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技术

本发明专利技术公开了一种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；首先，通过64导联脑电帽和肌电采集仪采集了10通道脑电信号和尺侧腕屈肌、屈指浅肌、桡侧腕屈肌的表面肌电信号。结合符号传递熵和图论知识建立了脑肌功能网络，并提取了网络特征向量用于K最近邻算法训练分类器，最终用于检测运动疲劳。该方法克服了传统的基于生物电信号的运动疲劳检测方法中未全面考虑脑肌协作进行运动控制的缺点，将脑电信号和肌电信号结合进行运动疲劳检测，结果显示该方法在运动疲劳检测中具有较高的准确率。

【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。为了解决上述方法的局限性，我们提出了一种结合符号传递熵(symbolictransferentropy，STE)和图论把EEG和EMG当作一个整体建立脑肌网络的方法。由于不对称(定向)和过程(动态)概率计算，STE方法在检测非线性相互作用方面特别有效，已被应用于EEG和EMG信号。图论为脑网络组织的定量研究提供了一种有力的方法。平均度数、全局效率和全局聚类被计算作为特征，用于之后的K最近邻算法训练肌肉疲劳分类器。本专利技术考虑了运动控制时皮层和肌肉双向传递以及皮层和肌肉同时参与的事实，构建了运动控制中的脑肌网络，研究中枢神经系统的调节规律，从神经系统的内源角度上为检测人体运动疲劳提供了一种新的方法。
技术实现思路
本专利技术针对为了填补运动疲劳检测方式的不足，提出了一种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。从大脑皮层和肌肉共从参与运动控制的事实出发，建立了脑肌功能网络，计算了平均度数、全局效率和全局聚类作为特征进行检测。本方法相比传统方法有着不受电极数量影响、准确率高的特点。由于运动控制过程中，大脑皮层和肌肉共同参与，且互相有信息流入以及流出，单纯的只考虑脑电信号或者只考肌电信号都不能准确的表征神经系统的特征，同时皮层和肌肉间的信息交流具有方向性，无向的耦合计算方法遗失了信息交流中的方向信息。本专利技术提出了一种结合符号传递熵和图论计算网络特征的方法，根据采集的不同状态下脑电信号和肌电信号判别是否进入肌肉疲劳状态。首先，采集了被试在正常状态下和肌肉疲劳状态下的EEG和EMG信号，其次对获得的原始信号进行了预处理以提高信号质量。根据脑-肌耦合相干规律，选择γ信号频段用于建立脑肌功能网络，并提取了脑肌功能网络相关特征平均度数、全局效率和全局聚类系数作为运动疲劳检测的特征，最后根据K最近邻算法，训练了一个肌肉疲劳检测分类器。为了实现以上内容，本专利技术方法主要包括以下步骤：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。本专利技术中使用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的值表示X和Y之间的耦合关系的强度。请注意，当X和Y相同时，STE＝0。3)为每对脑电信号、每对肌电信号以及每对脑电-肌电信号计算符号传递熵值，构建加权脑肌功能网络。步骤(4),根据成本效率Ce确定网络连接传递熵阈值，将步骤(3)中得到的加权脑肌功能网络二值化，成本效率定义为：Ce＝Eg-D(8)其中D代表网络密度，是网络实际边数与最大边数的闭值。Eg代表全局效率，计算公式如下：其中Li,j代表两个节点直接的最短路径，N是网络中的节点数。在保证成本效率大的条件下选择网络连接传递熵阈值Th＝0.24，大于阈值置为1，小于阈值置为0，构建二值脑肌功能网络。步骤(5),基于图论知识对二值脑肌功能网络进行特征提取，分别提取了平均度数、全局效率、全局聚类系数。度数分为出度和入度，入度代表由其它节点指向此节点的边的总数，出度代表由此节点指向其它节点的边的总数。平均度数De的计算公式如下：其中Dei表示i节点的度。全局效率是信息流的标量度量，被定义为给定网络中所有最短路径长度的逆，计算公式如公式(9)。聚类系数表示节点的邻居成为彼此的邻居的可能性，若聚类系数低，则表明网络连接不紧密，计算公式如下本文档来自技高网...

【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