一种基于累计尖峰序列的肌间共同轴突输入分析方法技术

本发明专利技术公开了一种基于累计尖峰序列的肌间共同轴突输入分析方法，包括步骤：多通道表面肌电信号同步采集并进行预处理；对预处理后的肌电信号进行运动单元分解，得到运动单元发放序列；根据得到的运动单元发放序列，将每个运动单元的发放序列叠加得到累计尖峰序列；计算累计尖峰序列的功率谱；对累计尖峰序列的功率谱采用最小二乘进行拟合得到参数A和B，评估肌间共同轴突输入的强度。该方法在上肢抓握运动中显示了肌肉接受到大量来自大脑皮层的共同轴突输入，而且共同轴突输入控制收缩力大小，揭示了运动过程中大脑对肌肉的控制机理，以及神经如何控制肌肉力量。以及神经如何控制肌肉力量。以及神经如何控制肌肉力量。

【技术实现步骤摘要】
一种基于累计尖峰序列的肌间共同轴突输入分析方法


[0001]本专利技术属于生物信号处理领域，涉及多通道表面肌电信号的运动单元分解，分离出累计尖峰序列后计算出功率谱，通过功率谱线性回归，定量评估肌间接受到来自大脑的共同轴突输入的强度。

技术介绍

[0002]运动的产生是通过运动神经元池传递轴突输入来完成的，将轴突输入转化为力的传感器是运动单元(MU)，它包括一组肌肉纤维和一个α运动神经元。每个运动神经元将接收到的轴突输入转换为一系列轴突动作电位，这些轴突动作电位到达运动单元并激发一组运动单元产生动作电位。表面肌电信号是众多肌纤维中运动单元动作电位在时间和空间上的叠加。所有运动单元动作电位的总和得到了表面肌电信号。传统的表面肌电信号(sEMG)分析通常提取信号的全局特征(如振幅)来估计肌肉的神经驱动。然而由于肌纤维的直径和类型不同，肌肉的神经驱动强度与肌电振幅之间的关联并不总是线性的，这种非线性会造成由具有不同内在特性的运动神经元接受相同的轴突输入时，将可能产生不同的输出信号，因此通过肌电的振幅大小来评估肌肉的神经驱动是不准确的。为了解决神经元传输非线性的问题，我们可以利用表面肌电信号分解算法，从表面肌电中分离出累计尖峰序列。累计尖峰序列能够更线性的传输神经驱动，解释不同运动单元之间的行为关系。在总体上使用累计尖峰序列对分析神经肌肉系统的功能，有着很大的实际应用价值。
[0003]累计尖峰序列(CST)是每块肌肉分解得到的运动单元发放序列的总和。CST的优点是能够几乎线性的传输轴突输入，这意味着CST相比sEMG更适合使用线性分析技术(如相干分析)来分析信号。一方面，涉及sEMG的相干分析可能低估了相干水平，因为MU动作电位充当神经信息的高通滤波器，另一方面，sEMG的滤波是一种非线性操作，会造成信号的失真。同时累计尖峰序列不仅能分析肌间耦合强度，同时能够用来评估肌肉接受到来自大脑皮层的共同轴突输入。共同轴突输入也称为共同驱动，共同轴突输入的概念通常在运动神经元池的层次上讨论，共同轴突输入的存在降低了复杂的神经网络控制的维度。脊髓中的运动神经元单独接收数千个兴奋性和抑制性突触输入。为了提高运动系统的可控性，其中一些输入在同一运动池的运动神经元之间共享。分析肌肉接受到的共同轴突输入能够进一步解码神经系统对肌肉的控制。
[0004]但是，由于运动神经元输入
‑
输出的非线性特征，因此sEMG的幅值等时频信息与神经输入强度之间的关系并不总是线性的，因此传统sEMG并不能完全准确的描述肌间耦合强度。

技术实现思路

[0005]本专利技术的目的在于提供一种基于累计尖峰序列的肌间共同轴突输入分析方法，能够定量评估肌肉接收到来自大脑的共同轴突输入。
[0006]为实现上述目的，本专利技术提供了一种基于累计尖峰序列的肌间共同轴突输入分析
方法，包括如下步骤：
[0007]步骤1：多通道表面肌电信号同步采集并进行消噪滤波预处理；
[0008]步骤2：对预处理后的肌电信号采用盲源分离算法进行运动单元分解；
[0009]步骤3：根据步骤2得到的运动单元发放序列，将每个运动单元的发放序列叠加得到累计尖峰序列；
[0010]步骤4：计算累计尖峰序列的功率谱；
[0011]步骤5：对累计尖峰序列的功率谱采用最小二乘进行拟合得到参数A和B，评估肌间共同轴突输入的强度。
[0012]作为优选，步骤3具体步骤如下：
[0013]步骤3：得到运动单元发放序列后通过式(1)计算累计尖峰序列CST
t
，CST
t
是每块肌肉分解得到的所有MU发放序列的总和，若值大于等于1则赋值为1，否则赋值为0；
[0014][0015]其中，t代表采样时刻，n代表运动单元发放序列的个数，N
i,t
表示第i个MU在t时刻的值。
[0016]作为优选，步骤4中计算累计尖峰序列的功率谱方法如下：
[0017]步骤4
‑
1：假设一个由N个接受随机输入电流的运动神经元组成的运动神经元池。在运动神经元的输入输出关系的线性假设下，单个运动神经元S
x
(f)的输出功率谱可简化为：
[0018]S
x
(f)＝S
N
(f)+|X(f)|2S
s
(f)(2)
[0019]其中，S
N
(f)是仅受独立轴突输入驱动时尖峰序列的功率谱，X(f)是运动神经元对刺激的响应函数，S
s
(f)为刺激的功率谱。在本专利技术中，刺激是所有运动神经元所接受的共同突触输入；
[0020]步骤4
‑
2：考虑来自n个相同的运动神经元的n个脉冲序列的总和，它们接受一个共同的刺激，并由独立的噪声实现驱动，累积尖峰序列S
X
(f)的功率谱可以表示为式(3)：
[0021]S
X
(f)＝nS
N
(f)+n2|X(f)|2S
s
(f)(3)
[0022]作为优选，所述步骤5包括：
[0023]步骤5
‑
1：根据公式(3)可以推导出同一运动神经元池中两组有n个运动神经元的累计尖峰序列之间的相干函数C(f)，如式(4)所示：
[0024][0025]在上述情况下式(4)可以进一步简化为：
[0026][0027]其中，C
f1,f2
是频带f1
‑
f2范围内累计尖峰序列的均值，A是共同轴突输入，B是运动神经元池仅接受独立轴突输入的响应；
[0028]步骤5
‑
2：采用最小二乘曲线拟合不同数目运动神经元的累计尖峰序列，估计出参
数A和B，通过式(6)求出共同输入比例PCI,PCI是共同突触输入相对于总突触输入的比例的估计值。
[0029][0030]本专利技术具有如下具备显著进步的技术效果：
[0031]针对传统sEMG在描述肌间耦合强度非线性的缺陷，可以用传统的盲源分离算法进行运动单元分解分离出累计尖峰序列，通过能够线性传输神经驱动的累计尖峰序列来更准确的描述肌肉在运动时接收到来自大脑的共同轴突输入，并且通过对累计尖峰序列的功率谱的线性回归，能够定量评估肌肉接收到来自大脑的共同轴突输入。
[0032]系统地研究大脑皮层和肌肉在感觉运动中的一致，通过肌肉的耦合分析能够揭示运动过程中神经肌肉间的功能联系和因果关系，为运动功能的康复评价奠定了新的基础。
附图说明
[0033]图1为本专利技术方法的流程图。
[0034]图2为分解得到的运动单元以及累计尖峰序列。
[0035]图3为累计尖峰序列在各个频段的相干谱图。
[0036]图4为累计尖峰序列的肌间共同轴突输入强度。
具体实施方式
[0037]下面结合附图对本专利技术的实施例作详细说明：本实施例在以本专利技术技术方案为前提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于累计尖峰序列的肌间共同轴突输入分析方法，其特征在于：该方法包括以下步骤：步骤1：多通道表面肌电信号同步采集并进行消噪滤波预处理；步骤2：对预处理后的肌电信号进行运动单元分解，得到运动单元发放序列；步骤3：根据步骤2得到的运动单元发放序列，将每个运动单元的发放序列叠加得到累计尖峰序列；步骤4：计算累计尖峰序列的功率谱；步骤5：对累计尖峰序列的功率谱采用最小二乘进行拟合得到参数A和B，评估肌间共同轴突输入的强度。2.根据权利要求1所述的基于累计尖峰序列的肌间共同轴突输入分析方法，其特征在于，所述步骤2中采用盲源分离算法进行运动单元分解。3.根据权利要求1所述的基于累计尖峰序列的肌间共同轴突输入分析方法，其特征在于，所述步骤3如下：得到运动单元发放序列后通过式(1)计算累计尖峰序列CST
t
，CST
t
是每块肌肉分解得到的所有MU发放序列的总和，若值大于等于1则赋值为1，否则赋值为0；其中，t代表采样时刻，n代表运动单元发放序列的个数，N
i
表示第i个MU在t时刻的值。4.根据权利要求3所述的基于累计尖峰序列的肌间共同轴突输入分析方法，其特征在于，所述步骤4包括：步骤4
‑
1：假设一个由N个接受随机输入电流的运动神经元组成的运动神经元池，在运动神经元的输入输出关系的线性假设下，单个运动神经元的输出功率谱S
x
(f)可简化为：S
x
(f)＝S
N
(f)+|X(f)|
2 S
s...

【专利技术属性】
技术研发人员：佘青山，苏佳豪，马玉良，孙明旭，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：