CN104490390A - 基于神经电生理信号联合分析的人体运动能力判别方法 - Google Patents

Abstract

本发明公开了一种基于神经电生理信号联合分析的人体运动能力判别方法，包括以下步骤：同步采集EMG、ECG信号；对ECG信号进行R波峰值识别得到HRV信号，再分别对各信号进行时域分析、频域分析以及非线性分析；对肌电参数与心率变异性参数进行联合分析，采用相关分析寻找具有显著性的关联参数对，研究运动能力和心脏负荷情况的关联效应；提取EMG特征、HRV特征，以及计算EMG信号积分肌电值、均方根分别与HRV参数的相关系数；利用PCA主成分分析去除冗余信息，得到特征向量；将特征向量作为模式识别的输入，从而进行运动能力的判别。本方法可有效地提高人体运动能力判别模型的准确性和简便性，可为航天员的选拔提供依据。

Description

基于神经电生理信号联合分析的人体运动能力判别方法

技术领域

本发明涉及人体运动能力判别领域，尤其涉及一种基于神经电生理信号联合分析的人体运动能力判别方法。

背景技术

人是在地球1G重力环境中进化和生活的，因此人体各生理系统的形态、结构和功能都产生了适应1G条件的变化。当航天员进入太空后，长时间的生活在失重环境中(准确的说是处于微重力状态)，流体静压消失，体液头向分布会引发机体各生理系统出现一系列的适应性变化，引起人体生理系统的明显改变，例如：水和电解质代谢紊乱、心血管功能失调、航天贫血症等，尤其是对运动功能的影响，如肌萎缩、肌肉耐力的下降。从而导致航天员工作绩效的下降，进而影响整个航天任务的顺利进行。除此之外，还可能影响到航天员从空间返回到地面的再适应过程，其主要表现是立位耐力不良和运动耐力下降。因此，现阶段急需建立准确的人体运动能力变化的判别模型，提出一套能够科学的评判人体运动能力的指标，进而应用于航天员的选拔工作中，以及通过对人体运动能力分析评估，找到能够降低失重环境对于航天员健康以及工作绩效影响的对抗方法。

人体运动功能主要表现在行走的步态和上肢的典型动作中。描述这些动作特征的信息主要有运动学参数、力学参数和生物电信号三大类，从而进行功能评定。人体运动的动力来自骨骼肌的协同收缩，肌电信号是肌肉自主收缩或电诱发收缩过程中产生的生理电变化，其信息可以用来描述运动功能特征和分析运动的质量。

心率变异性是指人体心脏搏动周期存在的微小变异，通常情况下是指逐次心动周期间体表心电图R波间期的微小涨落。近年来研究表明，脑的高级神经活动、中枢神经系统的自发性节律活动、呼吸以及压力、化学感受器活动等因素对心脏的自主神经系统进行调制结果导致心率变异性(Heart rate variability，HRV)的产生。换言之，HRV信号蕴涵了有关心血管系统神经及体液调节的大量信息，因而可以通过检测测试者的心率数据，得到许多有关自主神经系统平衡状态的信息。心率变异性是衡量自主神经系统功能状态的一个重要指标，适当的体育运动可以增强自主神经系统的调节能力，HRV分析表现出了潜在的令人注目的应用价值。

现阶段科学研究对于肌电和心率变异性的研究都分别取得了较为瞩目的成就，但研究者通常只是单方面的通过肌肉以及肌肉电信号的特征来对运动能力进行分析。由于航天员长期处于失重条件这种工作环境，导致肌肉的长时间废用，不仅会引起肌肉萎缩，还直接影响到肌肉的工作能力和耐力，而且肌肉泵作用降低也可造成心血管功能下降。由此，从心血管功能变化规律入手，与肌电特征联合分析，可以为建立更为全面的运动能力变化判别模型与评价方法提供新的思路。

发明内容

本发明提供了一种基于神经电生理信号联合分析的人体运动能力判别方法，本发明通过寻找具有显著性的关联参数对，研究运动能力和心脏负荷情况的关联效应；利用主成分分析爱(Principle component analysis，PCA)去除信息冗余后得到特征向量，作为后续模式识别的输入，从而进行运动能力判别，详见下文描述：

一种基于神经电生理信号联合分析的人体运动能力判别方法，所述人体运动能力判别方法包括以下步骤：

同步采集EMG、ECG信号；对ECG信号进行R波峰值识别得到HRV信号，再分别对各信号进行时域分析、频域分析以及非线性分析；

对肌电参数与心率变异性参数进行联合分析，采用相关分析寻找具有显著性的关联参数对，研究运动能力和心脏负荷情况的关联效应；

提取EMG特征、HRV特征，以及计算EMG信号积分肌电值、均方根分别与HRV参数的相关系数；

利用PCA主成分分析去除冗余信息，得到特征向量；

将特征向量作为模式识别的输入，从而进行运动能力的判别。

所述提取EMG特征、HRV特征，以及计算EMG信号积分肌电值、均方根分别与HRV参数的相关系数具体为：

1)EMG特征提取：通过对肌电信号进行时频域分析得到积分肌电值、均方根、平均功率频率、中值频率四个特征参数，分别记为特征向量P1，P2，P3，P4；

2)HRV特征提取：计算总功率、极低频、低频和高频的频谱熵，分别记为特征向量P5，P6，P7，P8；

3)EMG信号积分肌电值、均方根分别与HRV参数的相关系数，分别记为特征向量P9，P10，P11，P12，P13，P14，P15，P16。

所述利用PCA主成分分析去除冗余信息，得到特征向量的步骤具体为：

对原始数据P_n*16进行标准化处理，得到矩阵P_n*16 ^*；然后求其协方差矩阵C_16*16；

对协方差矩阵进行特征根分解，得到特征根∧及特征向量U，其中特征向量作为主成分的坐标轴，构成新的矢量空间，每个特征根的大小代表每个主成分蕴含的信息量；

求原始数据在新坐标系中的投影F；

求累积贡献率；每个主成分的特征根大小代表其蕴含信息量的多少；

选定合适的累积贡献率，使前d个主成分F_n*d作为新的数据，替代原始数据P_n*16进行模式识别。

本发明提供的技术方案的有益效果是：本发明解决了人体运动能力划分测量复杂，准确率低的问题，提出利用EMG信号特征参数与HRV频域特征参数联合分析的方法，从肌肉系统与心血管系统两大方面入手，更为准确全面且针对性更强。与利用单一信号相比，信息来源更丰富。并且利用PCA主成分分析去除冗余信息，保留了对人体运动能力划分更为敏感的参数特征，可以更准确，快速地进行划分，可有效地提高人体运动能力判别模型的准确性和简便性。并且作为全面严谨的运动能力判别模型可为航天员的选拔提供依据。并根据其运动能力情况在飞行前制定针对性的防护训练任务，提高航天员在外太空的适应能力；设计对抗运动，减缓飞行中微重力的不利影响，提升航天任务的有效执行性。

附图说明

图1为一种基于神经电生理信号联合分析的人体运动能力判别方法的流程图；

图2为心电信号R波识别示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

参见图1，该基于多生理参数联合分析的人体运动能力判别方法的流程为：首先同步采集运动状态下的肌电信号(Electromyography，EMG)、心电信号(Electrocardio，ECG)，然后对ECG信号进行R波识别，如图2“*”处为识别到的R波，进而得到心率变异性(Heartrate variability，HRV)信号，再分别对各信号进行时域分析、频域分析以及非线性分析，并分别计算EMG特征参数与HRV特征参数的相关系数，寻找显著关联参数对，然后利用PCA主成分分析去除冗余信息，得到特征向量作为后续模式识别的输入，从而进行运动能力的判别，下面对各个步骤进行详细描述：

101：同步采集EMG、ECG信号；对ECG信号进行R波峰值识别得到HRV信号，再分别对各信号进行时域分析、频域分析以及非线性分析；

肌电信号包含大量的人体运动信息，经过分析处理后，可对人体运动能力进行分析。心率变异即逐次窦性心跳间期之间的微小涨落，直接受自主神经系统中的交感神经和副交感神经的双重支配。肌肉泵作用的变化会影响心血管功能，而心率变异性能很好的反应心血管功能变化。

在本方法中，由于该两个参数测量方法成熟，与其他生理参数相比能够分别从心血管系统与肌肉系统两大方面更准确、敏感、全面的反应人体运动状况，所以采用这两种生理参数有效融合来进行人体运动能力分析在实际应用中具有优越性。

提取分析的目标肌肉肌电信号参数包括时域参数、频域参数与非线性参数。

时域参数包括积分肌电值、均方根值。频域参数包括平均功率频率、中值频率等。

积分肌电值(Integral electromyography，IEMG)

$\mathrm{IEMG}={\∫}_t^{t+T}\left|\mathrm{EMG}\left(t\right)\right|\mathrm{dt}---\left(1\right)$

IEMG是指所得肌电信号经过全波整流后单位时间内曲线下面积的综合，它可以反映肌电信号随时间进行的强弱变化。肌电积分用于分析肌肉在单位时间内的收缩特性。

均方根(root mean square，RMS)

${\mathrm{EMG}}_{\mathrm{rms}}=\sqrt{\frac{1}{T}{\∫}_t^{t+T}{\mathrm{EMG}}^2\left(t\right)\mathrm{dt}}---\left(2\right)$

RMS表示肌电信号振幅大小的指标，即可评价信号的强度。

频谱参数包括中值频率、功率谱密度、平均功率频率等；

平均功率频率(mean power frequency，MPF)

$\mathrm{MPF}=\frac{{\∫}_0^{\∞}f\×S\left(f\right)\mathrm{df}}{{\∫}_0^{\∞}S\left(f\right)\mathrm{df}}---\left(3\right)$

其中，S(f)是信号功率谱；f为频率。

中值频率(median frequency，MF)

$\mathrm{MDF}=\frac{1}{2}S\left(f\right)={\∫}_0^{\mathrm{MDF}}S\left(f\right)\mathrm{df}={\∫}_{\mathrm{MDF}}^{+\∞}S\left(f\right)\mathrm{df}---\left(4\right)$

中值频率的定义将频谱图均分为两部分相等面积的频率，且此功率左右的频谱面积相等。

非线性参数包括：复杂度、李雅普诺夫指数、关联维度、模糊熵等。

统计分析过程包括对不同运动能力状态下上述参数的对比分析，采用的分析思路为采用配对T检验分析其在不同运动能力状态下的显著性变化及采用单因素方差分析研究时间因素对于参数的影响。

心率变异性参数包括时域波形参数、频谱参数和非线性参数。其中时域波形参数包括心搏间期均值、心搏间期标准差、心搏间期差值的均方根值、相邻RR间期差值>50ms心搏数占总RR间期(相邻两个R波间期)数百分比、心率变异系数等。

正常窦性心搏间期的均值(meanRR)

$\mathrm{meanRR}=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}R{R}_i}{N}---\left(5\right)$

反应心率变异性的整体变化；RR_i为第i个RR间期。

正常窦性心搏间期的标准差(SDNN)

$\mathrm{SDNN}=\sqrt{\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{({\mathrm{RR}}_i-\mathrm{meanRR})}^2}{N}}---\left(6\right)$

反应交感神经核迷走神经的总张力，一般用来描述RR间期的分散特性。

相邻正常窦性心搏间期差值的均方根值(RMSSD)：

$\mathrm{RMSSD}=\sqrt{\frac{\underset{i=1}{\overset{N-1}{\mathrm{\Σ}}}{({\mathrm{RR}}_{i+1}-{\mathrm{RR}}_i)}^2}{N-1}},---\left(7\right)$

反映心率变速变化的程度；RR_i+1为第i+1个RR间期。

相邻RR间期差值>50ms的心搏数占总RR间期数的百分比(PNN50)：反映了心律间期突然改变的情况。

心率变异系数(CV)：是测定正常心搏间期变化的大小及快慢，反应窦房结自律性受自主神经(迷走神经、交感神经)系统的调节作用。

心率变异性的时域分析虽然方便，但该分析的灵敏性较差，无法准确地反映出交感神经系统和副交感神经系统的活动情况，而频域分析在这方面具有优势。

频域参数包括RR间期总功率谱、极低频功率、低频功率、高频功率、低频和高频功率比值等。

频域分析就是将RR间期的变化转为频谱计算功率谱密度(Power Spectral Density，PSD)，即将心率变化信号分解为不同频率成分，并将其相对强度定量为功率，提供各种频率成分的功率谱测定。

人类的心率变异性功率谱范围一般是0-0.4Hz，频谱成分和频段划分如下：

TF：总功率，频率范围≤0.4Hz；

VLF：极低频功率，频率范围≤0.04Hz。产生机理尚不清楚，可能与血容量状态、心泵功能、肾素-血管紧张素系统的活动水平等因素的变化对心率的影响有关。

LF：低频功率，频率范围0.04Hz-0.15Hz，主要反映交感神经兴奋性。

HF：高频功率，频率范围0.15Hz-0.4Hz，主要反映迷走神经兴奋性。

LH：低频功率和高频功率比值，可以反映交感神经和迷走神经活动的均衡性。

非线性参数包括RR间期的李亚普诺夫指数、排列熵、近似熵等。

102：对肌电参数与心率变异性参数进行联合分析，采用相关分析寻找具有显著性的关联参数对，研究运动能力和心脏负荷情况的关联效应。

相关分析

当一个或几个相互联系的变量取一定数值时，与之相对应的另一变量的值虽然不确定，但它仍按某种规律在一定的范围内变化。变量间的这种相互关系，成为具有不确定性的相关关系。它反映现象之间客观存在的、不严格、不确定的相互依存关系。这种关系不能在个别现象体现其关系的规律性，必须在大量现象中才能体现出来。

相关分析是用一个指标来表明现象间相互依存关系的密切程度。

Pearson简单相关系数用来度量正态分布的定距变量间的线性相关关系，其相关系数定义如下：

$r_{\mathrm{xy}}=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\sqrt{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2}}---\left(8\right)$

其中，x和y分别代表两组数据，长度都为n，和分别是他们的平均值。

Pearson相关系数假设检验t值计算公式：

$t=\frac{\sqrt{n-2}\·r}{\sqrt{1-r^2}}---\left(9\right)$

式中r是相关系数，n是样本观测量数，n-2是自由度。零假设为总体中两个变量间的相关系数为0，当t＞t_0.05(n-2)时，p＜0.05拒绝原假设，说明两个变量间有显著关系。

例如，在模拟失重情况下要求8名被试完成推舱门任务，分别同步记录模拟失重前1天、模拟失重后7天、模拟失重后14天以及模拟失重后28天完成任务时候的右臂肱二头肌的EMG信号以及ECG信号，分别计算不同时间点下EMG信号特征参数(如IEMG)与由ECG信号得到的HRV信号的特征参数(如LF)之间的相关性，得到四个相关系数，若相关系数满足上述假设检验条件，则说明IEMG与LF存在显著关系，为显著性关联参数对，并可继续研究这种显著关系随着模拟失重时间的变化规律。

103：提取EMG特征、HRV特征，以及计算EMG信号积分肌电值、均方根分别与HRV参数的相关系数；

1)EMG特征提取：通过对肌电信号进行时频域分析得到积分肌电值、均方根、平均功率频率、中值频率四个特征参数，分别记为特征向量P1，P2，P3，P4。

2)HRV特征提取：计算总功率(TF)、极低频(VLF)、低频(LF)和高频(HF)的频谱熵，分别记为特征向量P5，P6，P7，P8。

3)EMG信号积分肌电值、均方根分别与HRV参数的相关系数，分别记为特征向量P9，P10，P11，P12，P13，P14，P15，P16。

104：利用PCA主成分分析去除冗余信息，得到特征向量；

各个参数所含的信息之间具有一定的重叠性和相关性，若直接将它们用于模式识别，会造成模型参数的过度拟合而降低分类的准确性和可靠性，且会因为数据量过大而降低分类的速度。因此在模式分类之前，本发明首先利用PCA对得到的特征矩阵进行降维处理。

PCA根据方差最大化原理，用一组线性无关且相互正交的新向量表征原来的数据矩阵的行(或列)，达到压缩变量个数，剔除冗余信息，最大化保存有效信息的目的。原始向量组为(P1，P2，…，P16)，主成分记为(F1，F2，…,Fm)，通常m小于16。则主成分与原始向量组的关系为：

$\left\{\begin{array}{c}F1=a_{11}{P}_1+a_{12}{P}_2+...+a_{116}{P}_{16}\\ F2=a_{21}{P}_1+a_{22}{P}_2+...+a_{216}{P}_{16}\\ .\\ .\\ .\\ \mathrm{Fm}=a_{n1}{P}_1+a_{n2}{P}_2+...+a_{n16}{P}_{16}\end{array}\right.---\left(10\right)$

其中，F1蕴含信息量最多，具有最大方差，F2，…，Fm依次递减。因此主成分分析的过程可以看作是确定权重系数的过程。令P1，P2，…，P16的相关矩阵为R,(a_i1、a_i2…a_i16)则是相关矩阵R的第i个特征向量。

在本发明中，首先对该16个变量进行n次观测，得到的观测数据可用下面的矩阵表示：

其中，P_1i，P_2i，…,P_ni(i＝1，2…,16)为向量PI(I＝1，2…,16)里面所的单个元素。

用PCA进行特征降维的求解过程如下：

1)对原始数据P_n*16进行标准化处理，矩阵中的元素减去所在列的均值，然后除以所在列的标准差，使得每个变量的均值为0，方差为1，得到矩阵P_n*16 ^*。

P_n*16 ^*＝[y_ij]_n*16，i＝1,2,…,n；j＝1,2,…,16.    (12)

$y_{\mathrm{ij}}=[P_{\mathrm{ij}}-\stackrel{\‾}{P_j}]/S_j---\left(13\right)$

其中， $\stackrel{\‾}{P_j}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{\mathrm{ij}},S_j=\sqrt{\frac{1}{n-1}}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{(p_{\mathrm{ij}}-\stackrel{\‾}{P_j})}^2$

2)然后求其协方差矩阵C_16*16，P_n*16 ^*中任两列之间可以计算两变量间的协方差：

$\mathrm{cov}(x,y)=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})---\left(14\right)$

其中，n表示样本数量，x,y分别表示某一个特征。于是得到协方差矩阵：

3)对协方差矩阵C进行特征根分解，得到特征根∧及特征向量U，其中特征向量作为主成分的坐标轴，构成新的矢量空间，每个特征根的大小代表每个主成分蕴含的信息量。

C₁₆＝U_16*16Λ_16*16U_16*16'          (16)

4)求原始数据P在新坐标系中的投影F：

F_n*16＝P_n*16U_16*16          (17)

5)求累积贡献率。每个主成分的特征根大小代表其蕴含信息量的多少。求前k个主成分的累积贡献率。

${\mathrm{pre}}_k=\frac{\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}{\underset{i=1}{\overset{16}{\mathrm{\Σ}}}{\mathrm{\λ}}_i}---\left(18\right)$

其中，λ_i是求出的第i个特征根。

6)选定合适的累积贡献率，使前d个主成分F_n*d作为新的数据，替代原始数据P_n*16进行模式识别。

105：将特征向量作为模式识别的输入，从而进行运动能力的判别。

支持向量机(Support Vector Machine,SVM)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的。

由于样本数据集偏小，特征提取后，使用支持向量机(Support Vector Machine，SVM)分类器对特征进行识别，进行运动能力划分。

用支持向量机做模式识别时，将由PCA去除冗余信息后的特征参数作为训练支持向量机的输入参数，并以运动能力级别为输出，经过训练得到基于EMG、HRV特征参数以及EMG与HRV两者特征的相关系数的运动能力判别模型，从而达到运动能力划分的目的。

本发明的主旨是提出一种基于EMG，HRV以及两者特征的相关系数的多生理参数联合分析的人体运动能力判别方法，通过计算EMG与HRV参数的相关系数，并与所提取的EMG，HRV信号的特征参数融合作为特征矩阵，继而利用PCA主成分分析去除冗余信息，从而准确、客观、简便的进行人体运动能力判别。该项发明可有效地提高人体运动能力判别系统准确性和简便性，加深对于运动能力和心脏负荷情况的关联效应的研究。进而在航天领域的飞行训练、航天控制、着陆返回等阶段制定相应的防护训练任务，提高航天员在外太空的适应能力，减缓飞行中微重力的不利影响，提升航天任务的有效执行性；获得可观的社会效益和经济效益。最佳实施方案拟采用专利转让、技术合作或产品开发。由于该技术操作简单，敏感性强，基于该技术开发的产品还可应用于人体运动能力监测、运动科研等多种场景等。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于神经电生理信号联合分析的人体运动能力判别方法，其特征在于，所述人体运动能力判别方法包括以下步骤：

同步采集EMG、ECG信号；对ECG信号进行R波峰值识别得到HRV信号，再分别对各信号进行时域分析、频域分析以及非线性分析；

对肌电参数与心率变异性参数进行联合分析，采用相关分析寻找具有显著性的关联参数对，研究运动能力和心脏负荷情况的关联效应；

提取EMG特征、HRV特征，以及计算EMG信号积分肌电值、均方根分别与HRV参数的相关系数；

利用PCA主成分分析去除冗余信息，得到特征向量；

将特征向量作为模式识别的输入，从而进行运动能力的判别。

2.根据权利要求1所述的一种基于神经电生理信号联合分析的人体运动能力判别方法，其特征在于，所述提取EMG特征、HRV特征，以及计算EMG信号积分肌电值、均方根分别与HRV参数的相关系数具体为：

1)EMG特征提取：通过对肌电信号进行时频域分析得到积分肌电值、均方根、平均功率频率、中值频率四个特征参数，分别记为特征向量P1，P2，P3，P4；

2)HRV特征提取：计算总功率、极低频、低频和高频的频谱熵，分别记为特征向量P5，P6，P7，P8；

3)EMG信号积分肌电值、均方根分别与HRV参数的相关系数，分别记为特征向量P9，P10，P11，P12，P13，P14，P15，P16。

3.根据权利要求1所述的一种基于神经电生理信号联合分析的人体运动能力判别方法，其特征在于，所述利用PCA主成分分析去除冗余信息，得到特征向量的步骤具体为：

对原始数据P_n*16进行标准化处理，得到矩阵P_n*16 ^*；然后求其协方差矩阵C_16*16；

对协方差矩阵进行特征根分解，得到特征根∧及特征向量U，其中特征向量作为主成分的坐标轴，构成新的矢量空间，每个特征根的大小代表每个主成分蕴含的信息量；

求原始数据在新坐标系中的投影F；

求累积贡献率；每个主成分的特征根大小代表其蕴含信息量的多少；

选定合适的累积贡献率，使前d个主成分F_n*d作为新的数据，替代原始数据P_n*16进行模式识别。