【技术实现步骤摘要】
基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法
本专利技术属于模式识别领域,涉及一种人体运动疲劳的检测,特别地,涉及一种基于脑电和肌电信号对运动疲劳的检测方法。
技术介绍
肌肉疲劳的定义是在连续收缩过程中保持一定强度的能力下降,或在间歇性收缩过程中未能达到初始强度水平,这反映在肌肉的电活动中。该术语表示感觉比预期的难度更大或需要更多的努力。对于健康人来说,反复或持续的肌肉激活会导致疲劳,这在运动或日常生活中很常见。最直观的效果是降低了肌肉产生力量的能力,这增加了肌肉受伤的可能性。这种表现也与运动功能障碍的患者如中风和癌症密切相关。因此,准确有效地检测肌肉疲劳至关重要。自从首次确定运动过程中的脑电图(electroencephalogram,EEG)和肌电图(electromyogram,EMG)之间的关系以来,大脑和肌肉的交流已成为重要的研究课题,皮层肌肉连贯性(Cortical-musclecoherence,CMC)与身体运动密切相关。同样的研究兴趣也已经应用于肌肉疲劳,即在最大程度的自愿性收缩引起的疲劳后,CMC下降。随后,他们基于疲劳是一个渐进过程这一事实优化了实验范式,并得出了相同的结论。相反,最近的一项研究为志愿者设定了个体疲劳阈值,发现CMC可能增加也可能减少,这可能反映出受试者在疲劳发作后的维持能力。同时,EEG和EMG的功率降低,EEG相干性降低以及EMG循环平稳性提高也相继被报道。结论的不一致可能是因为脑肌网络的信息流方向有关,以及大脑和肌肉都参与了这一过程的事实。为了解决上述 ...
【技术保护点】
1.基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法,其特征在于:把大脑皮质和肌肉群当作一个整体系统,结合脑电信号和肌电信号建立了脑肌功能网络,并提取网络特征对肌肉是否疲劳进行识别;该方法包括如下步骤:/n步骤(1),通过肌电传感器和脑电帽以1000Hz采样频率同步实时采集正常状态下以及疲劳状态下的表面肌电信号和64通道脑电信号,脑电电极按照国际10-20系统放置;/n步骤(2),对原始信号进行去噪滤波处理:/n1)对肌电信号进行小波去噪:首先对原始信号进行小波分解;/n给定信号f(k),k为采样点;其小波变换表达式为:/n
【技术特征摘要】
1.基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法,其特征在于:把大脑皮质和肌肉群当作一个整体系统,结合脑电信号和肌电信号建立了脑肌功能网络,并提取网络特征对肌肉是否疲劳进行识别;该方法包括如下步骤:
步骤(1),通过肌电传感器和脑电帽以1000Hz采样频率同步实时采集正常状态下以及疲劳状态下的表面肌电信号和64通道脑电信号,脑电电极按照国际10-20系统放置;
步骤(2),对原始信号进行去噪滤波处理:
1)对肌电信号进行小波去噪:首先对原始信号进行小波分解;
给定信号f(k),k为采样点;其小波变换表达式为:
其中j为尺度参数,J为最佳尺度,N为时间序列长度,ψ代表小波函数;
使用Mallet算法来实现小波变换,表达式为:
其中h和g分别是尺度函数和小波函数对应的低通和高通滤波器;Sf(0,k)指原始信号;Sf(j,k)指尺度系数;Wf(j,k)指小波系数,简记为wj,k;
对小波系数进行阈值量化,选择阈值为硬阈值,并对这一层的小波系数进行软阈值量化处理,软阈值操作表达式为:
其中T为阈值,T选取为0.2;
最后对软阈值处理后的小波分量进行重构得到去噪后的肌电信号;重构公式表示为:
其中和分别为h和g的共轭;
2)对脑电信号进行独立成分分析去除脑电信号中的眼动、肌电伪迹;独立成分分析的数学表达式为:
x=As(5)
其中x为原始数据,A称为混淆矩阵,s则为独立成分分析后的独立成分分量;去除眼动、肌电分量后对独立成分分量进行重构,最后得到预处理后的脑电信号;
3)最后肌电信号和脑电信号分别通过12-30Hz和30-45Hz的带通滤波器被分为beta频段和gamma频段;
步骤(3),应用符号传递熵计算每对信号之间的耦合强度值,并建立符号传递熵邻接矩阵;符号传递熵计算过程如下:
1)给定时间序列信号X={x1,x2,...xi}和Y={y1,y2,...yi},i代表采样点;首先进行符号化运算,符号化运算被定义为:
其中S(i)代表符号化后的信号,min和max分别代表时间序列信号的最小值和最大值,delta定义为p被设置为50;
符号化运算后的信号分别为:
2)对符号化后的信号进行传递熵运算,表达式如下:
其中P()代表概率分布,Y指向X的符号传递熵可由相同方式得到;在这种情况下,STE的值表...
【专利技术属性】
技术研发人员:席旭刚,皮少军,赵云波,孔万增,马玉良,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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。