CN112232301A - 基于多尺度Copula互信息的肌间耦合网络分析方法 - Google Patents

基于多尺度Copula互信息的肌间耦合网络分析方法 Download PDF

Info

Publication number
CN112232301A
CN112232301A CN202011278653.8A CN202011278653A CN112232301A CN 112232301 A CN112232301 A CN 112232301A CN 202011278653 A CN202011278653 A CN 202011278653A CN 112232301 A CN112232301 A CN 112232301A
Authority
CN
China
Prior art keywords
copula
network
mutual information
inter
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.)
Pending
Application number
CN202011278653.8A
Other languages
English (en)
Inventor
佘青山
吴亚婷
席旭刚
马玉良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Dianzi University
Original Assignee
Hangzhou Dianzi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Dianzi University filed Critical Hangzhou Dianzi University
Priority to CN202011278653.8A priority Critical patent/CN112232301A/zh
Publication of CN112232301A publication Critical patent/CN112232301A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00Aspects of pattern recognition specially adapted for signal processing
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Signal Processing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明提出了一种基于多尺度Copula互信息的肌间耦合网络分析方法。本发明将多元变分模态分解(MVMD)与Copula互信息相结合,构建了基于MVMD‑Copula互信息的肌间耦合网络模型,从复杂网络的角度,通过节点强度、聚类系数、路径长度等网络参数分析了伸手运动过程中上肢8块肌肉在不同时频尺度上的肌间耦合特性。实验结果表明,在分解出的6个时频尺度上,肌间耦合特性存在明显区别。上述结果体现了肌间耦合网络具有尺度差异性,MVMD‑Copula互信息能够定量刻画多尺度肌间耦合强度关系,具有良好的应用前景。

Description

基于多尺度Copula互信息的肌间耦合网络分析方法
技术领域
本发明属于神经系统运动控制机制研究领域,涉及多元变分模态分解,Copula互信息的计算,复杂网络中节点强度、聚类系数、特征路径的计算,从而进行肌间耦合网络分析。
背景技术
肌间耦合的概念来源于皮层肌肉功能耦合研究,指的是运动过程中肌肉间的相互作用,研究sEMG信号间的耦合信息不仅可以反映中枢神经系统(central nervous system,CNS)的不同运动控制策略和肌肉的运动功能状态,还能够实现肌电信号解码,探索内在的运动功能控制机制。
近年来,有研究表明肌间耦合存在频段显著特征,基于该特性有学者提出将小波分解、经验模态分解(empirical mode decomposition,EMD)等时频分解方法引入到肌间耦合分析之中,以侦测不同时频尺度下的肌间耦合特性。然而,小波分解受其小波基的约束缺乏自适应能力,EMD在处理信号时易受噪声影响,并且分解的模态之间混叠现象严重。为了改进上述问题,最近,Rehman提出了多元变分模态分解(multivariate variational modedecomposition,MVMD),能有效解决尺度混合问题,同时实现对多个信号进行频率分解,可将随机信号分解为多个窄带分量,各分量包含原信号在不同时-频尺度上的特征,抗噪能力强、辨识精度高,因此MVMD可以为多元随机变量尺度分解提供新的算法。
复杂网络理论的发展为研究功能网络中信息的处理和流动奠定了基础,可以实现多通道肌电信号间的耦合分析,从整体角度分析肌间运动机制。现有的肌间耦合分析方法主要有皮尔逊相关系数、格兰杰因果、相干性等,Tjeerd等利用相干性对十块腿部肌肉的sEMG信号进行了连接性分析,以提取肌肉网络,使用聚类系数、全局效应、中心性等网络参数来评估肌肉协同作用。Kerkman等利用偏定向相干性结合骨骼系统建立全身肌肉功能网络,分析了不同站立姿势动作下全身肌肉之间的耦合特性。陈玲玲等通过相关系数度量肌间关联性,将复杂网络应用到外骨骼机器人研究中,构建及分析搬运过程中上肢肌间功能网络。然而,由于sEMG信号具有非线性、非平稳特点,上述肌间耦合分析方法更多的是在分析两两通道之间的线性关联性,存在一定的局限性。互信息(mutual information,MI)是信息论里一种有用的信息度量,可以看成一个随机变量中包含的关于另一个随机变量的信息量,即两个随机变量之间的依赖程度。互信息广泛应用于非线性系统,因此许多研究人员考虑采用此方法研究脑肌电信号的非线性耦合特征。但传统的互信息估算方法需要联合概率密度函数的精确表示,现有的联合概率密度函数估计方法存在估计精度低,依赖模型假设,要求变量个数少、样本量充足等问题,所以互信息的估计往往十分困难。Ma等根据Sklar定理推导出互信息与Copula熵之间具有等价关系,这为估计互信息提供了一条新的思路。
发明内容
针对传统肌间耦合分析方法,分析尺度单一、非线性关系描述不够准确,本发明的目的在于提供一种可有效得到上肢肌间耦合网络特性的分析方法。
为了准确定量描述不同时频尺度下肌间网络的功能耦合情况,本发明提出了将多元变分模态分解和Copula互信息相结合的多尺度肌间耦合网络分析方法。
本发明首先通过MVMD多尺度分解提取不同时频尺度下sEMG信号的模态分量,然后利用Copula互信息度量不同模态上肌间耦合强度,进一步基于复杂网络理论搭建肌间耦合网络,最后选取节点强度、聚类系数等网络参数分析不同尺度下肌间耦合特性,为解码肌电信号以及探索潜在的CNS神经运动控制机制提供新的参考依据。
为实现上述目的,本发明方法主要包括以下步骤:
步骤(1),多通道表面肌电信号的同步采集与预处理;
具体为:同步采集受试者惯用手在做伸手及物运动时多通道肌电信号,并通过带通滤波用于肌间耦合分析;
步骤(2),对预处理后的数据进行多元变分模态分解;
具体为:MVMD算法需要预先设定分解模态个数k,本发明通过MEMD分解获得的IMF模态数目作为参考,结合中心频率观察法,确定MVMD的预设模态数目。MVMD的主要思想是从包含c个输入通道数据xc(t)中提取预定义的k个尺度分量uk(t),满足i)提取分量的带宽之和最小;ii)各IMF分量之和等于输入信号。
步骤(3),肌间耦合网络的搭建;
具体为:在肌间耦合网络中,通常选取肌肉通道作为网络节点。对于网络连边的建立,本发明选用Copula互信息度量节点间关联性,得到邻接矩阵A。
互信息MI与Copula熵存在以下关系:
MI(X,Y)=-Hc(FX(x),FY(y)) (1)
其中,FX(x)和FY(y)分别为变量X和Y的累积分布函数,Hc(FX(x),FY(y))为变量X和Y的Copula熵,由式(1)得到的互信息称为Copula互信息,估计它的关键在于Copula函数的选择。
为了更准确地描述随机变量之间的关联性,首先需要确定数据的边际分布类型,然后选择合适的Copula函数来连接边际分布。现有的Copula函数主要有椭圆Copula和阿基米德Copula,其中椭圆Copula包括Gaussian Copula和t Copula,阿基米德Copula包括Clayton Copula,Frank Copula和Gumbel Copula。不同的Copula函数形式不同,对Copula互信息的估计准确性会有影响。因此,本发明采用非参数核密度估计法估计各模态分量的边际分布,根据最大似然函数原则从上述5种Copula中选择最佳的Copula函数去估计两两通道之间的Copula互信息,以此作为肌间耦合网络的连接权值。
考虑到肌间耦合网络的代数连通性,避免孤立节点的存在,本发明运用图论中拉普拉斯矩阵的第二小特征值λmin准则,取max(A)的10%~90%递增值作为阈值,计算对应的拉普拉斯矩阵的第二小特征值λmin,取λmin为零时的前一个阈值作为网络的最佳阈值TH。如果MIij≥TH,则Aij=MIij,反之,Aij=0,i、j表示通道索引。
步骤(4),计算肌间耦合网络的网络参数;
具体为:本发明选用了复杂网络中的节点强度、聚类系数和特征路径长度3种网络参数,从网络角度和节点角度分析肌间耦合特性。
⑴节点强度
在加权网络的情况下,节点强度s等于连接到某节点的所有边的权值的平均,
Figure BDA0002779996760000041
其中,M是节点数,wij是节点i,j间的权值。节点强度既考虑了网络的连通性,也考虑了边的权重,并且取值在[0,1]。节点强度越大,体现该节点构建和维系有效信息的作用越关键。
网络强度SN的定义为节点强度的平均值,
Figure BDA0002779996760000051
网络强度取值在[0,1]范围内,网络强度越大,表明各通道之间关联性越强,反之,网络各通道间相互的关联性较弱。
⑵聚类系数
节点的聚类系数CC保留了所有连接边的权重信息,
Figure BDA0002779996760000052
它是用来描述一个网络中的节点之间集结成团的程度的系数。具体来说,节点聚类系数越大,与其他节点之间相互连接的程度越高。
网络的聚类系数CCN是所有节点的聚类系数的平均值,
Figure BDA0002779996760000053
网络的聚类系数越高,表明网络的连通性越好。
⑶特征路径长度
最短路径长度dij描述了连接一对节点所需最少的“步骤”数量,节点之间通常可能有多个最短路径长度,而特征路径长度pl是指某节点所有的最短路径长度的平均值,
Figure BDA0002779996760000054
其中,dij可根据Dijikstra算法确定。特征路径长度越小,表明节点的信息传输速度越快。
网络的特征路径长度PLN定义为节点特征路径长度的平均值,
Figure BDA0002779996760000055
网络的特征路径长度越短,表明网络的信息传输速度越快,反之,网络传输信息的速度越慢。
步骤(5),采用步骤(3)建立的网络结构和步骤(4)的网络参数计算结果进行不同尺度上的肌间耦合特征的分析。
本发明与传统的肌肉耦合分析方法相比,具有如下优点:
传统的分析方法在尺度上探索肌间耦合时多为单个通道的分解,分解结果模态混叠现象严重,且在分析时未从整体网络角度分析。针对该问题,本发明建立了基于MVMD-Copula互信息肌间耦合网络分析方法,定量描述上肢运动中相关肌电信号在不同尺度上的肌间耦合关系,这为探索运动过程中肌电的耦合特征及中枢神经系统的运动控制机制提供新方法。
附图说明
图1为本发明方法的流程图;
图2为受试者S1肌电信号的MVMD时频分解结果;
图3为TB各模态分量的概率分布,(a)为边际概率密度函数曲线(b)为累计概率分布函数曲线;
图4为受试者S1肌间网络连边权值的计算过程;
图5为受试者各IMF尺度分量下的肌间耦合网络;
图6为各IMF模态分量下的网络节点参数计算结果;
图7为各IMF模态分量下的肌间耦合网络特性,其中(a)为网络强度;(b)为网络聚类系数;(c)为网络特征路径。
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案和具体的操作过程。
表面肌电信号(surface Electromyographic,sEMG)是众多肌纤维中运动单元动作电位(motor unit action potentials,MUAP)在时间和空间上的叠加。研究sEMG信号间的耦合信息不仅可以反映运动中枢神经系统的不同运动控制策略和肌肉的运动功能状态,还能够实现肌电信号解码,探索内在的运动功能控制机制。
本发明将多元变分模态分解和Copula互信息相结合,如图1所示,本发明的实施主要包括六个步骤:(1)多通道表面肌电信号同步采集;(2)预处理;(3)对预处理后的肌电信号进行多元变分模态分解;(4)计算Copula互信息;(5)确定阈值搭建肌间网络;(6)计算网络参数,分析肌间耦合特性。
下面逐一对各步骤进行详细说明。
步骤一:多通道表面肌电信号同步采集
具体为:在表面肌电采集仪的监控下,同步采集上肢上斜方肌(Upper Trapezius,UT)、前三角肌(Anterior Deltoid,AD)、内侧三角肌(Medial Deltoid,MD)、后三角肌(Posterior Deltoid,PD)、胸大肌(Pectoralis Major,PM)、冈下肌(Infraspinatus,IN)、肱二头肌(Biceps,BB)、肱三头肌(Triceps,TB)上的8通道sEMG信号,采样频率为2000Hz。
步骤二:预处理
具体为:首先通过重采样的方式维持信号时长在2.5s,然后进行去均值、去除基线漂移,同时利用IIR陷波滤波器抑制50Hz工频干扰,最后采用4阶巴特沃斯带通滤波器进行5~200Hz带通滤波。
步骤三:对预处理后的肌电信号进行多元变分模态分解
多元变分模态分解(MVMD)是一种自适应分解方法,利用迭代更新的方式求取变分模态的最优解,是变分模态分解(VMD)在多元空间中的一种扩展。MVMD的主要思想是从包含c个输入通道数据xc(t)中提取预定义的k个尺度分量uk(t),满足i)提取分量的带宽之和最小;ii)各IMF分量之和等于输入信号。
为了达到上述要求,MVMD的基本步骤如下:
①首先利用希尔伯特变换得到调制振荡向量uk(t)的解析表示
Figure BDA0002779996760000081
然后通过单频率分量ωk移动所有尺度
Figure BDA0002779996760000082
的单边频谱,使得每个分量的频谱被调制到对应的中心频率ωk上,最后求偏导并取Frobenius 2范数的平方,由此产生MVMD的代价函数f,受约束的变分模型表达式为
Figure BDA0002779996760000083
其中,
Figure BDA0002779996760000084
表示对应于通道c的第k个模式的解析表示。
②基于上述模型,对应的增广拉格朗日函数表达式为
Figure BDA0002779996760000085
其中,α为惩罚因子,用于提高算法的抗噪性能和信号的重构精度。λc为拉格朗日乘子,保证约束条件的严格性。
③为解决上述变分问题,可采用交替方向乘子法(alternate direction methodof multipliers,ADMM)交替更新
Figure BDA0002779996760000086
和λn+1
Figure BDA0002779996760000087
Figure BDA0002779996760000088
Figure BDA0002779996760000089
每个变分模态分量在求解过程中不断迭代,迭代终止条件为
Figure BDA0002779996760000091
其中,误差值e=10-7。当满足上述条件时,停止迭代,输出模态uk和中心频率ωk
图2给出了受试者S1的MVMD时频分解结果。图2(a)是各IMF分量的时域波形,图2(b)是对应IMF分量的频谱,频率分布从高到低依次排列。由图2可见,MEMD自适应地将sEMG信号分解成了6个IMF分量,各模态间基本不混叠。
步骤四:计算Copula互信息
具体为,采用非参数核密度估计法,选用高斯核函数,根据经验法则确定带宽,估计各模态分量的边际分布。图3(a)展示了TB的各模态分量的直方图概率密度分布,图中曲线表示均值为0、方差为1的正态概率密度分布。进一步计算了各模态分量的峰度,发现其峰度值远大于3。sEMG数据的概率密度分布呈尖峰厚尾形状,虽然与高斯分布一起都是对称分布,但是分布情况还是有明显的差异。然后,计算了各模态分量的累计分布函数曲线如图3(b)所示,子图标题为KS检验统计量H值和p值。经KS检验后发现均符合[0,1]均匀分布(p<0.05),满足Copula模型建立的应用前提。最后,本发明比较了5种常见类型的Copula函数:Gaussian Copula、t Copula、Clayton Copula、Frank Copula、Gumbel Copula,选择具有最大似然函数值的Copula函数来估计Copula互信息。
以受试者S1为例,图4展示了各模态下计算两两通道之间Copula互信息的过程,图4(a)的矩阵表示似然函数值对比最大时所对应的Copula函数类型选择结果,其中G表示Gaussian Copula,t表示t Copula,F表示Frank Copula,C表示Clayton Copula,其中Gumbel Copula未被选中。
步骤五:确定阈值搭建肌间网络
考虑到肌间耦合网络的代数连通性,避免孤立节点的存在通过阈值化搭建肌间网络。具体为:引入图论中拉普拉斯矩阵的第二小特征值λmin准则,依次取max(A)的10%~90%作为阈值,计算对应的拉普拉斯矩阵的第二小特征值λmin,当λmin为零时,其前一个阈值将作为网络的最佳阈值TH。如果MIij≥TH,则Aij=MIij,反之,Aij=0,i、j表示通道索引。
图4(b)是在图4(a)的基础上,通过对应的Copula函数估计出的Copula MI邻接矩阵。图4(c)则是按拉普拉斯矩阵特征值法阈值化后的邻接矩阵。接下来,将9名受试者各个尺度分量下阈值化后的邻接矩阵进行平均,抽象成图5所示的网络拓扑结构,节点的大小表示节点强度,边的粗细表示肌间耦合强度的可视化。连线越粗,肌间耦合越强,反之,则越弱。
步骤六:计算网络参数,分析肌间耦合特性
具体为,分别从节点角度和网络角度计算节点强度、聚类系数、特征路径长度,图6为各IMF模态分量下肌间耦合网络中8个肌肉节点的节点强度、聚类系数和路径长度的箱型图,通过对三个参数的综合分析,发现肌间耦合网络下重要性较大的节点为该网络下的关键节点。从箱型图的中位数可以看出,在6个IMF模态分量下,三角肌组AD、MD和PD以及TB均具有较高的节点强度和聚类系数,其中TB的值明显高于其他肌肉。而UT和BB的节点强度明显低于其他肌肉,特别是BB的聚类系数几乎为零,这说明BB可能独立于其他肌肉,与其他肌肉间的连通程度低。从节点的最短路径来看,虽然IMF3~IMF5模态分量上存在大量异常值,但总体上AD、MD、PD和TB的最短路径要低于其他肌肉节点,而BB则恰恰相反。
图7为各IMF尺度分量下的网络强度、网络聚类系数和网络特征路径的箱型图,描述不同中心频率尺度下的网络属性。从箱型图的中位数可以看出,IMF5尺度分量的网络强度和聚类系数要稍高于其他尺度,这说明在IMF5尺度肌间耦合更紧密,连通性更好。总体上,6个尺度特征路径长度是相近的,说明各尺度下肌间网络的信息流通速度相差不大。
本发明基于MVMD-Copula互信息方法,结合节点强度、聚类系数、特征路径网络参数分析健康人做伸手及物运动上肢8块肌肉的肌间耦合强度。在多尺度分解算法的选择上,MVMD获得的模态显示出较少的瞬时频率波动,在噪声鲁棒性以及信号分解方面,表现效果更佳。在计算肌间耦合强度时,使用最优Copula函数来估计互信息,很好地避免了计算联合概率分布,同时,sEMG数据分布呈现尖峰厚尾形状,采用最大似然函数法进行Copula函数类型选择时,发现tCopula比其他Copula系数结构更加灵活,能够更好地描述sEMG信号之间的耦合关系。
在网络分析中,信息感知的关键节点不仅与其所处中心位置有关,还与其他节点信息交流的时间有关,在各个模态下TB是关键节点,表明在该伸手及物运动下TB起了关键的功能性作用,且在各个尺度下TB与MD、PD间的耦合强度都相对较大,这与Israely等利用非负矩阵分解算法提取出的肌肉协同单元具有一定的相似性。BB是非关键节点,这可能体现了在该伸手及物运动下BB功能性作用较弱。MD与AD间的耦合作用在IMF6模态下很强,在IMF5、IMF4关联性又较弱;TB与AD在前三个模态下关联性强,后三个模态下耦合关系不显著。这与Tjeerd等得出的肌肉间存在分层协调运动的结论基本相似,体现了肌间耦合关系在多尺度下是不同步的。通过对多个尺度下肌间网络的网络平均节点强度、网络聚类系数以及网络特征路径长度的分析,IMF5尺度分量各肌肉间关联性最强,网络连通性好,在该运动下对维系肌间信息联系起着关键作用,可能与肌间耦合在低频段具有显著特性相关。
以上所述的实施例仅是对本发明的优选实例方式进行描述,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。

Claims (2)

1.基于多尺度Copula互信息的肌间耦合网络分析方法,其特征在于:该方法包括以下主要步骤:
步骤(1),多通道表面肌电信号的同步采集与预处理;
步骤(2),对预处理后的数据进行多元变分模态分解;
通过多元经验模态分解获得IMF模态数目作为参考,结合中心频率观察法,确定MVMD的预设模态数目;
所述的多元变分模态分解从包含c个输入通道肌电数据xc(t)中提取预定义的k个尺度分量uk(t),满足i)提取分量的带宽之和最小;ii)各IMF分量之和等于输入信号;
步骤(3),肌间耦合网络的搭建;
具体为:在肌间耦合网络中,选取肌肉通道作为网络节点;对于网络连边的建立,选用Copula互信息度量节点间关联性,得到邻接矩阵A;
互信息与Copula熵存在以下关系:
MI(X,Y)=-Hc(FX(x),FY(y))
其中,FX(x)和FY(y)分别为变量X和Y的累积分布函数,Hc(FX(x),FY(y))为变量X和Y的Copula熵,由上式得到的互信息称为Copula互信息,估计它的关键在于Copula函数的选择;
采用非参数核密度估计法估计各模态分量的边际分布,根据最大似然函数原则,从Gaussian Copula、t Copula、Clayton Copula、Frank Copula和Gumbel Copula中选择最佳的Copula函数去估计两两通道之间的Copula互信息,以此作为肌间耦合网络的连接权值;
步骤(4),计算肌间耦合网络的网络参数;
选用了复杂网络中的节点强度、聚类系数和特征路径长度3种网络参数,从网络角度和节点角度分析肌间耦合特性;
步骤(5),采用步骤(3)建立的网络结构和步骤(4)的网络参数计算结果进行不同尺度上的肌间耦合特征的分析。
2.根据权利要求1所述的基于多尺度Copula互信息的肌间耦合网络分析方法,其特征在于:在步骤(3)中考虑到肌间耦合网络的代数连通性,为避免孤立节点的存在,运用图论中拉普拉斯矩阵的第二小特征值λmin准则,取max(A)的10%~90%递增值作为阈值,计算对应的拉普拉斯矩阵的第二小特征值λmin,取λmin为零时的前一个阈值作为网络的最佳阈值TH;如果MIij≥TH,则Aij=MIij,反之,Aij=0,i、j表示通道索引。
CN202011278653.8A 2020-11-16 2020-11-16 基于多尺度Copula互信息的肌间耦合网络分析方法 Pending CN112232301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011278653.8A CN112232301A (zh) 2020-11-16 2020-11-16 基于多尺度Copula互信息的肌间耦合网络分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011278653.8A CN112232301A (zh) 2020-11-16 2020-11-16 基于多尺度Copula互信息的肌间耦合网络分析方法

Publications (1)

Publication Number Publication Date
CN112232301A true CN112232301A (zh) 2021-01-15

Family

ID=74123463

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011278653.8A Pending CN112232301A (zh) 2020-11-16 2020-11-16 基于多尺度Copula互信息的肌间耦合网络分析方法

Country Status (1)

Country Link
CN (1) CN112232301A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112509689A (zh) * 2021-02-08 2021-03-16 杭州电子科技大学 基于时变Copula互信息的肌间耦合分析方法
CN112932508A (zh) * 2021-01-29 2021-06-11 电子科技大学 一种基于手臂肌电网络的手指活动识别系统
CN113343941A (zh) * 2021-07-20 2021-09-03 中国人民大学 一种基于互信息相似度的零样本动作识别方法及系统
CN113558638A (zh) * 2021-07-05 2021-10-29 杭州电子科技大学 基于Vine Copula的脑肌耦合模型构建方法
CN113974652A (zh) * 2021-10-26 2022-01-28 杭州电子科技大学 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法
CN114137832A (zh) * 2021-10-26 2022-03-04 杭州电子科技大学 基于R藤Copula传递熵的多变量因果关系方法
CN114159081A (zh) * 2021-12-13 2022-03-11 杭州电子科技大学 基于时变混合Copula互信息的肌电耦合方法
CN114424937A (zh) * 2022-01-26 2022-05-03 宁波工业互联网研究院有限公司 一种用于下肢外骨骼的人体运动意图识别方法与系统
CN114652331A (zh) * 2022-03-08 2022-06-24 山东大学 一种基于混合现实的精确抓握肌间协调性测试评估系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111708978A (zh) * 2020-07-23 2020-09-25 杭州电子科技大学 多尺度时频肌间耦合分析方法
US20200329988A1 (en) * 2019-04-22 2020-10-22 First Institute of Oceanography, Ministry of Natural Resources Functional network analysis systems and analysis method for complex networks
CN111931606A (zh) * 2020-07-23 2020-11-13 杭州电子科技大学 基于混合Copula互信息的肌间耦合分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200329988A1 (en) * 2019-04-22 2020-10-22 First Institute of Oceanography, Ministry of Natural Resources Functional network analysis systems and analysis method for complex networks
CN111708978A (zh) * 2020-07-23 2020-09-25 杭州电子科技大学 多尺度时频肌间耦合分析方法
CN111931606A (zh) * 2020-07-23 2020-11-13 杭州电子科技大学 基于混合Copula互信息的肌间耦合分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟明等: "基于多元变分模态分解的脑电多域特征提取方法", 《传感技术学报》, pages 853 - 860 *
彭选华等: "《金融风险价值量化分析》", 31 August 2015, 厦门大学出版社, pages: 137 - 139 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112932508A (zh) * 2021-01-29 2021-06-11 电子科技大学 一种基于手臂肌电网络的手指活动识别系统
CN112509689A (zh) * 2021-02-08 2021-03-16 杭州电子科技大学 基于时变Copula互信息的肌间耦合分析方法
CN112509689B (zh) * 2021-02-08 2024-05-17 杭州电子科技大学 基于时变Copula互信息的肌间耦合分析方法
CN113558638A (zh) * 2021-07-05 2021-10-29 杭州电子科技大学 基于Vine Copula的脑肌耦合模型构建方法
CN113343941B (zh) * 2021-07-20 2023-07-25 中国人民大学 一种基于互信息相似度的零样本动作识别方法及系统
CN113343941A (zh) * 2021-07-20 2021-09-03 中国人民大学 一种基于互信息相似度的零样本动作识别方法及系统
CN114137832A (zh) * 2021-10-26 2022-03-04 杭州电子科技大学 基于R藤Copula传递熵的多变量因果关系方法
CN113974652A (zh) * 2021-10-26 2022-01-28 杭州电子科技大学 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法
CN114137832B (zh) * 2021-10-26 2024-03-29 杭州电子科技大学 基于R藤Copula传递熵的多变量因果关系方法
CN113974652B (zh) * 2021-10-26 2024-04-26 杭州电子科技大学 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法
CN114159081A (zh) * 2021-12-13 2022-03-11 杭州电子科技大学 基于时变混合Copula互信息的肌电耦合方法
CN114424937A (zh) * 2022-01-26 2022-05-03 宁波工业互联网研究院有限公司 一种用于下肢外骨骼的人体运动意图识别方法与系统
CN114652331A (zh) * 2022-03-08 2022-06-24 山东大学 一种基于混合现实的精确抓握肌间协调性测试评估系统

Similar Documents

Publication Publication Date Title
CN112232301A (zh) 基于多尺度Copula互信息的肌间耦合网络分析方法
Aqil et al. ECG Signal Denoising by Discrete Wavelet Transform.
CN108874149B (zh) 一种基于表面肌电信号连续估计人体关节角度的方法
CN107126193B (zh) 基于滞后阶数自适应选择的多变量因果关系分析方法
CN109674445B (zh) 一种结合非负矩阵分解和复杂网络的肌间耦合分析方法
CN112130668B (zh) 一种R藤Copula互信息的肌间耦合分析方法
Castillo et al. Efficient wavelet-based ECG processing for single-lead FHR extraction
Chawla A comparative analysis of principal component and independent component techniques for electrocardiograms
Yan et al. Self-adaptive model-based ECG denoising using features extracted by mean shift algorithm
CN102622605A (zh) 一种表面肌电信号的特征提取及动作模式识别方法
CN108742613A (zh) 基于传递熵与广义偏定向相干性的肌间耦合分析方法
CN113229831B (zh) 基于肌电和肌氧信号的运动功能监测管理方法
CN111931129A (zh) 基于高斯Copula传递熵的肌间耦合网络分析方法
CN110638444A (zh) 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法
CN105534517A (zh) 一种去除三导联心电信号中车辆运动噪声的方法
CN111631710B (zh) 一种状态相关的动态脑电信号中肌电伪迹的消除方法
CN112509689A (zh) 基于时变Copula互信息的肌间耦合分析方法
Zhou et al. Optimization of relative parameters in transfer entropy estimation and application to corticomuscular coupling in humans
Wang et al. Sequential Monte Carlo point-process estimation of kinematics from neural spiking activity for brain-machine interfaces
Chu et al. A real-time EMG pattern recognition based on linear-nonlinear feature projection for multifunction myoelectric hand
Phothisonothai et al. EEG-based classification of motor imagery tasks using fractal dimension and neural network for brain-computer interface
CN112307996A (zh) 一种指尖心电身份识别装置及方法
Englehart et al. Single motor unit myoelectric signal analysis with nonstationary data
Li et al. sEMG signal filtering study using synchrosqueezing wavelet transform with differential evolution optimized threshold
Accardi et al. Exotic Laplacians and associated stochastic processes

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