CN111563581A - 一种基于小波相干的脑肌功能网络构建方法 - Google Patents

Abstract

本发明涉及一种基于小波相干的脑肌功能网络构建方法。在人体运动过程中，大脑皮层通过脊髓和周围神经控制肌肉组织的运动，使得肢体可以完成一定的运动功能，而肢体的运动又可以通过传入神经反馈给大脑皮层。脑肌电功能耦合可以从生理上反映皮层与肌肉之间的关系。为了更好的探索人体行为感知，应用脑电与肌电信号研究运动过程中不同通道信号之间的脑肌功能耦合强度，并以此作为复杂网络加权边的值，构建脑肌功能网络。将两两信号之间的小波相干值作为脑肌功能耦合强度，同时为了增大不同动作网络模型的差异，应用阈值法和固定加权边法简化网络模型。实验结果证明，构建的脑肌功能网络具有小世界特性，应用网络特征，可对人体行为动作进行识别。

Description

一种基于小波相干的脑肌功能网络构建方法

技术领域

本发明属于信号处理领域，涉及一种基于小波相干的脑肌功能网络的构建方法。

背景技术

脑电信号(EEG)与表面肌电信号(sEMG)分别是大脑活动与肌肉活动产生的一种非线性、非平稳信号。EEG广泛应用于神经系统疾病、脑机接口、运动想象等领域。而sEMG广泛应用于康复训练、医学传感器、机械控制等领域。

在人类自主运动过程中，除了大脑不同区域间的协同作用外，运动皮层、大脑体感皮层和运动肌肉组织的神经细胞之间也会自动发生同步。大脑皮层、运动神经和肌肉组织之间的相互作用构成了脑肌功能耦合(CMC)。近年来，越来越多的研究者对脑电、肌电的耦合分析进行了研究。研究脑肌电耦合的方法主要有相干性分析、相位同步指标、广义同步指标、格兰杰因果关系以及信息理论等。在这些方法中，相干分析是应用最广泛的。

复杂网络理论在脑电信号的研究中得到了广泛的应用，尤其是脑功能网络的研究已经有二十多年的历史。网络的拓扑性质指的是在复杂网络中不体现具体的节点位置与连接情况就能呈现的特征。近些年来，伴随着脑影像功能网络的研究深入，许多测度指标被设定来衡量网络整体或者局部特征。这些测度中最主要的有：度、特征路径长度、聚类系数等。而常见的网络模型有随机网络、规则网络、小世界网络和无标度网络。在大部分真实网络具有小世界特性、大型网络具有无标度特性这两个发现得到验证后，脑功能网络进入了快速发展时期。脑功能网络被广泛应用于不同脑功能或功能障碍的脑科学研究。

发明内容

本发明涉及一种基于小波相干的脑肌功能网络的构建方法。首先，选取合适的脑电信号与肌电信号，然后计算脑电信号与肌电信号两两通道之间的小波相干值，以此作为复杂网络的加权边值，得到相应的邻接矩阵。接着将得到的邻接矩阵分为三部分，EEG-EEG、EMG-EMG、EEG-EMG，将三个部分的小波相干值分别归一化，得到归一化邻接矩阵。最后运用阈值法去除归一化邻接矩阵中较弱的加权边，即将邻接矩阵中较弱的边置为零。由此得到的邻接矩阵即为简化后的脑肌功能网络。实验过程中，我们将两两信号之间的小波相干值作为脑肌功能耦合强度，同时为了增大不同动作网络模型的差异，我们分别应用阈值法简化网络模型。最终的实验结果证明，我们构建的脑肌功能网络具有小世界特性，应用网络特征，可对人体行为动作进行识别。

为了实现以上目的，本发明方法主要包括以下步骤：

步骤(1).首先选取与屈腕、伸腕、握拳三个行为动作紧密相关的8通道脑电信号与4通道肌电信号并进行预处理，8通道脑电信号为C1、C2、C3、C4、C5、FC1、FC3、CP1，4通道肌电信号采集自尺侧伸腕肌、桡侧屈腕肌、屈指浅肌、伸指肌四块肌肉；

步骤(2).计算步骤(1)中脑电信号与肌电信号两两通道之间的小波相干值，以此作为复杂网络的加权边值，得到相应的邻接矩阵；

步骤(3).将步骤(2)得到的邻接矩阵分为三部分，EEG-EEG、EMG-EMG、EEG-EMG，将三个部分的小波相干值分别归一化，得到归一化邻接矩阵；

步骤(4).运用阈值法去除归一化邻接矩阵中较弱的加权边，即将邻接矩阵中较弱的边置为零。由此得到的邻接矩阵即为简化后的脑肌功能网络；

所述的小波相干值计算方法具体如下：

1)定义信号x的CWT的范数平方为小波能量，即

WP_x(t,f)＝||CWT_x(t,f)||²

WP是时间t与小波中心频率f的函数，CWT为连续小波变换；

2)信号x与y的交叉小波变换定义如下：

3)与传统的相干性估计类似，我们将小波相干值进行平滑。基于时间轴的平滑函数定义如下：

λ＝t/a，c₁为归一化常数，∧为卷积运算。基于尺度轴的平滑函数定义如下：

S_scale(CWT_x(t,f))＝CWT_x(t,f)∧c₂Π(0.6a)

c₂为归一化常数，Π为矩形函数。矩形函数的长度是由尺度去相关决定的。

实验时我们设定为0.6。

4)小波相干的定义如下：

a^-1为尺度的逆，用于归一化XWT。Schwartz不等式确保WC_xy∈[0,1]。

平滑过程S定义如下：

S(w)＝S_scale[S_time(W)]

本发明与已有的诸多肌电信号的消噪算法相比，具有如下特点：

本发明将肌电信号与脑电信号同时加入复杂网络，构建皮层肌肉功能网络，应用复杂网络理论的数学方法对构建网络进行研究，通过与规则网络、随机网络的对比验证了所构建网络的小世界特性，并提取网络特征成功对不同行为动作进行分类，这说明大脑皮层与肌肉组织之间确实存在信息交互，并且以所构建的网络探索更加高效的基于脑肌电信号的人体行为感知方法是可行的。

附图说明

图1为本发明的实施流程图；

图2为本发明实施例中不同行为动作不同频段构建的皮层肌肉功能网络邻接矩阵图；

图3为本发明实施例中加权聚类系数与加权特征路径长度随阈值的变化曲线；

图4为本发明实施例中网络模型图；

图5为本发明实施例中规则网络、应用阈值法简化得到的脑肌功能网络、随机网络的对比；

图6为本发明实施例中特征散点图(左为阈值法所得，右为固定加权边法所得)。

具体实施方式

下面结合附图对本发明的实施例作详细说明：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，但本发明的保护范围不限于下述的实施例。

如图1所示，本实施例包括如下步骤：

步骤一，首先选取与屈腕、伸腕、握拳三个行为动作紧密相关的8通道脑电信号与4通道肌电信号并进行预处理，8通道脑电信号为C1、C2、C3、C4、C5、FC1、FC3、CP1，4通道肌电信号采集自尺侧伸腕肌、桡侧屈腕肌、屈指浅肌、伸指肌四块肌肉。

计算脑电信号与肌电信号两两通道之间的小波相干值，以此作为复杂网络的加权边值，得到相应的邻接矩阵。分别归一化EEG-EEG、EMG-EMG、EEG-EMG三个部分的小波相干值，得到归一化邻接矩阵。图2为不同行为动作不同频段构建的皮层肌肉功能网络邻接矩阵图。

步骤二，运用阈值法去除归一化邻接矩阵中较弱的加权边，即将邻接矩阵中较弱的边置为零。由此得到的邻接矩阵即为简化后的脑肌功能网络。如图3为加权聚类系数与加权特征路径长度随阈值的变化曲线。图4为构建脑肌功能网络后的网络模型示意图。

步骤三，在得到了简化后的脑肌功能网络之后，验证其小世界特性。将脑肌功能网络、规则网络、随机网络的平均加权聚类系数、平均加权特征路径进行比较。小世界网络具有较高的聚类系数和较小的特征路径长度。图5为规则网络、应用阈值法简化得到的脑肌功能网络、随机网络的对比。

步骤四，将脑肌功能网络的加权聚类系数和加权特征路径长度作为特征来识别屈腕、伸腕、握拳这三种行为动作。表1给出了应用Fisher线性判别作为分类器时不同简化网络模型方法下每两个动作的识别率。可以发现，应用经阈值法简化的皮层肌肉功能网络进行动作分类具有较高的精度。图6为特征散点图。

表1应用Fisher线性判别作为分类器时不同简化模型方法下的识别率

Claims (2)

1.一种基于小波相干的脑肌功能网络构建方法，其特征在于，该方法包括如下步骤：

步骤(1).首先选取与屈腕、伸腕、握拳三个行为动作紧密相关的8通道脑电信号与4通道肌电信号并进行预处理，8通道脑电信号为C1、C2、C3、C4、C5、FC1、FC3、CP1，4通道肌电信号分别采集自尺侧伸腕肌、桡侧屈腕肌、屈指浅肌、伸指肌四块肌肉；

步骤(2).计算步骤(1)中脑电信号与肌电信号两两通道之间的小波相干值，以此作为复杂网络的加权边值，得到相应的邻接矩阵；

步骤(3).将步骤(2)得到的邻接矩阵分为三部分，脑电与脑电信号之间、肌电与肌电信号之间、脑电与肌电信号之间，将三个部分的小波相干值分别归一化，得到归一化邻接矩阵；

步骤(4).运用阈值法去除归一化邻接矩阵中较弱的加权边，即将邻接矩阵中较弱的边置为零；由此得到的邻接矩阵即为简化后的脑肌功能网络。

2.根据权利要求1所述的一种基于小波相干的脑肌功能网络构建方法，其特征在于，所述的小波相干值计算方法具体如下：

1)定义信号x的CWT的范数平方为小波能量，即

WP_x(t,f)＝||CWT_x(t,f)||²

WP是时间t与小波中心频率f的函数，CWT为连续小波变换；

2)信号x与y的交叉小波变换定义如下：

3)与传统的相干性估计类似，将小波相干值进行平滑；基于时间轴的平滑函数定义如下：

λ＝t/a，c₁为归一化常数，∧为卷积运算；基于尺度轴的平滑函数定义如下：

S_scale(CWT_x(t,f))＝CWT_x(t,f)∧c₂Π(0.6a)

c₂为归一化常数，Π为矩形函数；矩形函数的长度是由尺度去相关决定的；

4)小波相干的定义如下：

a^-1为尺度的逆，用于归一化XWT；Schwartz不等式确保WC_xy∈[0,1]；平滑过程S定义如下：

S(w)＝S_scale[S_time(W)]。

Images