一种基于皮层肌肉网络的运动功能重建动态模型构建方法技术

本发明专利技术公开了一种基于皮层肌肉网络的运动功能重建动态模型构建方法。基于多节点互联和同步触发技术，利用高密度脑电

【技术实现步骤摘要】
一种基于皮层肌肉网络的运动功能重建动态模型构建方法


[0001]本专利技术涉及生物医学工程研究
，特别是一种基于皮层肌肉网络的运动功能重建动态模型构建方法。

技术介绍

[0002]在日常生活中，人们可能会因为一些疾病导致脑损伤，表现出不同程度的肢体运动功能障碍，这在一定程度上严重影响了患者的日常生活能力，也会给家庭和社会带来沉重的负担。因此探究用户运动功能重建过程中的皮层
‑
肌肉功能耦合规律具有重大意义。
[0003]脑电图(Electroencephalogram，EEG)作为一种可以从头皮上的多个电极将脑电活动记录下来的电生理采集系统，因其非侵入式、时间分辨率高等优点被广泛应用于脑科学研究。肌电图 (Electromyogram，EMG)是指用肌电仪记录下来的肌肉生物电图形，对评价人在人机系统中的活动具有重要意义。进行年来利用EEG和 EMG对脑疾病的研究取得了大量重要的结果。然而，在其备受青睐的同时，也存在许多问题，其中最重要的问题就是基于EEG和EMG的研究大多数是人工干预筛查符合条件的指标或者考虑一些相关变量进行区分统计，指标与参数往往包含大量主观特定的考虑，缺乏客观规律思考。因此，建立一种更加客观的计算模型对推进脑卒中运动功能重建过程十分重要。

技术实现思路

[0004]本专利技术的目的在于提供一种更加客观的基于皮层肌肉网络的运动功能重建动态模型构建方法。
[0005]一种基于皮层肌肉网络的运动功能重建动态模型构建方法。该构建方法的步骤如下：
>[0006]S1、基于多节点互联和同步触发技术，利用128通道EEG
‑
EMG同步采集设备，实现高密度EEG和EMG信息的同步采集，并对其进行分级预处理；
[0007]S2、基于预处理后的EEG和EMG数据，构建用于动态演变模型的数据关联映射模型。首先，获取EEG和EMG的时频空三维特征张量；其次，基于所获取的张量构建多维信息结构；进而，获取皮层
‑
肌肉功能网络的高阶网络指标；最后，基于所获取的信息构建数据关联映射模型，具体如下：
[0008]S21、基于短时傅里叶变换和小波变换等框架理论分解EEG和EMG 信号，获取其时空频三维特征张量，进而构建时空频三维特征张量空间；
[0009]S22、根据S21中所获取的三维特征张量，获取所需的节点特征和边特征。构建EEG
‑
EEG间的同质图G1、EMG
‑
EMG间的同质图G2和 EEG
‑
EMG间的异质图G3，进而基于超图学习得到超图G，从而构建多维信息结构；
[0010]S23、根据S22中的图谱，计算网络相关指标，进而获取皮层
‑
肌肉功能网络高阶网络指标，具体如下：
[0011]S231、首先，利用滑动窗口技术分别提取每个通道EEG和EMG信号在每个窗口内的
时间序列；其次，引入偏定向相干分析法构建每个窗口内EEG和EMG序列间的信息传递系数矩阵PDC；进一步将PDC稀疏二值化为SPDC，并进行完整性判断确定选取动态皮层
‑
肌肉功能网络的最优阈值；最后，基于S22中的图谱计算网络连接度D
t
、聚类系数CC
t
、最短路径长度SPL
t
、局部效率LE
t
及全局效率GE
t
等指标，获取动态时变网络指标DTV＝[SPDC,D
t
,CC
t
,LE
t
,GE
t
]；
[0012]S232、首先，基于带通滤波器获取特定频段范围的EEG和EMG分量，引入希尔伯特变换计算各子频带信号包络线，运用皮尔逊相关法计算包络线间全连接相关系数并构建加权邻接矩阵；其次，计算多层网络中各层间及层内耦合的整体强度，完成对网络的阈值化处理；进一步基于S22中的图谱，分析计算每个顶点参与系数PC
i
和多层网络参与系数PC，以及多层网络及子网络的连接度D
f
、聚类系数CC
f
、最短路径长度SPL
f
、局部效率LE
f
和全局效率GE
f
等指标，获取的功能网络频域指标FCMN＝[PC
i
,PC,D
f
,CC
f
,SPL
f
,LE
f
,GE
f
]；
[0013]S233、首先，定义相对距离准则优选有效EEG和EMG通道进行空间组合；其次，将原始信号分解为多个空域模式，得到的新的时间序列为Z，然后计算其方差v
p
，并将该方差向量v
p
作为其空域特征F＝ [v1,v2,
…
,v
M
]T
；进一步基于S22中的图谱，分析计算所功能网络的连接度D
s
、聚类系数CC
s
、最短路径长度SPL
s
、局部效率LE
s
及全局效率GE
s
等指标，获取空域功能网络指标SBN＝[F,D
s
,CC
s
,SPL
s
,LE
s
,GE
s
]。
[0014]S24、构建数据关联映射模型，实现对S23中高阶信息的低维表达，降低数据复杂度，具体如下：
[0015]S241、模型第一层基于S22所构建的多维信息结构，从所构建的超图G中获取其邻接矩阵A，使用自动编码器，将其作为输入得到节点嵌入X，具体表达式如下：
[0016]X
i
＝T(W
i
*A
i
+b
i
)
[0017]式中，T表示Tanh函数，X
i
表示节点类型为i的节点嵌入，W
i
表示节点类型为i的权重矩阵，b
i
表示节点类型为i的偏差，其中节点类型主要有两种，分别为EEG和EMG；由于不同类型节点的特殊性，需要学习不同类型节点特有的潜在空间，每个类型的节点都具有自己的自编码器，对于所有类型的节点，损失函数定义为：
[0018][0019]式中是i节点类型的索引，sign是符号函数，表示原始特征，表达式如下：
[0020][0021]S242、模型第二层是具有非线性激活功能的全连接层，以S241 所获得的节点嵌入X为输入，将其非线性映射到一个公共潜在空间 L，其在潜在空间中的联合表示为：
[0022]L
ij
＝T(W
i
*X
i
+W
i
*X
j
+b)
[0023]S243、模型的第三层是将S242中的潜在空间L，映射到概率空间得到相似度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，该构建方法的步骤如下：S1、基于多节点互联和同步触发技术，利用128通道EEG
‑
EMG同步采集设备，实现高密度EEG和EMG信息的同步采集，并对其进行分级预处理；S2、基于预处理后的EEG和EMG数据，构建用于动态演变模型的数据关联映射模型；首先，获取EEG和EMG的时频空三维特征张量；其次，基于所获取的张量构建多维信息结构；进而，获取皮层
‑
肌肉功能网络的高阶网络指标；最后，基于所获取的信息构建数据关联映射模型，具体如下：S21、基于短时傅里叶变换和小波变换等框架理论分解EEG和EMG信号，获取其时空频三维特征张量，进而构建时空频三维特征张量空间；S22、根据S21中所获取的三维特征张量，获取所需的节点特征和边特征；构建EEG
‑
EEG间的同质图G1、EMG
‑
EMG间的同质图G2和EEG
‑
EMG间的异质图G3，进而基于超图学习得到超图G，从而构建多维信息结构；S23、根据S22中的图谱，计算网络相关指标，进而获取皮层
‑
肌肉功能网络高阶网络指标，具体如下：S231、首先，利用滑动窗口技术分别提取每个通道EEG和EMG信号在每个窗口内的时间序列；其次，引入偏定向相干分析法构建每个窗口内EEG和EMG序列间的信息传递系数矩阵PDC；进一步将PDC稀疏二值化为SPDC，并进行完整性判断确定选取动态皮层
‑
肌肉功能网络的最优阈值；最后，基于S22中的图谱计算网络连接度D
t
、聚类系数CC
t
、最短路径长度SPL
t
、局部效率LE
t
及全局效率GE
t
等指标，获取动态时变网络指标DTV＝[SPDC,D
t
,CC
t
,LE
t
,GE
t
]；S232、首先，基于带通滤波器获取特定频段范围的EEG和EMG分量，引入希尔伯特变换计算各子频带信号包络线，运用皮尔逊相关法计算包络线间全连接相关系数并构建加权邻接矩阵；其次，计算多层网络中各层间及层内耦合的整体强度，完成对网络的阈值化处理；进一步基于S22中的图谱，分析计算每个顶点参与系数PC
i
和多层网络参与系数PC，以及多层网络及子网络的连接度D
f
、聚类系数CC
f
、最短路径长度SPL
f
、局部效率LE
f
和全局效率GE
f
等指标，获取的功能网络频域指标FCMN＝[PC
i
,PC,D
f
,CC
f
,SPL
f
,LE
f
,GE
f
]；S233、首先，定义相对距离准则优选有效EEG和EMG通道进行空间组合；其次，将原始信号分解为多个空域模式，得到的新的时间序列为Z，然后计算其方差v
p
，并将该方差向量v
p
作为其空域特征F＝[v1,v2,
…
,v
M
]
T
；进一步基于S22中的图谱，分析计算所功能网络的连接度D
s
、聚类系数CC
s
、最短路径长度SPL
s
、局部效率LE
s
及全局效率GE
s
等指标，获取空域功能网络指标SBN＝[F,D
s
,CC
s
,SPL
s
,LE
s
,GE
s
]；S24、构建数据关联映射模型，实现对S23中高阶信息的低维表达，降低数据复杂度，具体如下：S241、模型第一层基于S22所构建的多维信息结构，从所构建的超图G中获取其邻接矩阵A，使用自动编码器，将其作为输入得到节点嵌入X，具体表达式如下：X
i
＝T(W
i
*A
i
+b
i
)式中，T表示Tanh函数，X<...

【专利技术属性】
技术研发人员：陈晓玲，蔡裕豪，杨远翔，侯培国，翟佳顺，张园园，谢平，
申请(专利权)人：燕山大学，
类型：发明
国别省市：