BFGS算法估计混合Copula模型参数；
具体为：在对边际分布进行估计后，可得到估计值序列将其代入关于参数φ＝{ωT,θT}的对数似然...

【专利技术属性】
技术研发人员：王洪安，佘青山，马玉良，高云园，
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