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

技术特征：
1.一种基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，该构建方法的步骤如下：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；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：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；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；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：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
]；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pc
i
和多层网络参与系数pc，以及多层网络及子网络的连接度d
f
、聚类系数cc
f
、最短路径长度spl
f
、局部效率le
f
和全局效率ge
f
等指标，获取的功能网络频域指标fcmn＝[pc
i
,pc,d
f
,cc
f
,spl
f
,le
f
,ge
f
]；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,
…
,v
m
]
t
；进一步基于s22中的图谱，分析计算所功能网络的连接度d
s
、聚类系数cc
s
、最短路径长度spl
s
、局部效率le
s
及全局效率ge
s
等指标，获取空域功能网络指标sbn＝[f,d
s
,cc
s
,spl
s
,le
s
,ge
s
]；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：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：x
i
＝t(w
i
*a
i
b
i
)式中，t表示tanh函数，x
i
表示节点类型为i的节点嵌入，w
i
表示节点类型为i的权重矩阵，b
i
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：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：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：l
ij
＝t(w
i
*x
i
w
i
*x
j
b)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：s
ij
＝t(w*l
ij
b)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。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：s31、动态模拟模型构建，具体如下：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)；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}；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；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。2.根据权利要求1所述的基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，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。3.根据权利要求1所述的基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，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。4.根据权利要求1所述的基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，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。5.根据权利要求1所述的基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，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。6.根据权利要求1所述的基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，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。7.根据权利要求1所述的基于皮层肌肉网络的运动功能重建动态模型构建方法，其特征在于，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。

技术总结
本发明公开了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。基于多节点互联和同步触发技术，利用高密度脑电-肌电采集设备，实现高密度脑电和肌电信息采集，并对其进行分级预处理；基于超图学习构建多维广义复杂网络模型，从而获取高阶网络指标；构建数据关联映射模型，基于自动编码器获取皮层-肌肉功能网络特征编码向量，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；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，实现皮层-肌肉功能网络动态模拟模型构建及可视化呈现。本发明从大脑和皮层肌肉网络的关联性出发，研究皮层-肌肉功能网络演变规律，对理解皮层-肌肉功能耦合及协同机制具有重要意义。机制具有重要意义。机制具有重要意义。


技术研发人员：陈晓玲 蔡裕豪 杨远翔 侯培国 翟佳顺 张园园 谢平
受保护的技术使用者：燕山大学
技术研发日：2022.07.29
技术公布日：2022/11/15