CN113229831B - 基于肌电和肌氧信号的运动功能监测管理方法 - Google Patents

Abstract

本发明提供一种基于肌电和肌氧信号的运动功能监测管理方法，其包括：同步采集不同动作模式下的多通道肌电和肌氧信号；对肌电及肌氧信号进行预处理；对预处理后的信号进行特征提取；构建多模态特征指间回归分析模型，对特征指标之间进行回归分析，研究两两指标之间的关系；构建基于多模态特征指标间的肌肉‑血管状态监测模型，实现对运功功能的客观描述和精准监测。本发明拓展研究多模态关联及耦合分析方法，从肌肉协同特性、组织血氧代谢及肌肉‑血管的非线性耦合特性等层面，构建有效刻画多层次耦合特性的单模态及跨膜态耦合特征指标，综合描述肌肉‑血管间的多层次信息交互特性，实现运动功能的多层次有效刻画和精准监测管理。

Description

基于肌电和肌氧信号的运动功能监测管理方法

技术领域

本发明涉及肌电与近红外光谱技术领域，具体涉及到一种基于肌电和肌氧信号的运动功能监测管理方法。

背景技术

氧气对人类生命至关重要，人体通过呼吸系统吸入氧气，并通过血液循环系统将氧气输送到全身各个器官，满足人体组织中细胞进行新陈代谢时的氧气需求。人体在运动时，神经电活动的刺激会引起肌肉收缩，而肌肉收缩通常伴随着氧气消耗增加，随着运动时间增加，主要的生理生化响应有：局部肌肉中氧含量发生变化、肌肉神经电活动增强等。因此监测运动过程中肌氧和肌电信号的变化情况，都有助于理解人体的新陈代谢状态和运动功能状态。

目前医学成像技术作为一种运动功能监测手段受到广泛关注，如磁共振成像(magnetic resonance imaging，MRI)、近红外光谱成像(near infrared spectroscopy，NIRS)、肌电图谱等。然而，MRI的实时性、动态追踪性较差，在长程监测应用上存在一定局限。相对于磁共振技术，NIRS技术具有的较高时间分辨率。基于NIRS技术获取肌肉组织的肌氧(Muscle Oxygen Saturation，SmO2)信号，又称肌氧饱和度，测定的是肌肉动脉、静脉、毛细血管中血红蛋白和肌红蛋白携带氧的含量，可以反映神经肌肉系统的功能状态，并用于运动功能监测。而肌电(electromyography，EMG)能从不同层面直接体现运动功能状态，尤其是表面肌电，以其较高时间分辨率，便携无损等优势在运动功能监测中得以应用。由于NIRS信号仅反映了局部肌肉的氧供平衡状况，EMG也只能监测局部肌肉中的神经电活动过程，本发明将NIRS与EMG技术相融合，分析肌肉运动与血氧代谢的变化关系，实现运动功能监测。

目前，基于肌肉组织代谢和表面肌电信号开展的功能监测研究，大都依据能量、频率、复杂性等单一模态特征分析，探究肢体肌肉或血管某一层面的功能变化。研究表明，血液循环系统和神经肌肉系统之间，存在精确的配合和相互调控的肌肉-血管耦合关系。基于肌电-肌氧信号的肌肉-血管耦合分析有助于监测肌肉运动与肌肉组织代谢的变化关系，理解肌肉组织代谢和肌肉电活动的耦合振荡模式，进而实现运动机制研究及功能状态监测。现有肌电-肌氧耦合特征主要是基于肌电特征与肌氧参数的相关性分析，难以体现不同任务下多通道肌电-肌氧间非线性全局耦合特性。

发明内容

为了完善现有运动功能监测方法的不足，本发明提出了一种基于肌电和肌氧信号的运动功能监测管理方法。围绕多模态肌电及及肌氧信号的耦合分析，提取肌-肌耦合、肌氧和肌-肌氧耦合特征指标，实现运动功能的多层次有效刻画和精准监测管理。

本发明的一个方式的一种基于肌电和肌氧信号的运动功能监测管理方法，其包括以下步骤：

步骤1、同步采集不同动作模式下的多通道肌电和肌氧信号；

步骤2、对肌电及肌氧信号分别进行预处理，得到预处理后的肌电信号Y＝{y₁，y₂，…，y_n1}和预处理后的肌氧信号；

步骤3、对预处理后的肌电、肌氧信号进行特征提取，具体步骤为：

步骤31、对肌电单模态信息耦合特性进行分析，得到多通道肌间时频协同特性TFNMF＝{W,C}，其中W为权重矩阵，C为时变系数矩阵，并采用z-score方法对TFNMF进行标准化处理，得到标准化处理后的数据TFNMF^*；

步骤32、对肌氧单模态信息进行分析，得到多通道肌氧频域特征SFF＝{MPF,MF}，其中MPF为平均功率频率，MF为中位频率，并采用z-score方法对SFF进行标准化处理，得到标准化处理后的数据SFF^*；

步骤33、对肌电-肌氧跨模态耦合特性进行分析，得到肌电-肌氧的非线性功能耦合特征MSIF＝{R²}，具体步骤如下：

步骤331、计算多通道肌电信号序列Y＝{y₁，y₂，…，y_n1}中的自排序熵

步骤332、建立非线性动力学模型：

其中，

和

分别代表最大和最小肌电自排序熵值，C是肌氧的浓度变化，C_B为基线浓度，γ是肌氧浓度-肌电熵值关系曲线的斜率；

步骤333、设定

γ初值，将肌氧信号代入非线性动力学模型，得出肌电熵值E＝{e₁,e₂,…,e_n1}；

步骤334、根据建模得到的肌电熵值e_i与计算得到的肌电熵值

计算相关系数R²，R²间接体现了肌电信号复杂度和肌氧浓度变化的相关程度：

其中，

是e_i时间平均；

步骤335、通过获取相关系数R²描述被试肌肉-组织肌氧的非线性功能耦合特征MSIF＝{R²}；

步骤4、基于步骤3获取的多模态特征指标构建多模态特征指间回归分析模型，对特征指标之间进行回归分析，研究两两指标之间的关系；

使用统计量T_i ²作为回归方程的拟合优度检验：

式中，SSR_i为回归平方和，表示估计值与均值的差值平方和，SST_i为离差平方和，表示真实值与均值的差值平方和，i＝1,2,…,6；T_i ²的取值范围为[0,1]，其值越接近1表示拟合效果越好；

步骤5、通过对多模态特征指标间进行回归分析，构建基于多模态特征指标间的肌肉-血管状态监测模型，揭示肌氧代谢和肌肉电活动的耦合振荡模式，实现从功能状态角度对运功功能的描述和监测；

所述肌肉-血管状态监测模型为：

其中，P_i为显著性系数。

进一步地，所述步骤2的具体步骤为：

步骤21、对肌电信号进行预处理：针对肌电信号，进行去除基线漂移、去除50Hz工频及谐波干扰、进行0.5-250Hz的带通滤波、进行全波整流的预处理，得到预处理后的肌电信号Y＝{y₁，y₂，…，y_n1}；

步骤22、对肌氧信号进行预处理：针对肌氧信号，基于自适应滤波器的运动噪声去除算法移除肌氧信号中由于运动造成的干扰成分，得到预处理后的肌氧信号。

进一步地，所述步骤4中，i＝1时，

其求解过程具体为：当指标TFNMF^*为自变量，SFF^*为因变量时回归分析的数学模型为：

SFF^*＝ρ₁+k₁TFNMF^*+ε₁ (8)

式中，SFF^*为被解释变量，TFNMF^*为解释变量，ρ₁和k₁为该模型的未知参数，其中，ρ₁为回归常数，k₁为偏回归系数，ε₁为随机误差。对上式两边求期望得：

E(SFF^*)＝ρ₁+k₁TFNMF^* (9)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₁和k₁进行估计，并使用统计量T₁ ²作为该回归方程的拟合优度检验，T₁ ²定义为：

式中，SSR₁为回归平方和，表示估计值与均值的差值平方和，SST₁为离差平方和，表示真实值与均值的差值平方和。T₁ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间时频协同特性TFNMF^*对肌氧频域特性SFF^*的解释性越好。

进一步地，所述步骤4中，i＝2时，

其求解过程具体为：当指标SFF^*为自变量，TFNMF^*为因变量时回归分析的数学模型为：

TFNMF^*＝ρ₂+k₂SFF^*+ε₂ (11)

式中，TFNMF^*为被解释变量，SFF^*为解释变量，ρ₂和k₂为该模型的未知参数，其中，ρ₂为回归常数，k₂为偏回归系数，ε₂为随机误差。对上式两边求期望得：

E(TFNMF^*)＝ρ₂+k₂SFF^* (12)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₂和k₂进行估计，并使用统计量T₂ ²作为该回归方程的拟合优度检验，T₂ ²定义为：

式中，SSR₂和SST₂分别表示回归平方和，离差平方和。T₂ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌氧频域特性SFF^*对肌间时频协同特性TFNMF^*的解释性越好。

进一步地，所述步骤4中，i＝3时，

其求解过程具体为：当指标TFNMF^*为自变量，MSIF为因变量时回归分析的数学模型为：

MSIF＝ρ₃+k₃TFNMF^*+ε₃ (14)

式中，MSIF为被解释变量，TFNMF^*为解释变量，ρ₃和k₃为该模型的未知参数，其中，ρ₃为回归常数，k₃为偏回归系数，ε₃为随机误差。对上式两边求期望得：

E(MSIF)＝ρ₃+k₃TFNMF^* (15)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₃和k₃进行估计，并使用统计量T₃ ²作为该回归方程的拟合优度检验，T₃ ²定义为：

式中，SSR₃和SST₃分别表示回归平方和，离差平方和。T₃ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间时频协同特性TFNMF^*对肌肉-组织肌氧的非线性功能耦合特征MSIF的解释性越好。

进一步地，所述步骤4中，i＝4时，

其求解过程具体为：当指标MSIF为自变量，TFNMF^*为因变量时回归分析的数学模型为：

TFNMF^*＝ρ₄+k₄MSIF+ε₄ (17)

式中，TFNMF^*为被解释变量，MSIF为解释变量，ρ₄和k₄为该模型的未知参数，其中，ρ₄为回归常数，k₄为偏回归系数，ε₄为随机误差。对上式两边求期望得：

E(TFNMF^*)＝ρ₄+k₄MSIF (18)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₄和k₄进行估计，并使用统计量T₄ ²作为该回归方程的拟合优度检验，T₄ ²定义为：

式中，SSR₄和SST₄分别表示回归平方和，离差平方和。T₄ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉-组织肌氧的非线性功能耦合特征MSIF对肌间时频协同特性TFNMF^*的解释性越好。

进一步地，所述步骤4中，i＝5时，

其求解过程具体为：当指标SFF^*为自变量，MSIF为因变量时回归分析的数学模型为：

MSIF＝ρ₅+k₅SFF^*+ε₅ (20)

式中，MSIF为被解释变量，SFF^*为解释变量，ρ₅和k₅为该模型的未知参数，其中，ρ₅为回归常数，k₅为偏回归系数，ε₅为随机误差。对上式两边求期望得：

E(MSIF)＝ρ₅+k₅SFF^* (21)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₅和k₅进行估计，并使用统计量T₅ ²作为该回归方程的拟合优度检验，T₅ ²定义为：

式中，SSR₅和SST₅分别表示回归平方和，离差平方和。T₅ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌氧频域特性SFF^*对肌肉-组织肌氧的非线性功能耦合特征MSIF的解释性越好。

进一步地，所述步骤4中，i＝6时，

其求解过程具体为：当指标MSIF为自变量，SFF^*为因变量时回归分析的数学模型为：

SFF^*＝ρ₆+k₆MSIF+ε₆ (23)

式中，SFF^*为被解释变量，MSIF为解释变量，ρ₆和k₆为该模型的未知参数，其中，ρ₆为回归常数，k₆为偏回归系数，ε₆为随机误差。对上式两边求期望，可得：

E(SFF^*)＝ρ₆+k₆MSIF (24)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₆和k₆进行估计，并使用统计量T₆ ²作为该回归方程的拟合优度检验，T₆ ²定义为：

式中，SSR₆和SST₆分别表示回归平方和，离差平方和。T₆ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉-组织肌氧的非线性功能耦合特征MSIF对肌氧频域特性SFF^*的解释性越好。

本发明的效果如下：

本发明拓展研究多模态关联及耦合分析方法，从肌肉协同特性、组织血氧代谢及肌肉-血管的非线性耦合特性等层面，构建有效刻画多层次耦合特性的单模态及跨膜态耦合特征指标，综合描述肌肉-血管间的多层次信息交互特性，实现运动功能的多层次有效刻画和精准监测管理。

附图说明

图1为本发明基于肌电和肌氧信号的运动功能监测管理方法的流程示意图；

图2为本发明一个实施例的肌电及肌氧电极分布示意图；

图3为本发明一个实施例的实验流程图。

具体实施方式

以下，参照附图1-3对本发明的实施方式进行说明。

下面结合附图对本发明的实施作详细说明：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。

如图1所示，本实施例包括如下步骤：

步骤一、搭建多模态信号同步采集实验平台，确定运动范式并设计实验方案,具体过程如下：

1-1.多模态信号同步采集实验平台搭建：基于10通道Trigno^TM无线肌电采集系统(Delsys Inc，USA)和10通道无线肌氧监测仪(NIRS MOXY，USA)，搭建多模态信号同步采集系统，实现多通道表面肌电和肌氧信号的同步采集。肌电和肌氧电极分布如图2所示。MOXY是一款小巧，实时，无创，无线的肌肉组织有氧代谢实时监测设备。通过NIRS对人体骨骼肌组织中血氧饱和度和氧合血红蛋白，总血红蛋白，肌红蛋白等指标进行测量，评估目标肌肉的氧消耗和氧运输能力，帮助使用者对目标骨骼肌系统的功能特性进行评估，可用于运动功能监测。

1-2.运动范式：主要是上肢肩肘运动范式，包括：肩关节单独运动(屈曲、伸展、内收、外展)、肘关节单独运动(屈曲、伸展)、前臂(旋前、旋后)、肩关节、肘关节及前臂配合运动。

1-3.实验方案：主要包括4部分，肘关节屈曲90度(肩关节0度)、肘关节屈曲90度(肩关节外展90度)、肩关节外展90度(肘关节0度)、肩关节屈曲30度-90度(肘关节0度)。每组实验测试包括2s准备、3-10s的肘屈曲(或肩屈曲)、2s放松，每组测试完成后休息2min，每次进行6-10组测试。如图3所示。

步骤二、对肌电及肌氧信号分别进行预处理。针对肌电信号，首先设计自适应高通滤波器去除基线漂移，同时基于自适应陷波器去除50Hz工频及谐波干扰，之后设计带宽为0.5-250Hz的FIR滤波器进行滤波，最后进行全波整流；针对肌氧信号，基于自适应滤波器的运动噪声去除算法移除信号中由于运动造成的干扰成分。

步骤三、对预处理后的信号进行特征提取，具体步骤如下：

3-1.肌电单模态信息耦合特性分析：针对动作任务过程中肌间协同特性的动态时频变化特点，对时域肌电信号进行小波包分解，提取不同频段下的时域肌电信号，进一步应用非负矩阵分解来提取特定运动模式下、不同频段内的协同特征，定量描述不同频段肌间协同结构随着时间的变化规律。首先小波包分解将多通道肌电信号Y＝{y₁，y₂，…，y_n1}分解为N层获取2^N个子空间，在此基础上，利用时间窗W(t)将不同频带肌电信号

分成L个等长时段，并且窗函数W(t)的宽度等于每秒的样本数，其中n代表节点数。然后将同一时间窗口和相同频带下不同肌肉的信号组合成一个矩阵Y_ml，对它进行非负矩阵分解，可分解为W和C矩阵为：

式中，Y_ml代表m通道肌电信号矩阵，l为采样点数，k代表协同模块数，W为权重矩阵，W_mi为m通道和协同模块数为i时的协同变量矩阵，C为时变系数矩阵，

为重构的肌电信号。利用上述方法分别对步骤二获取的多通道肌电信号进行分析。通过得到的W获取肌肉协同作用中每个肌肉的相对激活权重，C获取协同肌肉对在时间内如何被调制以及其对运动的贡献，从而描述某一动作任务下多通道肌间时频协同特性TFNMF＝{W,C}。为了消除指标之间量纲和量级的影响，采用z-score方法对TFNMF进行标准化处理，具体公式如下：

式中，

表示经标准化处理后的数据，i＝1，2，…，n，

表示TFNMF的均值，即

n为数据长度，σ_TFNMF表示TFNMF的标准差，即

则采用z-score方法对TFNMF进行标准化处理得到

3-2.肌氧单模态信息特性分析：为了直观、形象地观察运动过程中肌氧变化，分别提取肌氧信号的时域和频域特征。对于肌氧信号的时域特征，刻画肌氧信号幅值随时间的变化情况。对于肌氧信号的频域特征提取，首先对多通道肌氧信号Z＝{z₁，z₂，…，z_n2}进行快速傅里叶转换，获得肌氧信号的功率谱P＝{p₁，p₂，…，p_n2}，之后采用以下两项指标即平均功率频率(Mean Power Frequency，MPF)和中位频率(Median Frequency，MF)定量刻画肌氧浓度信号在频域上的特征。其计算公式如下：

其中f为变量频率，P(f)＝{p(f)₁，p(f)₂，…，p(f)_n2}为功率谱函数，MPF＝{MPF₁,MPF₂,…,MPF_n2}，MF＝{MF₁,MF₂,…,MF_n2}，式(3)和(4)反映肌氧浓度信号在不同频率分量的变化情况。通过获取频域特征MPF和MF，描述某一动作任务下多通道肌氧频域特性SFF＝{MPF,MF}。为了消除指标之间量纲和量级的影响，采用z-score方法对SFF进行标准化处理，具体公式如下：

式中，SFF_i ^*表示经标准化处理后的数据，

表示SFF的均值，即

n为数据长度，σ_SFF表示SFF的标准差，即

则采用z-score方法对SFF进行标准化处理得到

3-3.肌电-肌氧跨模态耦合特性分析：为了揭示运动过程中整体肌肉电活动与肌氧变化之间的全局耦合关系，采用自排序熵描述肌电信号的复杂度特征，定量描述肌电信号在不同动作模式下的复杂程度，刻画肌电信号的内在动力学特性和耦合特性，并建立肌电熵值E与肌氧浓度信息的非线性动力模型。首先，计算多通道肌电信号序列Y＝{y₁，y₂，…，y_n1}中的自排序熵

其次，建立如下非线性动力学模型：

式中，

和

分别代表最大和最小肌电自排序熵值，C是肌氧的浓度变化，C_B为基线浓度，γ是肌氧浓度-肌电熵值关系曲线的斜率。

将肌氧信号代入以上非线性模型中的C，设定

γ初值，可以建模得出肌电熵值E＝{e₁，e₂，…，e_n1}。建模得到的肌电熵值e_i与计算得到的熵

之间的相关系数R²定义为：

式中，

是e_i时间平均，n1为数据长度。

采用非线性最小二乘法拟合非线性模型，从而在最大相关系数R²意义下确定模型中各参数的最佳值，相关系数R²间接体现了肌电信号复杂度和肌氧浓度变化的相关程度，通过获取相关系数描述被试肌肉-组织肌氧的非线性功能耦合特征MSIF＝{R²}。

步骤四、特征指标间回归分析：基于步骤三获取的多模态特征指标分别构建一元线性回归模型，研究两两指标之间的关系，进而准确揭示某一指标受其它指标影响的大小。其具体实施步骤为：

首先，分别对步骤三获取的多模态特征指标{TFNMF^*,SFF^*,MSIF}中两两指标间进行回归分析，当指标TFNMF^*为自变量，SFF^*为因变量时回归分析的数学模型为：

SFF^*＝ρ₁+k₁TFNMF^*+ε₁ (8)

式中，SFF^*为被解释变量，TFNMF^*为解释变量，ρ₁和k₁为该模型的未知参数，其中，ρ₁为回归常数，k₁为偏回归系数，ε₁为随机误差。对上式两边求期望得：

E(SFF^*)＝ρ₁+k₁TFNMF^* (9)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₁和k₁进行估计，并使用统计量T₁ ²作为该回归方程的拟合优度检验，T₁ ²定义为：

式中，SSR₁为回归平方和，表示估计值与均值的差值平方和，SST₁为离差平方和，表示真实值与均值的差值平方和。T₁ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间时频协同特性TFNMF^*对肌氧频域特性SFF^*的解释性越好。

当指标SFF^*为自变量，TFNMF^*为因变量时回归分析的数学模型为：

TFNMF^*＝ρ₂+k₂SFF^*+ε₂ (11)

式中，TFNMF^*为被解释变量，SFF^*为解释变量，ρ₂和k₂为该模型的未知参数，其中，ρ₂为回归常数，k₂为偏回归系数，ε₂为随机误差。对上式两边求期望得：

E(TFNMF^*)＝ρ₂+k₂SFF^* (12)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₂和k₂进行估计，并使用统计量T₂ ²作为该回归方程的拟合优度检验，T₂ ²定义为：

式中，SSR₂和SST₂分别表示回归平方和，离差平方和。T₂ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌氧频域特性SFF^*对肌间时频协同特性TFNMF^*的解释性越好。

当指标TFNMF^*为自变量，MSIF为因变量时回归分析的数学模型为：

MSIF＝ρ₃+k₃TFNMF^*+ε₃ (14)

式中，MSIF为被解释变量，TFNMF^*为解释变量，ρ₃和k₃为该模型的未知参数，其中，ρ₃为回归常数，k₃为偏回归系数，ε₃为随机误差。对上式两边求期望得：

E(MSIF)＝ρ₃+k₃TFNMF^* (15)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₃和k₃进行估计，并使用统计量T₃ ²作为该回归方程的拟合优度检验，T₃ ²定义为：

式中，SSR₃和SST₃分别表示回归平方和，离差平方和。T₃ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间时频协同特性TFNMF^*对肌肉-组织肌氧的非线性功能耦合特征MSIF的解释性越好。

当指标MSIF为自变量，TFNMF^*为因变量时回归分析的数学模型为：

TFNMF^*＝ρ₄+k₄MSIF+ε₄ (17)

式中，TFNMF^*为被解释变量，MSIF为解释变量，ρ₄和k₄为该模型的未知参数，其中，ρ₄为回归常数，k₄为偏回归系数，ε₄为随机误差。对上式两边求期望得：

E(TFNMF^*)＝ρ₄+k₄MSIF (18)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₄和k₄进行估计，并使用统计量T₄ ²作为该回归方程的拟合优度检验，T₄ ²定义为：

式中，SSR₄和SST₄分别表示回归平方和，离差平方和。T₄ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉-组织肌氧的非线性功能耦合特征MSIF对肌间时频协同特性TFNMF^*的解释性越好。

当指标SFF^*为自变量，MSIF为因变量时回归分析的数学模型为：

MSIF＝ρ₅+k₅SFF^*+ε₅ (20)

式中，MSIF为被解释变量，SFF^*为解释变量，ρ₅和k₅为该模型的未知参数，其中，ρ₅为回归常数，k₅为偏回归系数，ε₅为随机误差。对上式两边求期望得：

E(MSIF)＝ρ₅+k₅SFF^* (21)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₅和k₅进行估计，并使用统计量T₅ ²作为该回归方程的拟合优度检验，T₅ ²定义为：

式中，SSR₅和SST₅分别表示回归平方和，离差平方和。T₅ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌氧频域特性SFF^*对肌肉-组织肌氧的非线性功能耦合特征MSIF的解释性越好。

当指标MSIF为自变量，SFF^*为因变量时回归分析的数学模型为：

SFF^*＝ρ₆+k₆MSIF+ε₆ (23)

式中，SFF^*为被解释变量，MSIF为解释变量，ρ₆和k₆为该模型的未知参数，其中，ρ₆为回归常数，k₆为偏回归系数，ε₆为随机误差。对上式两边求期望，可得：

E(SFF^*)＝ρ₆+k₆MSIF (24)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₆和k₆进行估计，并使用统计量T₆ ²作为该回归方程的拟合优度检验，T₆ ²定义为：

式中，SSR₆和SST₆分别表示回归平方和，离差平方和。T₆ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉-组织肌氧的非线性功能耦合特征MSIF对肌氧频域特性SFF^*的解释性越好。

综上，构建多模态特征指间回归分析模型，使用统计量T_i ²(i＝1,2,…6)作为上述六个回归方程的拟合优度检验，T_i ²定义为：

式中，SSR_i为回归平方和，表示估计值与均值的差值平方和，SST_i为离差平方和，表示真实值与均值的差值平方和。T_i ²的取值范围为[0,1]，其值越接近1表示拟合效果越好。

为进一步从统计学上验证上述六个模型的有效性，对六个回归模型分别进行方差分析和残差分析。首先将总的离差平方和与残差平方和除以自由度的值作比，通过这种方法得出的统计值F，进而确定显著性P＝{P₁,P₂,P₃,P₄,P₅,P₆}的值，若P_i＞0.05，可认为模型的整体是显著的，可以用线性模型描述和反映他们之间的关系；若P_i＜0.05，则认定模型的整体是不显著的。其次对六个回归模型分别进行模型标准化残差分析，通过绘制反应变量的累积比例与指定分布的累积比例之间的关系图来判定认为数据是否服从指定分布，若关系图近似成一条直线，则认定数据服从指定分布，反之，则认定数据不服从指定分布。

因此，通过对多模态特征指标间进行回归分析，构建基于多模态特征指标间的肌肉-血管状态监测模型

能够揭示肌氧代谢和肌肉电活动的耦合振荡模式，实现从功能状态角度对运功功能的客观描述和精准监测，即：

(1)若T₁ ²越接近于1且P₁＞0.05，回归模型拟合效果越好，且肌间时频协同特性与肌氧频域特性呈相关关系，表明在运动过程中，中枢神经系统通过协调控制多个骨骼肌来完成不同的运动任务，肌肉之间的多自由度变化过程通过肌肉模块化结构来组织和协调，不同频段肌间协同结构的时变特性的变化会引起肌肉血管中血氧含量的变化；若T₂ ²越接近于1且P₂＞0.05，回归模型拟合效果越好，且肌氧频域特性与肌间时频协同特性呈相关关系，表明在运动控制过程中，肌氧含量的变化会引起肌肉组织中模块化结构的变化，且存在肌肉对的激活模式的变化；若T₁ ²越接近于1且P₁＞0.05，同时若T₂ ²越接近于1且P₂＞0.05，表明运动控制是由肌肉与血管的多层次协同及功能耦合实现的，同时存在着肌肉电生理活动的变化及肌肉中血液动力学特征的变化，即需要二者相互协调配合以完成运动任务。

(2)若T₃ ²越接近于1且P₃＞0.05，回归模型拟合效果越好，且肌间时频协同特性与肌肉-组织肌氧的非线性功能耦合特性呈相关关系，表明在肌肉激活过程中，不同运动任务对应特定的肌肉协同作用模式，呈现出肌肉的模块化结构，且能够同步增强肌肉电生理活动与血氧代谢间的非线性全局功能耦合；若若T₄ ²越接近于1且P₄＞0.05，回归模型拟合效果越好，肌肉-组织肌氧的功能耦合特性与肌间时频协同特性呈相关关系，表明在运动过程中，肌肉电生理活动与血氧代谢间的非线性全局功能耦合的同步变化有助于促进肌肉的协同模块化结构的形成，增强肌肉激活状态。

(3)若T₅ ²越接近于1且P₅＞0.05，回归模型拟合效果越好，且肌氧频域特性与肌肉-组织肌氧的非线性功能耦合特性呈相关关系，表明在运动控制中，肌肉血氧代谢的变化会引起肌肉电生理活动与血氧代谢间非线性耦合特性的变化；若T₆ ²越接近于1且P₆＞0.05，回归模型拟合效果越好，且肌肉-组织肌氧的非线性功能耦合特性与肌氧频域特性呈相关关系，表明在运动过程中，肌肉电生理活动与血氧代谢间非线性耦合特性的变化，会引起肌肉组织中的血氧代谢的变化。

本发明基于肌电单模态耦合特性及肌氧信息特性和肌电-肌氧跨模态耦合特性描述不同动作模式下的运动功能状态，在进行运动时运动肌肉单元之间、血管与肌肉运动之间的神经振荡联系描述了上肢运动动能的进展变化，实现从功能状态角度对运功功能的客观描述和精准监测管理。

以上所述的实施例仅是对本发明的优选实施方式进行描述，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 (8)

1.一种基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，其包括以下步骤：

步骤1、同步采集不同动作模式下的多通道肌电和肌氧信号；

步骤2、对肌电及肌氧信号分别进行预处理，得到预处理后的肌电信号Y＝{y₁，y₂，…，y_n1}和预处理后的肌氧信号；

步骤3、对预处理后的肌电、肌氧信号进行特征提取，具体步骤为：

步骤31、对肌电单模态信息耦合特性进行分析，得到多通道肌间时频协同特性TFNMF＝{W,C}，其中W为权重矩阵，C为时变系数矩阵，并采用z-score方法对TFNMF进行标准化处理，得到标准化处理后的数据TFNMF^*；

步骤32、对肌氧单模态信息进行分析，得到多通道肌氧频域特征SFF＝{MPF,MF}，其中MPF为平均功率频率，MF为中位频率，并采用z-score方法对SFF进行标准化处理，得到标准化处理后的数据SFF^*；

步骤33、对肌电-肌氧跨模态耦合特性进行分析，得到肌电-肌氧的非线性功能耦合特征MSIF＝{R²}，具体步骤如下：

步骤331、计算多通道肌电信号序列Y＝{y₁，y₂，…，y_n1}中的自排序熵

步骤332、建立非线性动力学模型：

其中，

和

分别代表最大和最小肌电自排序熵值，C是肌氧的浓度变化，C_B为基线浓度，γ是肌氧浓度-肌电熵值关系曲线的斜率；

步骤333、设定

γ初值，将肌氧信号代入非线性动力学模型，得出肌电熵值E＝{e₁,e₂,…,e_n1}；

步骤334、根据建模得到的肌电熵值e_i与计算得到的肌电熵值

计算相关系数R²，R²间接体现了肌电信号复杂度和肌氧浓度变化的相关程度：

其中，

是e_i时间平均，n1为数据长度；

步骤335、通过获取相关系数R²描述被试肌肉-组织肌氧的非线性功能耦合特征MSIF＝{R²}；

步骤4、基于步骤3获取的多模态特征指标构建多模态特征指间回归分析模型，对特征指标之间进行回归分析，研究两两指标之间的关系；

使用统计量T_i ²作为回归方程的拟合优度检验：

式中，SSR_i为回归平方和，表示估计值与均值的差值平方和，SST_i为离差平方和，表示真实值与均值的差值平方和，i＝1,2,…,6；T_i ²的取值范围为[0,1]，其值越接近1表示拟合效果越好；

步骤5、通过对多模态特征指标间进行回归分析，构建基于多模态特征指标间的肌肉-血管状态监测模型，揭示肌氧代谢和肌肉电活动的耦合振荡模式，实现从功能状态角度对运功功能的描述和监测；

所述肌肉-血管状态监测模型为：

其中，P_i为显著性系数。

2.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤2的具体步骤为：

步骤21、对肌电信号进行预处理：

针对肌电信号，进行去除基线漂移、去除50Hz工频及谐波干扰、进行0.5-250Hz的带通滤波、进行全波整流的预处理，得到预处理后的肌电信号Y＝{y₁，y₂，…，y_n1}；

步骤22、对肌氧信号进行预处理：

针对肌氧信号，基于自适应滤波器的运动噪声去除算法移除肌氧信号中由于运动造成的干扰成分，得到预处理后的肌氧信号。

3.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝1时，

其求解过程具体为：

当指标TFNMF^*为自变量，SFF^*为因变量时回归分析的数学模型为：

SFF^*＝ρ₁+k₁TFNMF^*+ε₁ (8)

式中，SFF^*为被解释变量，TFNMF^*为解释变量，ρ₁和k₁为该模型的未知参数，其中，ρ₁为回归常数，k₁为偏回归系数，ε₁为随机误差；对上式两边求期望得：

E(SFF^*)＝ρ₁+k₁TFNMF^* (9)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₁和k₁进行估计，并使用统计量T₁ ²作为该回归方程的拟合优度检验，T₁ ²定义为：

式中，SSR₁为回归平方和，表示估计值与均值的差值平方和，SST₁为离差平方和，表示真实值与均值的差值平方和；T₁ ²的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间时频协同特性TFNMF^*对肌氧频域特性SFF^*的解释性越好。

4.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝2时，

其求解过程具体为：

当指标SFF^*为自变量，TFNMF^*为因变量时回归分析的数学模型为：

TFNMF^*＝ρ₂+k₂SFF^*+ε₂ (11)

式中，TFNMF^*为被解释变量，SFF^*为解释变量，ρ₂和k₂为该模型的未知参数，其中，ρ₂为回归常数，k₂为偏回归系数，ε₂为随机误差；对上式两边求期望得：

E(TFNMF^*)＝ρ₂+k₂SFF^* (12)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₂和k₂进行估计，并使用统计量

作为该回归方程的拟合优度检验，

定义为：

式中，SSR₂和SST₂分别表示回归平方和，离差平方和；

的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌氧频域特性SFF^*对肌间时频协同特性TFNMF^*的解释性越好。

5.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝3时，

其求解过程具体为：

当指标TFNMF^*为自变量，MSIF为因变量时回归分析的数学模型为：

MSIF＝ρ₃+k₃TFNMF^*+ε₃ (14)

式中，MSIF为被解释变量，TFNMF^*为解释变量，ρ₃和k₃为该模型的未知参数，其中，ρ₃为回归常数，k₃为偏回归系数，ε₃为随机误差；对上式两边求期望得：

E(MSIF)＝ρ₃+k₃TFNMF^* (15)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₃和k₃进行估计，并使用统计量

作为该回归方程的拟合优度检验，

定义为：

式中，SSR₃和SST₃分别表示回归平方和，离差平方和；

的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌间时频协同特性TFNMF^*对肌肉-组织肌氧的非线性功能耦合特征MSIF的解释性越好。

6.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝4时，

其求解过程具体为：

当指标MSIF为自变量，TFNMF^*为因变量时回归分析的数学模型为：

TFNMF^*＝ρ₄+k₄MSIF+ε₄ (17)

式中，TFNMF^*为被解释变量，MSIF为解释变量，ρ₄和k₄为该模型的未知参数，其中，ρ₄为回归常数，k₄为偏回归系数，ε₄为随机误差；对上式两边求期望得：

E(TFNMF^*)＝ρ₄+k₄MSIF (18)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₄和k₄进行估计，并使用统计量

作为该回归方程的拟合优度检验，

定义为：

式中，SSR₄和SST₄分别表示回归平方和，离差平方和；

的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉-组织肌氧的非线性功能耦合特征MSIF对肌间时频协同特性TFNMF^*的解释性越好。

7.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝5时，

其求解过程具体为：

当指标SFF^*为自变量，MSIF为因变量时回归分析的数学模型为：

MSIF＝ρ₅+k₅SFF^*+ε₅ (20)

式中，MSIF为被解释变量，SFF^*为解释变量，ρ₅和k₅为该模型的未知参数，其中，ρ₅为回归常数，k₅为偏回归系数，ε₅为随机误差；对上式两边求期望得：

E(MSIF)＝ρ₅+k₅SFF^* (21)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₅和k₅进行估计，并使用统计量

作为该回归方程的拟合优度检验，

定义为：

式中，SSR₅和SST₅分别表示回归平方和，离差平方和；

的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌氧频域特性SFF^*对肌肉-组织肌氧的非线性功能耦合特征MSIF的解释性越好。

8.根据权利要求1所述的基于肌电和肌氧信号的运动功能监测管理方法，其特征在于，所述步骤4中，i＝6时，

其求解过程具体为：

当指标MSIF为自变量，SFF^*为因变量时回归分析的数学模型为：

SFF^*＝ρ₆+k₆MSIF+ε₆ (23)

式中，SFF^*为被解释变量，MSIF为解释变量，ρ₆和k₆为该模型的未知参数，其中，ρ₆为回归常数，k₆为偏回归系数，ε₆为随机误差；对上式两边求期望，可得：

E(SFF^*)＝ρ₆+k₆MSIF (24)

该式即称为一元线性回归方程，使用最小二乘估计法对未知参数ρ₆和k₆进行估计，并使用统计量

作为该回归方程的拟合优度检验，

定义为：

式中，SSR₆和SST₆分别表示回归平方和，离差平方和；

的取值范围为[0,1]，其值越接近1表示拟合效果越好，即肌肉-组织肌氧的非线性功能耦合特征MSIF对肌氧频域特性SFF^*的解释性越好。

Images