一种基于双向回溯最大信息系数的脑肌耦合分析方法技术

本发明专利技术公开了一种基于双向回溯最大信息系数的脑肌耦合分析方法。本发明专利技术首先进行脑电和表面肌电信号的同步采集并进行预处理，其次用切比雪夫II型带通滤波器得到特定频段，再用双向回溯最大信息系数值对特定频段的脑肌电信号进行计算，最后进行不同特征频段上的双向脑肌耦合分析。本发明专利技术为探究运动功能控制机制提供有效的方法，具有良好的应用前景。具有良好的应用前景。具有良好的应用前景。

【技术实现步骤摘要】
一种基于双向回溯最大信息系数的脑肌耦合分析方法


[0001]本专利技术属于神经系统运动控制机制研究领域，特别涉及一种基于双向回溯最大信息系数的计算，从而进行不同特征频段的双向耦合特性分析方法。

技术介绍

[0002]在人的自主运动过程中，大脑运动皮层通过运动神经通路发出控制肌肉动作的指令，肌肉的感觉信息通过感觉神经通路反馈到皮层，以保证动作的准确执行。这种信息交互作用可以通过脑电信号与效应肌表面肌电信号之间的耦合关系来量化。因此，脑肌耦合已成为揭示神经系统控制
‑
反馈机制，评价脑卒中等神经系统疾病患者运动功能及康复效果的重要途径。
[0003]构建复杂神经生理信号之间相互关系的关键挑战是准确捕获信号之间的信息流，它包括两个重要指标:方向和强度。相干法是量化脑肌耦合的主要方法之一。但缺乏识别信息交互方向的能力限制了相干性方法的应用。格兰杰因果关系及其可拓方法作为衡量时间序列之间因果关系的定向方法，其建立在线性系统上。然而，神经生理信号已被证明是非线性的。因此，格兰杰因果在分析非线性神经生理信号之间关系的有效性也受到了质疑。为了解决神经生理信号间的非线性问题，传递熵被提出，近年来被认为是一种检测神经生理信号之间因果关系的有效方法。但当时间序列不够长时，传递熵在实际应用中无法准确检测到耦合。
[0004]Reshef等提出了最大信息系数方法，它的共性属性满足测量不同函数关系的要求；它的公平性属性保证了不同的函数关系在相同的噪声水平下得到相似的测量值。最大信息系数在神经科学领域得到了广泛应用。Chen等人提出了一种新的计算最大信息系数值的方法——ChiMIC，其通过χ2检验终止网格优化，消除了原算法对最大网格尺寸限制的限制。Dan等人提出一种算法，其在等分轴上增加了一个搜索回溯过程来消除均分的限制，获得了更好的网格分区，但受互信息对称性的限制，其也是对称的，因此无法识别信号间信息交互的方向。
[0005]为克服这一限制，本专利技术提出一种双向回溯最大信息系数(BBMIC)的新算法，该算法通过引入时间延迟参数，捕获两个时间序列之间的信息传输延迟来推断因果关系。

技术实现思路

[0006]本专利技术的目的在于提供一种可得到不同特征频段的双向耦合特性的分析方法，包括以下步骤：
[0007]步骤(1)，同步采集脑电和表面肌电信号；对所述脑电和表面肌电信号进行预处理，得到预处理后的信号；
[0008]步骤(2)，用切比雪夫II型带通滤波器处理所述预处理后的信号，得到beta频段的子带信号和gamma频段的子带信号；其中，所述beta频段是15Hz～30Hz，gamma频段为31Hz～60Hz；
[0009]步骤(3)，将步骤(1)采集到的所述脑电和表面肌电信号用时间序列表示，得到脑电时间序列和表面肌电时间序列；使用散点图的形式表示脑电时间序列和表面肌电时间序列之间的关系，得到分布在二维空间中的散点图，将所述二维空间的横纵轴进行划分网格化，使用χ2测验方法，找到使互信息最大的网格化方案；
[0010]分别计算beta频段的子带信号和gamma频段的子带信号的双向回溯最大信息系数BBMIC，计算方法如下：
[0011]定义步骤(2)中得到的beta频段的子带信号和gamma频段的子带信号中任意一个子带信号中的脑电信号为X，表面肌电信号为Y；通过引入时滞参数τ来判别两个信号之间信息传输的方向，双向回溯最大信息系数BBMIC按以下公式计算得到：
[0012][0013]其中，I(X,Y,τ)为X,Y在时延τ下的互信息值，x,y分别为横轴和纵轴的网格数量；当BBMIC取得最大值时所对应的τ为负时说明方向为X
→
Y，为正时说明方向为Y
→
X；
[0014]选取预设时间区间内的若干BBMIC进行求和，得到所述脑电信号和表面肌电信号之间的总信息流C
BBMIC
：
[0015]步骤(4)，采用步骤(3)计算所得的所述脑电信号和表面肌电信号之间的总信息流C
BBMIC
进行不同特征频段上的双向脑肌耦合分析。
[0016]作为优选，所述步骤(1)中，所述表面肌电信号包括：指浅屈肌(FDS)，肱桡肌(B)，桡侧腕屈肌(FCR)，尺侧腕屈肌(FCU)，肱二头肌(BB)，指伸肌(ED)的肌电信号；
[0017]所述同步采集的采样频率为1000Hz；
[0018]所述步骤(3)中，所述预设时间区间为40毫秒，所述若干BBMIC的数量为40。
[0019]作为优选，所述步骤(1)中，所述预处理包括：
[0020]对所述脑电信号进行0～75Hz低通滤波处理，以消除50Hz工频干扰；对所述表面肌电信号进行0Hz～200Hz的低通滤波处理，以消除50Hz工频干扰。
[0021]作为优选，所述步骤(4)中，所述双向脑肌耦合分析包括：从耦合强度和信息流方向两方面分析不同特征频段的耦合情况，通过C
BBMIC
值的大小来分析耦合强度的大小，C
BBMIC
值的越大表示耦合强度越大；通过将两个相反方向的C
BBMIC
值的相对大小来分析信息流方向，C
BBMIC
值较大的方向代表信息流的方向。
[0022]本专利技术的有益效果：传统的脑肌耦合分析方法并不能有效地描述信号在不同特征频段上的耦合强度大小以及信号传递方向。针对该问题，本专利技术提出一种基于双向回溯最大信息系数的脑肌耦合分析方法，定量描述健康人在不同握力的不同特征频段上的脑肌之间的因果耦合关系，这为进一步探究运动功能障碍的病理机制和康复功能评价提供一定的理论依据。
附图说明
[0023]图1为本专利技术方法的流程图。
[0024]图2为实验范式流程图。
[0025]图3为χ2统计量的定义说明图。
[0026]图4为受试者在不同力度下的脑肌电耦合C
BBMIC
值的对比图。
具体实施方式
[0027]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下进行实施，给出了详细的实施方案和具体的操作过程。
[0028]本专利技术提出了一种基于双向回溯最大信息系数的耦合分析方法，如图1所示，本专利技术的实施主要包括四个步骤：(1)脑电和表面肌电信号的同步采集并进行预处理；(2)预处理后的信号用切比雪夫II型带通滤波器得到特定频段；(3)计算双向回溯最大信息系数值；(4)根据步骤(3)的计算结果进行不同特征频段上的双向脑肌耦合分析。
[0029]下面逐一对各步骤进行详细说明。
[0030]步骤一：脑电和表面肌电信号的同步采集并进行预处理
[0031]在该项研究总共招募了8名健康受试者，(年龄24
‑
26岁，均为右利手)，没有任何神经病史，所有受试者被介绍了实验流程和实验可能带来的影响，均本人自愿签署同意书，提前一天告知受试者不做任何剧烈运动保持身体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双向回溯最大信息系数的脑肌耦合分析方法，其特征在于，包括以下步骤：步骤(1)，同步采集脑电和表面肌电信号；对所述脑电和表面肌电信号进行预处理，得到预处理后的信号；步骤(2)，用切比雪夫II型带通滤波器处理所述预处理后的信号，得到beta频段的子带信号和gamma频段的子带信号；其中，所述beta频段是15Hz～30Hz，gamma频段为31Hz～60Hz；步骤(3)，将步骤(1)采集到的所述脑电和表面肌电信号用时间序列表示，得到脑电时间序列和表面肌电时间序列；使用散点图的形式表示脑电时间序列和表面肌电时间序列之间的关系，得到分布在二维空间中的散点图，将所述二维空间的横纵轴进行划分网格化，使用χ2测验方法，找到使互信息最大的网格化方案；分别计算beta频段的子带信号和gamma频段的子带信号的双向回溯最大信息系数BBMIC，计算方法如下：定义步骤(2)中得到的beta频段的子带信号和gamma频段的子带信号中任意一个子带信号中的脑电信号为X，表面肌电信号为Y；通过引入时滞参数τ来判别两个信号之间信息传输的方向，双向回溯最大信息系数BBMIC按以下公式计算得到：其中，I(X,Y,τ)为X,Y在时延τ下的互信息值，x,y分别为横轴和纵轴的网格数量；当BBMIC取得最大值时所对应的τ为负时说明方向为X
→
Y，为正时说明方向为Y
→
X；选取预设时间区间内的若干BBMIC进行求和，得到所述脑电信号和表面肌电信号之间的总信息流C

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