一种基于脑肌电的运动功能皮层肌肉耦合方法与流程

1.本发明属于信号处理领域，涉及利用生物电信号(脑电和肌电信号)分析皮层肌肉耦合，特别涉及一种基于脑肌电的运动功能皮层肌肉耦合方法。


背景技术：

2.建立皮层和肌肉功能/结构之间的个体关系，并在行为背景下是神经学的一个主要目标。脑电反映皮层活动产生的信号，肌电反映肌肉群活动产生的信号。在身体运动时，运动皮层向控制肢体发出指令；与此同时，肢体将信号传回大脑皮层以产生动作。皮质与肌肉的这种关系可以表达为皮质-肌肉耦合性。脑电图和肌电图之间的cmc被提出，以反映皮层正在恢复肌肉控制的信号。因此，皮层肌肉耦合可用于康复预测、康复治疗和假肢支持等领域。
3.国外学者对卒中患者进行了研究，发现cmc可作为运动恢复的标志，并可根据实时脑电图提供对康复治疗作出反应的皮层区域的信息。因此，分析皮层肌肉耦合来帮助生成有用的信息是本发明研究的重点。
4.大脑皮层和肌肉群组成了一个由上千亿神经元组成的复杂系统。任何运动都是由多个皮质区域和多个肌肉协同工作来协调的。将皮层和上肢的多个肌肉群作为一个整体，应用复杂网络理论的研究，对于理解皮层和肌肉群之间的耦合关系以及阐明它们之间的行为关系具有重要意义。在复杂的运动中，运动皮层和相关肌肉相互配合，完成一系列动作。然而，皮层和肌肉之间的耦合仍然知之甚少。在这里，本发明定义了一种从皮层肌肉耦合来评估手部动作之间耦合的差异，从而从内源角度上探索皮层与肌肉之间的耦合关系。


技术实现要素：

5.为了探索皮层和肌肉之间的耦合关系，本发明提出了一种基于脑肌电的运动功能皮层肌肉耦合方法。
6.本发明从脑电信号与肌电信号之间的耦合关系出发，计算信号之间的耦合值，构建传递熵连接矩阵，对比传统的从频域出发探索皮层与肌肉之间的关系，从信号的时域出发可以更好的了解皮层与肌肉的之间的耦合关系。
7.本发明首先采集被试在安静环境下进行动作过程中的脑电信号与肌电信号；其次对脑电信号和肌电信号分别进行降噪处理和滤波处理；然后对降噪和滤波后的信号进行降采样处理；最后利用传递熵分别计算每个频段脑电与肌电的传递熵耦合值，通过分析利用beta2频段的传递熵探索皮层与肌肉之间的耦合关系。
8.为实现以上目标，本发明方法主要包含以下步骤:
9.步骤1：首先选取动作相关的运动皮层上的电极(af3,af4,f3,fz,f4,fc3,fcz,fc4,c3,cz,c4,cp3,cp4,p3,pz,p4,po3,poz,po4)和相关肌肉(肱桡肌、屈指浅肌、指伸肌、尺侧腕伸肌、尺侧腕屈肌和肱二头肌)。然后在安静地实验室采集参与者进行手部动作同步的脑电信号与肌电信号。
10.步骤2：对采集的脑电信号和肌电信号进行预处理，具体步骤是：
11.2-1.对脑电信号和肌电信号分别进行50hz的的工频干扰处理。
12.2-2.对脑电信号进行盲源分离，以消除肌电成份和眼电伪迹。
13.2-3.使用巴特沃斯带通滤波器分别对脑电信号与肌电信号进行带通滤波，提取beta2频段的脑电信号和肌电信号。
14.2-4.对脑电信号与肌电信号分别进行降采样处理，将采样频率降到250hz。
15.步骤3：通过计算beta2频段皮层与肌肉之间的传递熵耦合值构建传递熵连接矩阵
16.对每个动作beta2频段分别计算脑电信号或脑电信号序列y到肌电信号或脑电信号序列x的传递熵耦合值构建出25
×
25的传递熵连接矩阵。
17.步骤4：对beta2频段的传递熵连接矩阵进行特征提取，具体步骤如下：
18.4.1将每个动作25
×
25的传递熵连接矩阵的每个边作为特征，那么就有600个特征(25
×
(25-1))。
19.4.2分别对每个手部动作样本设置标签，合并成数据集d。
20.4.3利用过滤式特征选择算法relief-f对数据集d进行特征选择，特征选择算法如下：
[0021][0022]
其中p
l
为第l类样本在数据集d中所占的比例，表示样本xi在属性j上的取值；若属性j为离散型时，则diff()取值为0或者1，若j为连续型，则diff()的取值为两者之前的距离；是属性j上在xj同类样本中找到的最近邻样本，称为“猜中近邻”；是在第k类之外的样本中寻找错误样本的最近邻样本，称为“猜错近邻”。将每个特征得到的δj进行降序排序，选择前20个得分大于0的特征。
[0023]
4.4将提取的特征映射到二维人体电极排放位置中进行特征可视化。利用可视化特征分析不同动作之间皮层与肌肉之间的耦合差异。
[0024]
本发明提供的技术方案的有益效果是：本发明利用传递熵计算皮层与肌肉之间的耦合性，构建传递熵连接矩阵，定量分析不同动作之间皮层与肌肉之间耦合差异，有助于探索皮层与肌肉之间信息传递的机理，建立基于脑电信号与肌电信号的传递熵矩阵并进行特征提取作为对脑卒中及其他疾病康复过程的恢复状态的评估指标，可以获得可观的社会效应和经济效益。
附图说明
[0025]
图1为本发明实施流程图；
[0026]
图2为本发明不同动作beta2频段传递熵连接矩阵；
[0027]
图3为本发明不同动作beta2频段皮层肌肉耦合连接图；
[0028]
图4为本发明beta2频段提取的特征边可视化示意图。
具体实施方式
[0029]
下面结合附图对本发明的实施例作详细说明。
[0030]
本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。
[0031]
如图1所示，本实施例包括如下步骤：
[0032]
步骤1：按照国际10-20导联图选取与握拳、伸拳和屈腕动作紧密相连的19个脑电通道和6个肌电位置。19个脑电通道位置：af3,af4,f3,fz,f4,fc3,fcz,fc4,c3,cz,c4,cp3,cp4,p3,pz,p4,po3,poz,po4；6个肌电位置：肱桡肌、屈指浅肌、指伸肌、尺侧腕伸肌、尺侧腕屈肌和肱二头肌。
[0033]
步骤2：对采集的脑电信号和肌电信号进行预处理，具体步骤是：
[0034]
2-1.对脑电信号和肌电信号分别进行50hz的的工频干扰处理。
[0035]
2-2.对脑电信号进行盲源分离，以消除肌电成份和眼电伪迹。
[0036]
2-3.对肌电信号就行小波降噪，去除肌电成份中含有的其他噪声。
[0037]
2-4.使用巴特沃斯带通滤波器分别对脑电信号与肌电信号进行带通滤波，提取beta2频段的脑电信号和肌电信号。
[0038]
2-5.对脑电信号与肌电信号分别进行降采样处理，将采样频率降到250hz。
[0039]
步骤3：通过计算beta2频段皮层与肌肉之间的传递熵耦合值构建传递熵连接矩阵。
[0040]
3-1.对每个动作beta2频段分别计算脑电信号或脑电信号序列y到肌电信号或脑电信号序列x的传递熵耦合值构建出25
×
25的传递熵连接矩阵。随机从每个动作中选取一个连接矩阵，用热力图的形式展示传递熵连接矩阵。图2为不同动作beta2频段传递熵连接矩阵图，从图中可以看出不同动作传递熵连接矩阵存在着显著差异。
[0041]
3-2.对每个动作的beta2频段的传递熵连接矩阵按15％的网络密度进行矩阵二值化作为二值化矩阵，从三个手部动作中随机选取一个二值化矩阵用有向图的形式展现，如图3所示，不同动作beta2频段皮层肌肉耦合连接图，从图3可以看出皮层肌肉之间的耦合主要集中在运动肢体的对侧脑区和相关肌肉上。
[0042]
步骤4：将步骤3计算的每个动作beta2频段的传递熵连接矩阵的边作为特征，那么每个动作样本有600个特征(25
×
(25-1))，然后分别对每个动作样本设置标签，例如在实验中将握拳动作样本设置标签为1、伸拳动作样本设置标签为2和屈腕动作样本设置标签为3，最后构成一个新的数据集d。
[0043]
采用过滤式特征选择方法relief-f对数据集d进行特征选择，选择20个最优的特征，如图4为beta2频段提取的特征边可视化示意图，从图4中可以看出提取的特征主要集中在运动肢体的对侧脑区的运动皮层和前额区及相关肌肉上。
[0044]
验证过程：
[0045]
为了验证步骤4提取的特征的有效性，分别采用步骤4提取的前5个、前10个、前15个和前20个特征对这三个手部动作进行识别。表1给出了利用支持向量机和线性回归模型对三个手部动作进行识别的准确率。从表1中(svm,支持向量机；lr,线性回归)可以看出本发明提取的特征可以达到很高的识别精度，说明提取的特征是有效的，可以用来分析皮层与肌肉之间的耦合差异。
[0046]
表1利用支持向量机和线性回归模型进行手部动作识别的准确率
[0047]