【技术实现步骤摘要】
mutual information method and its application to corticomuscular interaction[J].Clinical Neurophysiology,2010,121:392
‑
401)等,尽管用于脑
‑
肌功能耦合状态估计时各具优势,但这些方法均直接利用EMG信号估计脑
‑
肌功能耦合状态,都存在无法估计大脑和各个运动单元独立交互作用的问题。此外,不同运动单元MUAP波形随机叠加或抵消,导致EMG信号中蕴含的各运动单元活动信息失真,导致脑
‑
肌功能耦合指标不能正确反映大脑与肌肉间的信息传递状态。
技术实现思路
[0005]为了克服上述现有技术的缺点,本专利技术的目的是提供了一种基于运动单元动作电位序列的脑
‑
肌功能耦合估计方法,能够提取肌肉收缩过程中各运动单元的动作电位序列,并估计大脑活动和各个运动单元活动的独立耦合作用,从而更精准地反映脑
‑
肌间耦合作用状态,进而为神经肌肉系统活动规律研究,中枢神经损伤后运动功能障碍及康复机制研究提供有力工具。
[0006]为了达到上述目的,本专利技术采取的技术方案为:
[0007]一种基于运动单元动作电位序列的脑
‑
肌功能耦合估计方法,包括以下步骤:
[0008]步骤1:信号采集,同步采集肌肉收缩时的EEG和EMG信号;
[0009]步骤2:信号预处理,剔除EEG和EMG信号中含有伪迹的通道, ...
【技术保护点】
【技术特征摘要】
1.一种基于运动单元动作电位序列的脑
‑
肌功能耦合估计方法,其特征在于,包括以下步骤:步骤1:信号采集,同步采集肌肉收缩时的EEG和EMG信号;步骤2:信号预处理,剔除EEG和EMG信号中含有伪迹的通道,对保留的EMG和EEG信号进行滤波,去除EEG信号中的眼电成分;步骤3:头皮电流密度估计,按照EEG信号通道对应的电极三维坐标,构建电极分布空间模型,并利用头皮表面拉普拉斯算法估计各电极处的头皮电流密度信号;步骤4:运动单元动作电位序列估计,利用肌电分解算法对EMG信号进行分解,提取相应时间段内各运动单元的放电事件序列以及各运动单元的MUAP波形,最后将放电事件序列与MUAP波形卷积得到各运动单元的MUAP序列;步骤5:相干性计算,按照需求配置脑电电极与肌电电极间的组合,计算头皮电流密度信号与运动单元MUAP序列间的频域相干性。2.根据权利要求1所述的方法,其特征在于:所述的步骤1中的信号采集,肌肉收缩强度应控制在10%到40%最大自主收缩力(MVC)之间,肌肉累计收缩时长不应小于100秒。3.根据权利要求1所述的方法,其特征在于,所述的步骤2中的信号预处理,包括以下步骤:步骤201:对保留的EEG、EMG信号分别进行50Hz或60Hz带阻滤波,采用双向零相移巴特沃斯滤波器,去除工频干扰;步骤202:对保留的EEG、EMG信号分别进行3Hz和10Hz高通滤波,采用双向零相移巴特沃斯滤波器,去除低频噪声;步骤203:利用独立成分分析算法将EEG信号分解为若干独立成分,去除其中包含有眼电活动和心电活动的成分后,重构EEG信号;步骤204:将去噪后的EEG和EMG数据分别表示为X=[x
1 x2ꢀ…ꢀ
x
n
]和Y=[y
1 y2ꢀ…ꢀ
y
m
],其中n和m分别表示所保留的EEG和EMG通道数,x
p
=[x
p
(1) x
p
(2)
ꢀ…ꢀ
x
p
(l)]
T
,(p=1,2,
…
,n)和y
q
=[y
q
(1) y
q
(2)
ꢀ…ꢀ
y
q
(l)]
T
,(q=1,2,
…
,m)为列向量,分别代表...
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。