一种基于条件协方差的脑肌耦合特异性分析方法及系统

本发明属于脑电肌电信号处理，具体涉及一种基于条件协方差的脑肌耦合特异性分析方法及系统。

背景技术：

1、脑电图（eeg）反映大脑皮层电活动，肌电图（emg）反映肌肉收缩产生的电活动。受试者完成肢体动作时，运动相关脑电活动与外周肌肉活动之间具有可测量的时间联系，同步记录脑电信号和多个候选肌肉的肌电信号，用于分析中枢神经活动与候选肌肉活动之间的功能联系。现有脑肌耦合分析主要通过脑肌相干、互信息、传递熵以及基于受限模型和完整模型的方向性预测等方法，表征脑电信号与肌电信号之间的同步关系、统计依赖或方向性信息传递。

2、但是，较大的脑肌相关、协方差或方向性预测结果并不等同于先行脑电提供了额外预测信息。候选肌肉当前活动通常受其自身过去活动影响，不同肌肉的自身可预测程度也不同。若不控制肌电历史向量，观察到的脑肌联系会同时包含肌肉自身时间连续性的作用。因此，需要在相同当前肌电值和肌电历史向量基础上比较未加入先行脑电历史向量与加入先行脑电历史向量两种条件下的条件残差方差，判断先行脑电历史向量是否仍提供额外预测信息。

3、上述比较还要求加入先行脑电历史向量前后的受限联合协方差保持一致。肢体动作通常包含多个动作阶段，各阶段联合变量形成的协方差经收缩正定化后可作为对称正定矩阵进行跨阶段黎曼聚合。若受限联合协方差与完整联合协方差分别独立进行黎曼聚合，独立黎曼聚合后的完整联合协方差中与受限联合变量对应的主子矩阵可能不再等于黎曼聚合后的受限联合协方差。此时，条件残差方差的变化不仅反映新增先行脑电历史向量，还可能混入两次独立黎曼聚合造成的差异，因此需要在跨阶段黎曼聚合后保持受限联合协方差的一致性。

4、此外，在有限样本条件下，即使脑电与当前候选肌肉之间不存在正确的时序或个体对应关系，共同趋势、相似频谱结构等因素仍可能造成条件残差方差降低。若循环移位脑电、未来错移脑电、时间反转脑电、相位随机化脑电或跨受试者脑电仍能产生较大的替代增量贡献，则该部分替代增量贡献不能归因于真实先行脑电与当前候选肌肉之间的正确对应关系。因此，现有技术仍缺少一种能够同时利用肌电历史向量控制候选肌肉自身时间连续性、保持受限联合协方差一致，并以最大替代增量贡献完成五类替代脑电校准的方法，因而难以准确判断真实先行脑电是否能够为候选肌肉活动提供额外预测信息。

技术实现思路

1、针对上述问题，本发明提供一种基于条件协方差的脑肌耦合特异性分析方法及系统。该方法依次完成同步数据处理、联合变量与联合协方差构造、条件协方差分解、跨阶段黎曼聚合与结构保持重构、真实先行脑电增量贡献与五类替代脑电校准以及候选肌肉特异性排序。

2、本发明一方面，提供一种基于条件协方差的脑肌耦合特异性分析方法，具体步骤如下：

3、步骤1、同步数据处理。同步采集受试者完成肢体动作过程中的脑电信号和至少两个候选肌肉的肌电信号，将脑电信号和肌电信号映射至共同时间轴并统一至预设分析采样率，得到共同分析区间内时间对齐后的脑电序列和各候选肌肉肌电序列。根据预设时序边界排除序列两端不能形成完整时序样本的位置，确定共同有效采样位置，并按照统一动作分析时间窗确定动作阶段边界。

4、步骤2、联合变量与联合协方差构造。以步骤1的输出为输入，针对每个候选肌肉构造肌电历史向量和先行脑电历史向量；将当前肌电值与肌电历史向量组成受限联合变量，在受限联合变量基础上增加先行脑电历史向量形成完整联合变量。随后在每个动作阶段仅利用完整联合变量样本计算一次完整联合协方差，并从同一完整联合协方差中提取与受限联合变量对应的主子矩阵作为受限联合协方差。

5、步骤3、条件协方差分解、跨阶段黎曼聚合与结构保持重构。以步骤2输出的各动作阶段受限联合协方差和完整联合协方差为输入：进行分块和条件协方差分解，得到交叉重构系数矩阵和先行脑电条件协方差；在共享时间权重下对受限联合协方差和先行脑电条件协方差进行跨阶段黎曼聚合，并对交叉重构系数矩阵进行线性加权；依据上述条件协方差分解关系进行结构保持重构。步骤3输出黎曼聚合后的受限联合协方差和重构后的完整联合协方差，并作为步骤4的输入。

6、步骤4、真实先行脑电增量贡献与五类替代脑电校准。利用步骤3输出的黎曼聚合后的受限联合协方差和重构后的完整联合协方差计算受限条件残差方差和完整条件残差方差，并得到真实先行脑电增量贡献；构造五类替代脑电，分别按相同流程得到五个替代增量贡献，并以真实先行脑电增量贡献减去最大替代增量贡献，得到当前候选肌肉的特异性增量贡献。

7、步骤5、候选肌肉特异性排序。对每个候选肌肉分别执行步骤2至步骤4，得到对应的特异性增量贡献；按照预先固定的候选肌肉顺序汇总各特异性增量贡献，并由高到低形成候选肌肉特异性排序，作为特异性分析结果。步骤5最终输出候选肌肉名称、特异性增量贡献和候选肌肉特异性排序；所述候选肌肉特异性排序表示同一动作背景下真实先行脑电对不同候选肌肉的相对特异性。

8、另一方面，本发明还提供一种基于条件协方差的脑肌耦合特异性分析系统，包括以下模块：

9、输出采集模块用于同步采集受试者脑电信号和肌电信号，预处理后输出时间对齐后的脑电序列和各候选肌肉肌电序列。

10、联合协方差模块基于时间对齐后的脑电序列和各候选肌肉肌电序列形成受限联合变量和完整联合变量，对应计算得到受限联合协方差和完整联合协方差。

11、联合协方差重构模块基于受限联合协方差和完整联合协方差，计算并输出黎曼聚合后的受限联合协方差和重构后的完整联合协方差。

12、特异性增量贡献模块利用黎曼聚合后的受限联合协方差和重构后的完整联合协方差计算条件残差方差，获取当前候选肌肉的特异性增量贡献。

13、特异性分析模块用于分别得到每个候选肌肉对应的特异性增量贡献，按照候选肌肉顺序汇总各特异性增量贡献，并由高到低形成候选肌肉特异性排序，作为特异性分析结果。

14、本发明具有以下有益效果：

15、1、本发明以肌电历史向量构造受限联合变量，并在相同肌电历史向量基础上增加先行脑电历史向量构造完整联合变量，使真实先行脑电增量贡献表示在肌电历史向量的预测作用被控制以后，由先行脑电历史向量进一步提供的预测信息。

16、2、本发明仅根据完整联合变量计算一次完整联合协方差，并从中直接提取受限主子矩阵作为受限联合协方差，使每个动作阶段的受限联合协方差始终与完整联合协方差中的对应受限主子矩阵一致，避免分别进行协方差估计和线性收缩造成该主子矩阵关系偏离。

17、3、本发明针对受限联合协方差与完整联合协方差分别进行非线性黎曼聚合后原有主子矩阵关系可能被破坏的问题，通过条件协方差分解得到交叉重构系数矩阵和先行脑电条件协方差，在共享时间权重下分别完成跨阶段黎曼聚合和线性加权，再进行结构保持重构，使重构后的完整联合协方差仍严格保留黎曼聚合后的受限联合协方差作为其受限主子矩阵。

18、4、本发明利用循环移位脑电、未来错移脑电、时间反转脑电、相位随机化脑电和跨受试者脑电得到五类替代增量贡献，并以其中最大值作为最大替代增量贡献；真实先行脑电增量贡献减去最大替代增量贡献后得到特异性增量贡献，使正值明确表示真实先行脑电增量贡献高于全部五类替代增量贡献。

19、5、本发明对同一动作过程中的多个候选肌肉分别计算特异性增量贡献，并在统一脑电处理条件、统一动作阶段和统一计算流程下，按照特异性增量贡献由高到低形成候选肌肉特异性排序，作为特异性分析结果，为比较真实先行脑电对不同候选肌肉活动所提供的相对增量信息提供可重复的量化结果。