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技术

一种基于运动单元动作电位序列的脑

【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，对保留的EMG和EEG信号进行滤波，去除EEG信号中的眼电成分；
[0010]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；
[0011]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；
[0012]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。
[0013]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。
[0014]所述的步骤2中的信号预处理，包括以下步骤：
[0015]步骤201：对保留的EEG、EMG信号分别进行50Hz(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；
[0016]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；
[0017]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；
[0018]步骤204：将去噪后的EEG和EMG数据分别表示为X＝[x
1 x2…
x
n
]和Y＝[y
1 y2…
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，分别代表第p通道EEG信号和第q通道EMG信号，l为离散时间长度。
[0019]所述的步骤3中的头皮电流密度估计，包括以下步骤：
[0020]步骤301：将各脑电电极的坐标进行归一化处理，使得各脑电电极在同一球形表面，再用样条函数进行插值，获得球形表面任意位置处电势的解析式表达，利用已知p个电极位置处的EEG信号，求得解析式中的各系数；
[0021]步骤302：对电势进行拉普拉斯运算，从而将EEG数据X＝[x
1 x2…
x
n
]转换为头皮电流密度SCD信号C＝[c
1 c2…
c
n
]，其中c
p
＝[c
p
(1) c
p
(2)
…
c
p
(l)]T (p＝1，2，
…
，n)。
[0022]所述的步骤4中的运动单元动作电位序列估计，包括以下步骤：
[0023]步骤401：对EMG信号Y，利用肌电分解方法获得各个运动单元的放电事件序列，并表示为其中N
r
代表放电事件序列个数，即最终的运动单元个数；t
j
(j＝1,2,
…
,N
r
)为长度为l的0、1二值序列，其中1表示放电事件；
[0024]步骤402：基于第j个运动单元的放电事件序列t
j
，以各放电事件所对应时刻为零时刻，截取前后各20毫秒的EMG数据段，并将所有放电时刻对应的EMG数据段进行叠加平均，从而获得第j个运动单元的MUAP波形；
[0025]步骤403：将第j个运动单元的MUAP波形和放电事件序列t
j
做卷积运算，从而获得第j个运动单元的MUAP序列其中(q＝1，2，
…
，m)代表第q通道的MUAP时序信号。
[0026]所述的步骤5中相干性计算，包括以下步骤：
[0027]步骤501：对于给定的第j个运动单元MUAP序列，选择其中幅值最高的b导MUAP时序信号；
[0028]步骤502：计算b导MUAP时序信号的自功率谱和n个通道SCD信号的自功率谱；
[0029]步骤503：计算各导MUAP时序信号和各导SCD信号间的互功率谱；
[0030]步骤504：基于步骤502和步骤503所得自功率谱和互功率谱，计算各导MUAP时序和各导SCD信号间的频域相关性。
[0031]和现有技术相比，本专利技术的有益效果体现在：
[0032](1)由于本专利技术在运动单元层级上探究脑
‑
肌功能耦合状态，所以能够体现大脑控制不同运动单元活动的复杂性，从而精确地反映大脑控制肌肉的功能状态，有益于神经肌肉系统活动规律和运动功能损伤和康复机制的深入研究，以及运动功能的客观量化评价；
[0033](2)本专利技术避免了不同运动单元MUAP波形随机叠加或抵消带来的EMG信号非线性复杂变化问题，从而避免了传统方法对脑
‑
肌功能耦合状态估计不准确的问题。
附图说明
[0034]图1为本专利技术的流程图。<本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：郑杨，强威，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：