CN111227830B - 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 - Google Patents
一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 Download PDFInfo
- Publication number
- CN111227830B CN111227830B CN202010095062.0A CN202010095062A CN111227830B CN 111227830 B CN111227830 B CN 111227830B CN 202010095062 A CN202010095062 A CN 202010095062A CN 111227830 B CN111227830 B CN 111227830B
- Authority
- CN
- China
- Prior art keywords
- signals
- scale
- electroencephalogram
- brain
- coupling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/389—Electromyography [EMG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7225—Details of analog processing, e.g. isolation amplifier, gain or sensitivity adjustment, filtering, baseline or drift compensation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
Abstract
本发明公开了一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法,包括:采集脑电信号和肌电信号、并对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰;采用复杂改进粗粒化过程对脑电和肌电信号进行频谱分解,分析脑电信号和肌电信号不同时频尺度间的同步特性,定量描述脑肌间非线性耦合和信息传递特征;对脑肌间非线性耦合和信息传递特征进行运动功能分析。本方法利用复杂改进多尺度传递熵分析脑肌电信号信息传递特性,定量描述脑电信号与肌电信号不同时频尺度间非线性耦合及信息传递特征,有助于探索大脑皮层与肌肉之间的功能联系。
Description
技术领域
本发明涉及神经康复工程及运动机制研究领域尤其涉及一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法。
背景技术
目前脑电(electroencephalogram,EEG)和表面肌电(surfaceelectromyographic,sEMG)信号分别包含躯体运动控制信息和肌肉对大脑控制意图的功能响应信息,脑肌间耦合能够反映运动控制系统中大脑与肌肉间不同层面的信息交互及传递,有助于理解运动控制过程及其运动障碍的病理机制。
并且,已有研究表明大脑功能具有复杂的时域和空域的多尺度特性以及较大尺度交互的神经振荡耦合。脑肌电信号间的多尺度耦合信息能够反映多层次的皮层-肌肉功能耦合的连接信息。因此,研究运动控制系统的多尺度特性有助于深入理解中枢神经系统控制人体运动的产生、执行及协调控制机制。
近年来,已有大量的多尺度化方法被提出并应用于神经科学的特征提取。然而,这些方法主要是基于粗粒化过程进行的多尺度化处理,这会导致粗粒化后的数据长度变短从而使得其准确性和精确性降低。
发明内容
根据现有技术存在的问题,本发明公开了一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法,具体包括:
步骤1,采用64通道的eegoTMsports系统和TrignoTM无线肌电系统同步采集脑电信号和肌电信号;
步骤2,对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰;
步骤3,采用复杂改进粗粒化过程对脑电和肌电信号进行频谱分解,分析脑电信号和肌电信号不同时频尺度间的同步特性,定量描述脑肌间非线性耦合和信息传递特征;
步骤4,对脑肌间非线性耦合和信息传递特征进行运动功能分析。
根据本发明的脑肌电耦合特性分析方法,优选地,步骤1中,脑电电极采用国际10-20系统标准,以双耳的乳突作为参考,从32导头皮脑电采集设备记录对应运动的脑电信号;使用美国Delsys公司TrignoTMWireless EMG采集设备,分辨率设为16bit,采样率为1000Hz,电极顺着肌纤维方向,放置在肌腹位置处。
根据本发明的脑肌电耦合特性分析方法,优选地,步骤2中,对脑电信号进行预处理时,利用均值和标准差拒绝异常点,自适应滤波器去50Hz工频,高通滤波器去基线漂移,独立分量分析(ICA)去除EOG信号;对肌电信号选用自适应陷波滤波器去除50Hz工频,采用0.5~150Hz带通滤波器去除直流高频干扰。
根据本发明的脑肌电耦合特性分析方法,优选地,脑肌电信号间的耦合特性的分析方法具体如下:首先经过步骤3,引入复杂改进粗粒化过程,对脑电和肌电信号进行分解获取多尺度的局部子带分量,然后进行步骤4的传递熵计算,从而得到脑肌电信号间各对应子带分量间的耦合强度和方向,进而获取脑肌电间多尺度耦合特性。
由于复杂改进粗粒化不仅能够多层次地划分信号尺度,且通过平移多次计算求取平均值,一定程度上能够减小高尺度估计误差,从而改善时间尺度下统计可靠性下降的问题,因此,本发明将复杂改进粗粒化应用到脑电和肌电信号的分解中。具体而言,分别将脑电信号X和肌电信号Y通过复杂改进粗粒化分解为s个尺度,每个尺度进行k阶粗粒化,信号在尺度为s时k阶粗粒化过程可表示为和可以依据如下公式计算:
传递熵值越大,说明在此尺度上皮层肌肉耦合越强;反之亦然。
由于采用了上述技术方案,本发明提供的一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法,本方法利用复杂改进多尺度传递熵分析脑肌电信号间信息传递特性,定量描述脑电信号与肌电信号尺度间非线性的耦合及信息传递特征,有助于探索大脑皮层与肌肉之间的功能联系,研究运动控制反馈机制及运动障碍病理机制,建立基于脑肌电信号的康复状态评价指标,构建康复机器人运动状态及患者生理状态评价机制,可以获得可观的社会效益和经济效益。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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。
图1为本发明方法的工作流程图。
图2为复杂改进粗粒化过程示意图。
图3为受试者的脑肌电信号改进复杂多尺度传递熵分析结果图。
具体实施方式
为使本发明的技术方案和优点更加清楚,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚完整的描述:
脑电信号和肌电信号十分微弱,具有非线性、非平稳性和频域特性突出等特点。在运动过程中,神经系统与肌肉之间的交互控制机制可以通过脑肌电信号的同步耦合分析体现。复杂改进粗粒化不仅能够多层次地划分信号尺度,且通过平移多次计算求取平均值,一定程度上能够减小高尺度估计误差,从而改善时间尺度下统计可靠性下降的问题;而且传递熵可以刻画信号间非线性的耦合及信息传递特征,本发明通过研究脑肌电间的复杂改进多尺度传递熵分析,获得不同运动状态下大脑皮层与肌肉之间信息传递关系,进而研究运动功能障碍产生的生理机制。
图1示出了根据本发明的肌间耦合特性分析方法的流程图。具体而言,根据本发明的肌间耦合特性分析方法包括如下步骤:
步骤1,采用64通道的eegoTMsports系统和TrignoTM无线肌电系统同步采集脑电信号和肌电信号。
脑电信号采集:脑电电极采用国际标准10-20电极放置标准,通过电极帽实现脑电电极与头皮接触。进行手部静态握力输出运动下脑肌电同步采集实验,选择C3、C4以及CPZ区进行采集,以双耳的乳突作为参考,接地电极布置在头顶正中,从32导头皮脑电采集设备记录对应运动的脑电信号;使用TrignoTMWireless EMG采集设备采集肌电信号,电极顺着肌纤维方向,放置在肌腹位置处。
肌电信号采集:使用TrignoTMWireless EMG设备采集指浅屈肌(flexor digitorumsuperficialis,FDS)处的肌电信号,与脑电采集被通过一个无线同步脉冲触发器进行连接。电极顺着肌纤维方向,放置在肌腹位置处,使用酒精擦拭被测部位的皮肤表面,去除皮肤表面油脂和皮屑,粘贴肌电电极。
实验过程中,要求受试者通过显示器的视觉反馈来维持20%MVC的恒定握力输出。当每组测试开始2s后,受试者进行50s的20%的静态握力输出,最后进行8s的休息。并且,设定受试者完成60s的运动为一个信号周期。
步骤2,利用Matlab软件对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰;
传递熵值越大,说明在此尺度上皮层肌肉耦合越强;反之亦然。
基于上述指标,计算静态握力输出条件下,不同耦合方向上、不同时频尺度间的CMMSTE值,即能够定量描述EEG和EMG间在多时频尺度上的非线性同步耦合特征。
为验证本发明所述的脑肌电信号复杂改进多尺度传递熵分析方法的可行性和有效性,募集16名健康的受试者进行手部静态握力输出实验,受试者相关信息如表1所示。按照本发明所述的脑肌电采集与分析过程,同步采集患者恒力输出运动下脑肌电信号,进行分析并研究受试者运动运动过程中皮层肌肉间的耦合与信息传递机制。
表1受试者相关信息
本次实验采集左手指浅屈肌(flexor digitorum superficialis,FDS)处的肌电信号与对侧C4通道脑电信号,并计算CMMSTE值。
图3为16位受试者脑肌间耦合的复杂改进多尺度传递熵结果示意图。从中可以看出,在静态握力输出过程中皮层肌肉间各时频尺度间的耦合强度存在差异,且其多尺度特征主要集中15-17和19-20尺度,为探究神经功能耦合机制提供了理论研究方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法,其特征在于包括:
采集脑电信号和肌电信号、并对采集到的脑电信号和肌电信号分别去除基线漂移、溢出、眼动和工频干扰;
对脑肌电信号间多尺度耦合特性进行分析:采用复杂改进粗粒化过程对脑电和肌电信号进行频谱分解,分析脑电信号和肌电信号不同时频尺度间的同步特性,定量描述脑肌间非线性耦合和信息传递特征;
对脑肌间非线性耦合和信息传递特征进行运动功能分析;
脑肌电信号间多尺度耦合特性的分析方法具体如下:
其中传递熵值越大则在此尺度上皮层肌肉耦合越强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095062.0A CN111227830B (zh) | 2020-02-14 | 2020-02-14 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010095062.0A CN111227830B (zh) | 2020-02-14 | 2020-02-14 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111227830A CN111227830A (zh) | 2020-06-05 |
CN111227830B true CN111227830B (zh) | 2021-06-29 |
Family
ID=70871968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010095062.0A Active CN111227830B (zh) | 2020-02-14 | 2020-02-14 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111227830B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408712A (zh) * | 2021-07-16 | 2021-09-17 | 杭州电子科技大学 | 基于时延尺度长短期记忆网络与传递熵的脑肌耦合方法 |
CN114052751A (zh) * | 2021-12-22 | 2022-02-18 | 杭州电子科技大学 | 一种基于脑肌电的运动功能皮层肌肉耦合方法 |
CN114259242B (zh) * | 2021-12-27 | 2024-04-12 | 杭州电子科技大学 | 基于多时间尺度传递谱熵的功能性皮质肌肉耦合方法 |
CN115474945B (zh) * | 2022-09-15 | 2024-04-12 | 燕山大学 | 一种面向多通道脑肌电耦合分析的多元全局同步指数方法 |
CN116035597A (zh) * | 2023-02-03 | 2023-05-02 | 首都医科大学宣武医院 | 一种脑电信号耦合分析方法、装置和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286782A1 (en) * | 2011-06-17 | 2015-10-08 | Industrial Technology Research Institute | System, method and recording medium for calculating physiological index |
CN106371610A (zh) * | 2016-09-23 | 2017-02-01 | 重庆金瓯科技发展有限责任公司 | 一种基于脑电信号的驾驶疲劳的检测方法 |
CN106473736A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络的脑电信号分析方法及应用 |
CN106503799A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 |
CN107951496A (zh) * | 2017-11-27 | 2018-04-24 | 新绎健康科技有限公司 | 基于多尺度熵分析心身关联性的方法及系统 |
CA2950616A1 (en) * | 2016-12-05 | 2018-06-05 | Centre For Addiction And Mental Health | Brain temporal complexity in explaining the therapeutic and cognitive effects of seizure therapy |
CN109998527A (zh) * | 2019-04-09 | 2019-07-12 | 湖北工业大学 | 一种基于多尺度熵的心脏疾病检测方法 |
CN110522412A (zh) * | 2019-03-20 | 2019-12-03 | 天津大学 | 基于多尺度脑功能网络分类脑电信号的方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1179704C (zh) * | 2001-07-13 | 2004-12-15 | 天津大学 | 大脑头皮电位信息图形的生成方法 |
WO2017165846A1 (en) * | 2016-03-24 | 2017-09-28 | The Regents Of The University Of California | Method to determine wavefront vector flow-field and vorticity from spatially-distributed recordings |
CN106073702B (zh) * | 2016-05-27 | 2019-05-28 | 燕山大学 | 基于小波-传递熵的多时频尺度间脑肌电耦合分析方法 |
CN106175673B (zh) * | 2016-07-04 | 2019-01-18 | 西安交通大学 | 一种自动识别和提取睡眠脑电中纺锤波的方法 |
CN109144259A (zh) * | 2018-08-23 | 2019-01-04 | 杭州电子科技大学 | 一种基于多尺度排列传递熵的脑区间同步关系分析方法 |
-
2020
- 2020-02-14 CN CN202010095062.0A patent/CN111227830B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150286782A1 (en) * | 2011-06-17 | 2015-10-08 | Industrial Technology Research Institute | System, method and recording medium for calculating physiological index |
CN106371610A (zh) * | 2016-09-23 | 2017-02-01 | 重庆金瓯科技发展有限责任公司 | 一种基于脑电信号的驾驶疲劳的检测方法 |
CN106473736A (zh) * | 2016-10-11 | 2017-03-08 | 天津大学 | 基于复杂网络的脑电信号分析方法及应用 |
CN106503799A (zh) * | 2016-10-11 | 2017-03-15 | 天津大学 | 基于多尺度网络的深度学习模型及在脑状态监测中的应用 |
CA2950616A1 (en) * | 2016-12-05 | 2018-06-05 | Centre For Addiction And Mental Health | Brain temporal complexity in explaining the therapeutic and cognitive effects of seizure therapy |
CN107951496A (zh) * | 2017-11-27 | 2018-04-24 | 新绎健康科技有限公司 | 基于多尺度熵分析心身关联性的方法及系统 |
CN110522412A (zh) * | 2019-03-20 | 2019-12-03 | 天津大学 | 基于多尺度脑功能网络分类脑电信号的方法 |
CN109998527A (zh) * | 2019-04-09 | 2019-07-12 | 湖北工业大学 | 一种基于多尺度熵的心脏疾病检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111227830A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111227830B (zh) | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 | |
CN106073702B (zh) | 基于小波-传递熵的多时频尺度间脑肌电耦合分析方法 | |
CN110238863B (zh) | 基于脑电-肌电信号的下肢康复机器人控制方法及系统 | |
CN111067514B (zh) | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 | |
CN107887031B (zh) | 基于同步筛选的脑区间耦合分析方法 | |
CN110367974B (zh) | 基于变分模态分解-传递熵的脑肌电耦合的研究方法 | |
CN109497999A (zh) | 基于Copula-GC的脑肌电信号时频耦合分析方法 | |
Li et al. | An EEG-based method for detecting drowsy driving state | |
CN108309290A (zh) | 单通道脑电信号中肌电伪迹的自动去除方法 | |
CN107822629B (zh) | 四肢表面肌电轴的检测方法 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
Aydemir et al. | Classifying various EMG and EOG artifacts in EEG signals | |
Djamal et al. | Significant variables extraction of post-stroke EEG signal using wavelet and SOM kohonen | |
CN113261981A (zh) | 一种基于表面肌电信号的上肢痉挛量化评估方法及系统 | |
Samuel et al. | Motor imagery classification of upper limb movements based on spectral domain features of EEG patterns | |
Geng et al. | A fusion algorithm for EEG signal processing based on motor imagery brain-computer interface | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
Feng et al. | A Novel SSA-CCA Framework forMuscle Artifact Removal from Ambulatory EEG | |
Song et al. | A synchronous and multi-domain feature extraction method of EEG and sEMG in power-assist rehabilitation robot | |
Carra et al. | Evaluation of sensorimotor rhythms to control a wheelchair | |
Ji et al. | Stationary wavelet-based two-directional two-dimensional principal component analysis for EMG signal classification | |
CN115299960A (zh) | 基于短时变分模态分解的电信号分解方法及脑电信号分解装置 | |
CN114052750A (zh) | 基于标准模板肌电分解的脑肌信息传递规律提取方法 | |
Qi | Algorithms benchmarking for removing EOG artifacts in brain computer interface | |
Bernardi et al. | A simplified tool for testing of feature selection and classification algorithms in motor imagery of right and left hands of eeg signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |