一种基于皮层肌肉网络的运动功能重建动态模型构建方法

1.本发明涉及生物医学工程研究技术领域，特别是一种基于皮层肌肉网络的运动功能重建动态模型构建方法。


背景技术：

2.在日常生活中，人们可能会因为一些疾病导致脑损伤，表现出不同程度的肢体运动功能障碍，这在一定程度上严重影响了患者的日常生活能力，也会给家庭和社会带来沉重的负担。因此探究用户运动功能重建过程中的皮层-肌肉功能耦合规律具有重大意义。
3.脑电图(electroencephalogram，eeg)作为一种可以从头皮上的多个电极将脑电活动记录下来的电生理采集系统，因其非侵入式、时间分辨率高等优点被广泛应用于脑科学研究。肌电图 (electromyogram，emg)是指用肌电仪记录下来的肌肉生物电图形，对评价人在人机系统中的活动具有重要意义。进行年来利用eeg和 emg对脑疾病的研究取得了大量重要的结果。然而，在其备受青睐的同时，也存在许多问题，其中最重要的问题就是基于eeg和emg的研究大多数是人工干预筛查符合条件的指标或者考虑一些相关变量进行区分统计，指标与参数往往包含大量主观特定的考虑，缺乏客观规律思考。因此，建立一种更加客观的计算模型对推进脑卒中运动功能重建过程十分重要。


技术实现要素：

4.本发明的目的在于提供一种更加客观的基于皮层肌肉网络的运动功能重建动态模型构建方法。
5.一种基于皮层肌肉网络的运动功能重建动态模型构建方法。该构建方法的步骤如下：
6.s1、基于多节点互联和同步触发技术，利用128通道eeg-emg同步采集设备，实现高密度eeg和emg信息的同步采集，并对其进行分级预处理；
7.s2、基于预处理后的eeg和emg数据，构建用于动态演变模型的数据关联映射模型。首先，获取eeg和emg的时频空三维特征张量；其次，基于所获取的张量构建多维信息结构；进而，获取皮层-肌肉功能网络的高阶网络指标；最后，基于所获取的信息构建数据关联映射模型，具体如下：
8.s21、基于短时傅里叶变换和小波变换等框架理论分解eeg和emg 信号，获取其时空频三维特征张量，进而构建时空频三维特征张量空间；
9.s22、根据s21中所获取的三维特征张量，获取所需的节点特征和边特征。构建eeg-eeg间的同质图g1、emg-emg间的同质图g2和 eeg-emg间的异质图g3，进而基于超图学习得到超图g，从而构建多维信息结构；
10.s23、根据s22中的图谱，计算网络相关指标，进而获取皮层-肌肉功能网络高阶网络指标，具体如下：
11.s231、首先，利用滑动窗口技术分别提取每个通道eeg和emg信号在每个窗口内的
时间序列；其次，引入偏定向相干分析法构建每个窗口内eeg和emg序列间的信息传递系数矩阵pdc；进一步将pdc稀疏二值化为spdc，并进行完整性判断确定选取动态皮层-肌肉功能网络的最优阈值；最后，基于s22中的图谱计算网络连接度d
t
、聚类系数cc
t
、最短路径长度spl
t
、局部效率le
t
及全局效率ge
t
等指标，获取动态时变网络指标dtv＝[spdc,d
t
,cc
t
,le
t
,ge
t
]；
[0012]
s232、首先，基于带通滤波器获取特定频段范围的eeg和emg分量，引入希尔伯特变换计算各子频带信号包络线，运用皮尔逊相关法计算包络线间全连接相关系数并构建加权邻接矩阵；其次，计算多层网络中各层间及层内耦合的整体强度，完成对网络的阈值化处理；进一步基于s22中的图谱，分析计算每个顶点参与系数pci和多层网络参与系数pc，以及多层网络及子网络的连接度df、聚类系数ccf、最短路径长度splf、局部效率lef和全局效率gef等指标，获取的功能网络频域指标fcmn＝[pci,pc,df,ccf,splf,lef,gef]；
[0013]
s233、首先，定义相对距离准则优选有效eeg和emg通道进行空间组合；其次，将原始信号分解为多个空域模式，得到的新的时间序列为z，然后计算其方差v
p
，并将该方差向量v
p
作为其空域特征f＝ [v1,v2,
…
,vm]
t
；进一步基于s22中的图谱，分析计算所功能网络的连接度ds、聚类系数ccs、最短路径长度spls、局部效率les及全局效率ges等指标，获取空域功能网络指标sbn＝[f,ds,ccs,spls,les,ges]。
[0014]
s24、构建数据关联映射模型，实现对s23中高阶信息的低维表达，降低数据复杂度，具体如下：
[0015]
s241、模型第一层基于s22所构建的多维信息结构，从所构建的超图g中获取其邻接矩阵a，使用自动编码器，将其作为输入得到节点嵌入x，具体表达式如下：
[0016]
xi＝t(wi*ai bi)
[0017]
式中，t表示tanh函数，xi表示节点类型为i的节点嵌入，wi表示节点类型为i的权重矩阵，bi表示节点类型为i的偏差，其中节点类型主要有两种，分别为eeg和emg；由于不同类型节点的特殊性，需要学习不同类型节点特有的潜在空间，每个类型的节点都具有自己的自编码器，对于所有类型的节点，损失函数定义为：
[0018][0019]
式中是i节点类型的索引，sign是符号函数，表示原始特征，表达式如下：
[0020][0021]
s242、模型第二层是具有非线性激活功能的全连接层，以s241 所获得的节点嵌入x为输入，将其非线性映射到一个公共潜在空间 l，其在潜在空间中的联合表示为：
[0022]
l
ij
＝t(wi*xi wi*xj b)
[0023]
s243、模型的第三层是将s242中的潜在空间l，映射到概率空间得到相似度：
[0024]sij
＝t(w*l
ij
b)
[0025]
s244、使用随机梯度下降对模型进行优化，进而提升模型的计算效率，解决局部最优的问题，最终得到用于构建动态演变模型的数据关联映射模型。
[0026]
s3、动态模拟模型构建及其可视化。首先，根据s2中所构建的数据关联映射模型获
取特征张量进而构建动态模拟模型；其次，对动态模拟模型实现动态可视化表达，具体过程如下：
[0027]
s31、动态模拟模型构建，具体如下：
[0028]
s311、根据s2中所构建的数据关联映射模型，获取皮层-肌肉网络混合特征嵌入张量et和模型预测编码c(x)，并将et作为皮层-肌肉功能网络特征自动编码机e的输入，进而得到fcmn特征编码向量e(et )；
[0029]
s312、采用特征表达转换器和线性掩码单元将s311中的模型预测编码c(x)和特征编码向量e(et)转换为运动功能损伤部位、康复阶段和用户年龄等可调节生理状态特征{a}；
[0030]
s313、通过动态模拟皮层-肌肉网络显著结构生成器g将状态特征{a}进一步生成与原始高维皮层肌肉功能网络特征相似的稀疏皮层肌肉功能网络显著结构g(t)，进而实现皮层-肌肉功能网络动态模拟模型的构建。
[0031]
s32、根据用户的不同生理状态信息，实现皮层-肌肉功能网络可视化动态表达，呈现出用户在不同生理状态下随时间的变化过程。
[0032]
在上述动态模拟模型的构建方法的优选技术方案中，动态模拟模型是基于时频空等域的皮层-肌肉网络特征所构建的。
[0033]
在上述动态模拟模型的构建方法的优选技术方案中，在步骤s22 中的多维信息结构是以皮层-肌肉功能网络的动态时变、节律振荡及拓扑耦合等功能连接特征为基础，结合eeg或emg同类信号间的同质性以及eeg-emg不同信号间的异质性，进而结合超图所构建的多维信息结构。
[0034]
在上述动态模拟模型的构建方法的优选技术方案中，在步骤s23 中，所获取的皮层-肌肉功能网络高阶网络指标是基于多通道eeg和 emg信号的同步因果和功能连接分析，用于描述运动功能控制中皮层
ꢀ‑
肌肉功能网络的动态信息。
[0035]
在上述动态模拟模型的构建方法的优选技术方案中，在步骤s24 中，所构建的数据关联映射模型，对以皮层-肌肉功能连接特征为输入的高阶网络结构进行了压缩，降低了数据复杂度的同时保留了皮层
ꢀ‑
肌肉功能网络的高阶信息，同时也保留了构建网络过程中的局部和全局结构信息。
[0036]
在上述动态模拟模型的构建方法的优选技术方案中，在步骤s31 中，所构建的动态模拟模型，以皮层-肌肉功能网络及其相关特征为输入，结合用户的生理状态信息，基于特征自编码与特征表达转换技术，综合考虑人体动力学和生物神经网络动力学特性，体现皮层-肌肉功能网络在运动功能重建过程中的复杂演变规律。
[0037]
在上述动态模拟模型的构建方法的优选技术方案中，在步骤s32 中，皮层-肌肉功能网络可视化动态表达，可根据用户在不同康复阶段、不同病灶以及不同年龄阶段等生理状态下的不同信息，从个体化和群体化角度出发，呈现出用户运动功能区随时间变化。
[0038]
本发明与现有技术相比，有益效果如下：
[0039]
本发明基于图表示深度学习、超图学习、深度强化学习等方法，结合皮层-肌肉功能网络的时域动态时变、频域节律振荡及空域拓扑耦合等多层次特性，针对不同病灶、不同康复阶段、不同年龄等生理状态信息，综合考虑人体动力学和生物神经网络动力学特性，体现了皮层-肌肉功能网络在运动功能重建过程中的复杂演变规律，对皮层
‑ꢀ
肌肉功能网络
中运功功能重建进行了动态模拟模型的构建，从而解决了传统下基于eeg和emg的研究中包含大量主观特定考虑的指标与参数的问题，同时建立了一种更加客观的运动功能重建动态模拟模型的构建方法，对深入探究用户运动功能重建过程中的皮层-肌肉功能耦合规律，以及揭示运动功能重建机制具有重大意义。
附图说明
[0040]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
[0041]
图1为本发明的流程图；
[0042]
图2为信号预处理后的结果图（eeg和emg信号处理前后结果图）；
[0043]
图3为数据关联映射模型构建流程图；
[0044]
图4为普通图与超图对比图；
[0045]
图5为滑动窗口形成过程图；
[0046]
图6为动态模拟模型构建流程图；
[0047]
图7为自编码器结构图。
[0048]
具体实施方法
[0049]
为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
[0050]
下面结合附图，对具体实施方法做详细说明。
[0051]
一种面向脑卒中运动功能重建的动态模拟模型构建方法，该方法包括对原始信号预处理、建生理信息自适应关联的皮层-肌肉网络状态映射模型、动态模拟模型可视化。
[0052]
一种基于皮层肌肉网络的运动功能重建动态模型构建方法，如图 1所示，首先，基于高密度eeg-emg采集设备，实现高密度eeg和emg 信息采集，并对其进行分级预处理；其次，获取eeg和emg的三维特征张量，基于图论和超图学习构建多维信息结构，在此基础上获取高阶网络指标，完成数据关联映射模型的构建；进而，基于自动编码器获取皮层-肌肉功能网络特征编码向量，进一步，基于特征转换器和线性掩码单元将其转换为生理状态特征；最后，通过皮层-肌肉网络显著结构生成器生成稀疏皮层-肌肉功能网络显著结构，进而实现皮层-肌肉功能网络动态模拟模型构建及可视化呈现。
[0053]
本发明是这样实现的：
[0054]
s1、基于多节点互联和同步触发技术，利用128通道eeg-emg同步采集设备，实现高密度eeg和emg信息的同步采集，并对其进行分级预处理；
[0055]
s2、基于预处理后的eeg和emg数据，构建用于动态演变模型的数据关联映射模型；
[0056]
s3、动态模拟模型构建及其可视化。
[0057]
下面将对本发明进行详细说明。
[0058]
s1、基于多节点互联和同步触发技术，利用128通道eeg-emg同步采集设备，实现高
密度eeg和emg信息的同步采集，并对其进行分级预处理。
[0059]
主要包括对高密度脑机电数据的同步采集和对所采集到的数据进行预处理。对于数据的采集具体如下：
[0060]
首先对实验室已具备的多个矩阵式emg采集模块(32通道的 sessantaquattro,ot)进行同步互联，利用多顶点信息组网技术构建 128通道高密度emg网络，将多信息收发器作为采集顶点统一管理器，多个矩阵式emg采集模块与多信息收发器共同组成局域网，使多个采集模块均可与上位机进行通讯传输。进一步，为实现多通道eeg与emg 多源异构数据的同步采集，开发同步脉冲触发器及协同传输协议，将实验室已具备的128通道emg采集系统(actichamp plus,bp)与上述 eeg网络系统同步集成，实现高密度emg和eeg信息的多源同步采集。
[0061]
数据的预处理策略包括滤波、去除eeg和emg中基线漂移、50hz 工频及谐波干扰、眼电信号和动作干扰等伪迹。下面将叙述各个预处理方法。
[0062]
滤波：主要是基于高通滤波和低通滤波，滤除掉在频率外的信号，可以有效去除干扰，针对采集到的高密度emg数据，使用基于频率抽样法有限冲激响应滤波器(fir)来设计高通以及低通滤波器。
[0063]
去除基线漂移：基线漂移会使得原始信号有缓慢的轻微的上下浮动的趋势，利用信号和噪声在频谱和能量分布上的不同,在分解的低频系数中可以观察到信号的基线趋势，用原始信号减去这个基线趋势。
[0064]
去除工频及谐波干扰：由于交流电通过空间耦合到eeg和emg信号中造成的干扰，当电极由于油脂、脏污、角质层过厚等导致阻抗较高时，更容易引入工频干扰，使用滤波器去除这部分干扰。
[0065]
去除伪迹：伪迹是影响电生理信号的一些干扰信号，会对分析正常信号带来困难。为了避免伪迹的产生，在实验前会告诉被试者不要眨眼或者做一些可能产生伪迹的动作，然后通过观察或者自动识别的方法找出一些明显的伪迹信号，直接进行删除，最后通过独立成分分析法(independent component analysis,ica)，将数据信号和伪迹分解到不同的信号成分中区，进行消除。预处理后的信号如图2所示。
[0066]
s2、基于预处理后的eeg和emg数据，构建用于动态演变模型的数据关联映射模型。模型结构如图3所示，首先，获取eeg和emg的时频空三维特征张量；其次，基于所获取的张量构建多维信息结构；进而，获取皮层-肌肉功能网络的高阶网络指标；最后，基于所获取的信息构建数据关联映射模型，具体如下：
[0067]
s21、基于短时傅里叶变换和小波变换等框架理论分解eeg和emg 信号，获取eeg和emg信号的时空频三维特征张量，进而构建时空频三维特征张量空间。
[0068]
s22、根据s21中所获取的三维特征张量，获取所需的节点特征和边特征。构建eeg-eeg间的同质图g1、emg-emg间的同质图g2和 eeg-emg间的异质图g3，其表达式如下：
[0069]
g1＝《v1,e1》
[0070]
g2＝《v2,e2》
[0071]
g3＝《v3,e3》
[0072]
其中g1和g2表示同质图，图中只包含一种类型的节点和一种类型的边，v1和v2分别表示eeg和emg信号组成节点集，e1和e2分别表示由eeg-eeg和emg-emg同类信号间的同质性
所构成的边；g3表示异质图，图中包含了eeg和emg两类节点和不同类型的边，v3表示由eeg 和emg共同组成的一组节点集，e3表示由eeg-emg不同信号间的异质性组成的边。进而在此基础上，基于皮层-肌肉功能网络的动态时变、节律振荡及拓扑耦合等功能连接特征，构建超图g，具体表达式如下：
[0073]
g＝《v,e,w》
[0074]
其中，v是超图的有限顶点集，e是超图的超边集，w是超边的权重集。相较于普通的图论，超图(hypergraph)可以更加准确的描述存在多元关联的对象之间的关系。超图和普通图的主要不同在于图中边上顶点个数不同，在普通图中，一条边连接两个顶点，在超图中，边被称为超边(hyperedge)，一条超边连接多个顶点，图和超图的对比如图4所示。由于超图的特性，可以获取数据中的高维信息从而构建多维信息结构。
[0075]
s23、根据s22中的图谱，计算网络相关指标，进而获取皮层-肌肉功能网络高阶网络指标，具体如下：
[0076]
s231、首先，利用滑动窗口技术分别提取每个通道eeg和emg信号在每个窗口内的时间序列，滑动窗口是一种基于双指针的一种思想，两个指针指向的元素之间形成一个窗口，滑动窗口技术可以降低了问题的复杂度，从而也降低了循环的嵌套深度，窗口形成的具体过程如图5所示。第一步，左右指针left,right都指向第0个元素，窗口为[left,right)，这里是左闭右开，因此初始窗口[0,0)区间没有元素；第二步，开始循环遍历整个数组元素，判断当前right指针是否超过整个数组的长度，是退出循环，否则执行第三步；第三步，right 指针开始向右移动一个长度，并更新窗口内的区间数据；第四步，当窗口区间的数据满足要求时，右指针right就保持不变，左指针left 开始移动，直到移动到一个不再满足要求的区间时，left不再移动位置；返回执行第二步。
[0077]
其次，引入偏定向相干分析法构建每个窗口内eeg和emg序列间的信息传递系数矩阵pdc，偏定向相干分析法是一种基于多变量自回归处理时间序列模型的格兰杰因果性频域测量方法。其计算公式为：
[0078][0079][0080][0081]
其中，ci为n导联eeg(emg)信号x(x1,x2,...,xn)的时域ar模型系数，表示中的第j列中的第k个元素。表示信息由xj流向xk占所有流出xj的信息流比率，代表导联j流向导联k的信息流强度，取值范围为[0,1]，取值越接近1则表示两导联间相关性较强，信息流强度越大。最终得到n维矩阵，表示n(n-1)个导联对之间的信息流强度及方向。
[0082]
进一步将pdc稀疏二值化为spdc，并进行完整性判断确定选取动态皮层-肌肉功能网络的最优阈值；最后，基于s22中的图谱计算网络连接度d
t
、聚类系数cc
t
、最短路径长度spl
t
、局部效率le
t
及全局效率ge
t
等指标，获取动态时变网络指标dtv＝[spdc,d
t
,cc
t
,le
t
,
ge
t
]；
[0083]
s232、首先，基于带通滤波器获取特定频段范围的eeg和emg分量，引入希尔伯特变换计算各子频带信号包络线，运用皮尔逊相关法计算包络线间全连接相关系数并构建加权邻接矩阵。希尔伯特变换是信号处理中的一种常用手段，通常用来构建解析信号，使信号频谱仅含有正频率成分，从而降低信号的抽样率；用来表示带通信号，从而为无线电通信中的信号调制提供了一种方法；与其他变换及分解结合在一起，进行非平稳信号的频谱分析。其数学定义为：设有一个实值函数x(t)，其中希尔伯特变换记作(或记作h[x(t)])，表达式为：
[0084][0085]
反变换为：
[0086][0087]
皮尔逊相关法是使用皮尔逊相关系数，用来度量两个变量之间的相关关系，两个变量之间皮尔逊相关系数定义为两个变量之间的协方差和标准差的商：
[0088][0089]
其中x和y是两个不同的变量，μ
x
和μy是x和y的均值，σ
x
和σy是 x和y的标准差。
[0090]
由于
[0091]
μ
x
＝e(x)
[0092][0093]
e[(x―e(x))(y―e(y))]＝e(xy)―e(x)e(y)
[0094]
故相关系数也可以表示成：
[0095][0096]
皮尔逊相关系数的变化范围为-1到1。系数的值为1意味着x和y 可以很好的由直线方程来描述，所有的数据点都很好的落在一条直线上，且y随着x的增加而增加，系数的值为-1意味着所有的数据点都落在直线上，且y随着x的增加而减少，系数的值为0意味着两个变量之间没有线性关系，绝对值越大说明两者之间的相关性越强。
[0097]
其次，根据获取的邻接矩阵计算多层网络中各层间及层内耦合的整体强度，完成对网络的阈值化处理；进一步基于s22中的图谱，分析计算每个顶点参与系数pci和多层网络参与系数pc，以及多层网络及子网络的连接度df、聚类系数ccf、最短路径长度splf、局部效率lef和全局效率gef等指标，获取的功能网络频域指标fcmn＝[pci,pc,df, ccf,splf,lef,gef]；
[0098]
s233、首先，定义相对距离准则优选有效eeg和emg通道进行空间组合；其次，基于共空域子空间分解方法将原始信号分解为多个空域模式，求信号xa和xb的协方差矩阵ra和
rb，具体如下：
[0099][0100]
其中，t表示转置，tra(*)表示矩阵的迹，xa和xb是不同任务下的eeg-emg信号。对平均协方差矩阵之和进行特征分解：
[0101][0102]
其中，σ为特征值矩阵，u0为与其对应的特征向量矩阵，进而构造白化值转换矩阵p，并对平均协方差矩阵ra和rb进行形式转换与特征分解：
[0103][0104]
则平均协方差矩阵ra和rb可转换为如下形式：
[0105]
sa＝prap
t
,sb＝pbp
t
[0106]
再依下式对sa和sb进行特征值分解：
[0107][0108]
其中σa和σb为特征值矩阵，ua和ub为相应的特征向量矩阵。sa和sb具有相同的特征向量矩阵，即ua＝ub，且特征值矩阵满足σa σb＝i，对于同一特征向量，如果sa具有较大的特征值，则sb相应的特征值较小，反之亦然。
[0109]
进一步构造空间滤波器w，由主成分分析法可知，σa的前ma个特征值和σb的后mb个特征值所对应的特征向量能够表征a、b两类的空域特征。为了区分两类信号，从ua(或ub)中同时提取前m列与后m列特征向量，并将其组合成矩阵u，进而依下式构造空域滤波器w：
[0110]
q＝u
t
p
[0111]
其中，m为从特征向量矩阵中选取的特征向量的个数，m为整数且int(*)表示取整运算。对信号x进行滤波，得到的新的时间序列为z
[0112]
z＝wx
[0113]
将z的第p行记为z
p
(p＝1,2,
…
,2m)，并定义其方差v
p
如下：
[0114][0115]
var(*)表示时间序列的方差，并将该方差向量v
p
作为其空域特征f＝[v1,v2,
…
,vm]
t
；进一步基于s22中的图谱，分析计算所功能网络的连接度ds、聚类系数ccs、最短路径长度spls、局部效率les及全局效率ges等指标，获取空域功能网络指标sbn＝[f,ds,ccs,spls,les, ges]。
[0116]
s24、构建数据关联映射模型，实现对s23中高阶信息的低维表达，降低数据复杂度，具体如下：
[0117]
s241、模型第一层基于s22所构建的多维信息结构，从所构建的超图g中获取其邻接矩阵a，使用自动编码器，将其作为输入得到节点嵌入x，具体表达式如下：
[0118]
a＝hh
t
―dv[0119]
xi＝t(wi*ai bi)
[0120]
式中，h表示超图中的关联矩阵，其维度为|v|
×
|e|维，dv表示超图的顶点阶，t表示tanh函数，xi表示节点类型为i的节点嵌入，wi表示节点类型为i的权重矩阵，bi表示节点类型为i的偏差，其中节点类型主要有两种，分别为eeg和emg；由于不同类型节点的特殊性，需要学习不同类型节点特有的潜在空间，每个类型的节点都具有自己的自编码器，对于所有类型的节点，损失函数定义为：
[0121][0122]
式中是i节点类型的索引，sign是符号函数，表示原始特征，表达式如下：
[0123][0124]
s242、模型第二层是具有非线性激活功能的全连接层，以s241 所获得的节点嵌入x为输入，将其非线性映射到一个公共潜在空间 l，其在潜在空间中的联合表示为：
[0125]
l
ij
＝t(wi*xi wi*xj b)
[0126]
s243、模型的第三层是将s242中的潜在空间l，映射到概率空间得到相似度：
[0127]sij
＝t(w*l
ij
b)
[0128]
s244、使用随机梯度下降对模型进行优化，进而提升模型的计算效率，解决局部最优的问题，优化过程具体如下：
[0129]
首先介绍梯度下降的概念，设有一个函数y＝f(x)，其中x和y是实数，这个函数的导数记为f
′
(x)或导数f
′
(x)代表f(x)在点x处的斜率。换句话说，它表明如何缩放输入的小变化才能在输出获得相应的变化：f(x ∈)≈f(x) ∈f
′
(x)。因此导数对于最小化一个函数很有用，它会指出如何更改x来略微地改善y。可以将x往导数的反方向移动一小步来减小f(x)。这种技术被称为梯度下降。
[0130]
针对具有多维输入的函数，需要用到偏导数的概念。偏导数 (x)衡量点x处只有xi增加时f(x)如何变化。梯度(gradient)是相对于一个向量求导的导数：f的导数是包含所有偏导数的向量，记为 (x)。梯度的第i个元素是f关于xi的偏导数。在多维情况下，临界点是梯度中所有元素都为零的点。f
′
(x)＝0的点称为临界点或驻点。一个局部极小点意味着这个点的f(x)小于所有邻近点，因此不可能通过移动无穷小的步长来减小f(x)。一个局部极大点意味着这个点的f(x)大于所有邻近点，因此不可能通过移动无穷小的步长来增大f(x)。有些临界点既不是最小点也不是最大点。这些点被称为鞍点。
[0131]
在u(单位向量)方向的方向导数是函数f在u方向的斜率。换句话说，方向导数是函数f(x αu)关于α的导数(在α＝0时取得)。使用链式法则，可得α＝0时，
[0132][0133]
为了最小化f，希望找到使f下降最快的方向。计算方向导数：
[0134][0135]
其中θ是u与梯度的夹角。将||u||2＝1代入，并忽略与u无关的项，就能简化得到这在u与梯度方向相反时取得最小。换句话说，梯度向量指向上坡，负梯度向量指下坡。在负梯度方向上移动可以减小f。这被称为最速下降法或梯度下降。
[0136]
使用随机梯度下降(stochastic gradient descent,sgd)对模型进行优化，随机梯度下降的核心是，梯度是期望。期望可使用小规模的样本近似估计。具体而言，在算法的每一步，从训练集中均匀抽出一小批量样本b＝{x
(1)
,
…
,x
(m
′
)
}。小批量的数目m
′
通常是一个相对较小的数，从一到几百。重要的是，当训练集大小m增长时，m
′
通常是固定的。
[0137]
梯度的估计可以表示成
[0138][0139]
其中l是每个样本的损失
[0140]
l(x,y,θ)＝―logp(y
│
x；θ)
[0141]
使用来自小批量b的样本。然后，随机梯度下降算法使用如下的梯度下降估计：
[0142]
θ
←
θ―∈g
[0143]
其中，∈是学习率。
[0144]
随机梯度下降的主要优点是计算速率较快，关键步骤是计算参数θ的偏导数，θ的表达式为：
[0145][0146]
s3、动态模拟模型构建及其可视化，其模型构建流程图如图6所示。首先，根据s2中所构建的数据关联映射模型获取特征张量进而构建动态模拟模型；其次，对动态模拟模型实现动态可视化表达，具体过程如下：
[0147]
s31、动态模拟模型构建，具体如下：
[0148]
s311、根据s2中所构建的数据关联映射模型，获取皮层-肌肉网络混合特征嵌入张量et和模型预测编码c(x)，并将et作为皮层-肌肉功能网络特征自动编码机e的输入，进而得到fcmn特征编码向量e(et )。
[0149]
自编码器(autoencoder)是神经网络的一种，经过训练后能尝试将输入复制到输出。自编码器(autoencoder)内部有一个隐藏层h，可以产生编码(code)表示输入。该网络可以看作由两部分组成：一个由函数h＝f(x)表示的编码器和一个生成重构的解码器r＝g(h)。编码器的作用是把高维输入x编码成低维的隐变量h从而强迫神经网络学习最有信息量的特征；解码器的作用是把隐藏层的隐变量h还原到初始维度，最好的状态就是解码器的输出就能完美的或近似恢复出原来的输入，即xr≈x。自编码器的结构如图7所示。
[0150]
从输入层到隐藏层的原始数据的编码过程为：
[0151][0152]
其中，是数据编码过程，把高维的输入et编码成低维度的隐变量h。
[0153]
从隐藏层到输入层的解码过程为：
[0154][0155]
其中，是数据解码过程，把编码过后的输入h解码为高维度的e (et)。自编码器的优化目标函数为：
[0156][0157][0158]
其中表示x和的距离度量，称为重建误差函数。
[0159]
s312、采用特征表达转换器和线性掩码单元将s311中的模型预测编码c(x)和特征编码向量e(et)转换为运动功能损伤部位、康复阶段和用户年龄等可调节生理状态特征{a}。
[0160]
预测编码是根据离散信号之间存在着一定关联性的特点，利用前面一个或多个信号预测下一个信号进行，然后对实际值和预测值的差 (预测误差)进行编码。如果预测比较准确，误差就会很小。在同等精度要求的条件下，就可以用比较少的比特进行编码，达到压缩数据的目的。预测编码的性能决定于预测器的性能，所谓最佳预测器就是在某一准则下使预测编码的性能达到最佳的预测器。常用的一些准则有：误差均方值最小准则，零(无)误差概率最大准则、误差平均分布熵最小准则等。最佳预测器的结构不但与准则有关，而且与信源的统计特性有关。预测编码的最大优点在于它实现方便，且对大部分实际信源相当有效。
[0161]
由于机器学习算法都是在矩阵上执行线性代数计算，所以参加计算的特征必须是数值型的，对于非数值型的特征需要进行编码处理。通常会有两种方式实现，分别是标签编码和独热编码。标签编码就是利用对标签进行编码，将原始类别变量转化为数值型变量，解决了分类编码的问题，可以根据需要自定义量化变量，数值本身没有含义，仅是标识或者排序的作用，但是可解释性差。如：对于性别变量，将男转化为1，女转化为2，这样就是实现了标签编码；独热编码是将原始变量转化成多维变量，并用0,1来表示独特变量。解决了分类器不好处理分类变量的问题，同时也可以扩展特征的作用，但是当类别特别多时，特征空间会变大，容易导致维度灾难的问题。
[0162]
s313、通过动态模拟皮层-肌肉网络显著结构生成器g将状态特征{a}进一步生成与原始高维皮层肌肉功能网络特征相似的稀疏皮层肌肉功能网络显著结构g(t)，进而实现皮层-肌肉功能网络动态模拟模型的构建。
[0163]
s32、根据用户的不同生理状态信息，实现皮层-肌肉功能网络可视化动态表达，呈现出用户在不同生理状态下随时间的变化过程。
[0164]
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。