CN113967025B - 一种基于肌电信号的多层次运动功能评估方法 - Google Patents
一种基于肌电信号的多层次运动功能评估方法 Download PDFInfo
- Publication number
- CN113967025B CN113967025B CN202111266151.8A CN202111266151A CN113967025B CN 113967025 B CN113967025 B CN 113967025B CN 202111266151 A CN202111266151 A CN 202111266151A CN 113967025 B CN113967025 B CN 113967025B
- Authority
- CN
- China
- Prior art keywords
- level
- dynamic
- channel
- muscle
- time
- 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
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (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肌电信号的多层次运动功能评估方法,其包括以下步骤:S1得到多通道EMG信号;S2基于肢体肌肉多层次动态特征分析方法进行建模,获取多层次动态特征;S3根据获取的多层次动态特征,进行肌肉多层次响应机制及运动功能评估策略的分析;S4根据功能肌群协同作用的模块化结构及功能网络特性,获得针对肢体运动模式异常及功能结构改变的情况;S5确定肢体肌肉多层次动态响应机制及构建运动功能评估策略。本发明从单通道肌电信号、双通道肌电信号、多通道肌电信号进行肢体肌肉多层次动态响应分析,得到肌肉的多层次动态响应演变规律,构建基于肌电多层次动态特征综合评估策略,为运动功能状态有效评估提供可行依据。
Description
技术领域
本发明涉及信号领域,具体涉及一种基于肌电信号的多层次运动功能评估方法。
背景技术
伴随现代中枢神经机理的深入探讨与研究,肌电信号不断被应用于健康训练,将肌电信号引入控制与功能评价领域,得到了广泛的应用,做出合理的肌肉功能评价,成为提供肢体运动训练指导的重要前提。近年来,对肌肉运动功能研究很多,多数集中在脑电信号方面技术的研究,将脑电信号用于外部设备,通过数据分类分析、解码。能够使用户了解脑部活动及功能缺失。然而,仅仅通过脑电信号,不足以了解全部的运动信息,从而延伸出加入肌电信号,设计虚拟现实肢体训练设备,通过完善评价系统,给予相应的指导建议。
目前基于单通道、双通道及多通道肌电信号动态特征分析的机制研究已相继展开,但在收缩水平的动态时序及复杂尺度、信息交互的异频耦合与传递方向、协同作用的模块化结构及功能网络等方面尚缺少深入有效的分析方法。上述研究也表明不同运动阶段中的多层次动态响应特征也存在差异。此外,运动系统中骨骼肌通过神经元放电和肌纤维募集完成肌肉收缩、结合关联肌肉间的信息交互并与其他肌肉相互协同作用实现运动功能的表达,期间各环节并非相互独立。因此,深入挖掘激活肌肉收缩水平、关联肌肉信息交互、功能肌群协同作用的关联性,结合单通道、双通道、多通道肌电信号特征,挖掘肌肉多层次动态响应变化规律,对于理解肌肉多层次动态响应机制、实现运动功能状态评估具有一定科学意义和应用价值。
发明内容
为了促进肢体肌肉多层次动态响应分析在运动功能评估中的应用,本发明提供了一种基于肌电信号的多层次运动功能评估方法,其包括以下步骤:
步骤1、获取肌电EMG数据,并采用分级预处理策略去除EMG中的伪迹,得到多通道EMG信号X={x1,x2,…,xi,…,xn},其中xi表示第i通道EMG数据,n表示肌电通道数量;
步骤2、基于EMG分析的多层次动态特征分析方法进行建模,获取多层次动态特征{TVDL,CMSH,CFC,TSE,TFNMF,DFC};具体步骤包括:
步骤21、基于单通道EMG分析的动态时变及复杂尺度分析方法进行建模,获取单通道动态特征TVDL和CMSH;
步骤22、基于双通道EMG分析的异频耦合和传递方向分析方法进行建模,获取双通道动态特征CFC和TSE;
步骤23、基于多通道EMG分析的模块化结构及功能网络分析方法进行建模,获取多通道动态特征TFNMF和DFC;
步骤3、根据获取的{TVDL,CMSH,CFC,TSE,TFNMF,DFC},开展肌肉多层次响应机制及运动功能评估策略的分析;
步骤4、确定功能肌群协同作用的模块化结构及功能网络特性。针对肢体运动模式异常及功能结构改变的常见情况,具体步骤为:
步骤41、构建多通道肌电时频协同分析模型,描述动作关联肌群时-频尺度上的协同控制模式。
步骤42、针对特定运动模式下肌肉间的网络结构特征和动态信息传递特性,引入时域小世界网络模型分析多通道肌电动态功能连接特性。
步骤5、采用肢体肌肉多层次动态响应机制及构建运动功能评估策略,具体为:
步骤51、在机制分析层面,分析肌肉多层次动态特征间的关联特性,并获取其变化规律,构建基于概念属性的多元可视化模型;
步骤52、在功能评估策略研究方面,基于模糊层次法分析多层次动态特征,挖掘肢体肌肉多层次动态特征间的关联特性,肢体肌肉动态响应机制,进而评估运动功能。
进一步地,所述步骤3具体为:
步骤31,基于{TVDL,CMSH,CFC,TSE,TFNMF,DFC}间关联关系,获取激活肌肉收缩水平、关联肌肉信息交互及功能肌群协同作用的内在关联规则及作用机制;
步骤32,分析肢体肌肉多层次动态响应规律及实现可视化呈现;
基于肌肉动态特征指标,分析肌肉多层次动态响应变化规律,以及肌肉动态响应的变化差异;明确基于运动模式等概念属性的多元关联信息,综合描述不同动作模式下动态特征变化及属性规律。
进一步地,所述步骤41具体为:
步骤411、将多通道肌电进行小波包分解获取子空间;
步骤412、非负矩阵分解协同模块数量方法,并对数据进行分析,获取体现肌肉协同作用的频域模块化结构特征指标。
进一步地,所述步骤42具体为:
步骤421、基于滑动窗口选取肌电数据,计算信号皮尔逊相关系数作为功能耦合水平,建立时域网络;
步骤422、引入稀疏性法将网络归一为二值化矩阵,并估计时域特征路径;
步骤423、计算时域全局效率和局部效率量化时域网络的3-D时空拓扑结构,描述时间网络的整体信息传输效率和对局部故障的恢复能力;
步骤424、对数据进行分析,探究特定运动模式下多肌肉间的功能连接关系,根据有效的多肌肉功能网络分析方法,分析功能肌群内不同肌肉间的网络结构特性。
本发明的有益效果:
本发明从运动控制系统的动作执行角度,提出了一种拓展分析单通道肌电、双通道肌电、多通道肌电多层次响应特征分析方法:首先从动态时变及复杂尺度、异频耦合及传递方向、模块化结构及功能网络等层面构建描述激活肌肉收缩水平、关联肌肉信息交互、功能肌群协同作用的多层次动态特征指标。然后在此基础上,深入开展运动肢体肌肉多层次动态响应机制研究,为开展肢体肌肉多层次动态响应分析、运动功能评估策略研究提供可行依据,促进了肢体肌肉多层次动态响应分析在运动功能评估中的应用。
附图说明
图1为本发明实施的总体框图;
图2为本发明实例基于肌电分析的肢体肌肉多层次动态特征分析方法技术路线图;
图3为本发明实例肌电采集部位分布图;
图4为本发明实例肘关节屈曲\伸展和肩关节内收\外旋实验方案整体图;
图5A为本发明实例肘关节屈曲\伸展和肩关节内收\外旋实验方案中单通道EMG分析的动态时变及复杂尺度特性实验方案图;
图5B为本发明实例肘关节屈曲\伸展和肩关节内收\外旋实验方案中双通道EMG分析的异频耦合及传递方向实验方案图;
图5C为本发明实例肘关节屈曲\伸展、肩关节内收\外旋实验方案中多通道EMG分析的模块化结构及功能网络实验方案图;
图6为本发明实施的步骤流程图。
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。
根据如图1所示的总体框图,得到如图6所示本实施例具体包括如下步骤:
步骤1,获取多通道生理信号并进行肌电数据预处理,并采用分级预处理策略去除EMG中的伪迹,得到多通道EMG信号。
具体过程如下:采用10通道无线肌电采集系统(Delsys Inc,USA),设定上位机实验任务和采集系统,实现多通道肌电数据的同步采集;设定多任务实验方案。以运动功能中常见肩肘综合症为例,在已有实验设计基础上,设定与定性评估手段相关联的肩肘关节动作模式。如图2所示,实验包括两部分:肘关节屈曲、伸展伸实验和肩关节内收、外旋实验。每组实验包括2s准备、3s肘屈曲(内收)、2s放松、3s肘伸展(外旋)以及2s放松,每组测试完成休息1min,每次进行6-10组。具体实现如下:
步骤11:采集肌电数据。如图3所示,针对多任务实验方案设定任务,基于人体系统解剖学选取肩关节内收和外旋、肘关节屈曲和伸展动作相关10块肌肉进行肌电信号采集。在此基础上,基于多通道肌电同步采集设备获取肩关节、肘关节典型动作模式下的肌电数据。
步骤12:预处理肌电数据。采用分级预处理策略去除EMG中伪迹,首先使用自适应高通滤波器去除基线漂移,其次基于自适应陷波器去除50HZ工频及谐波干扰,设定带宽为0.5-250HZ的FIR滤波器进行滤波,最后进行全波整流。
步骤2,基于EMG分析的肢体肌肉多层次动态特征分析方法建模,获取多层次动态特征{TVDL,CMSH,CFC,TSE,TFNMF,DFC}。
如图4所示,本发明主要围绕单通道EMG分析的动态时变及复杂尺度特性、双通道EMG分析的异频耦合及传递方向、多通道EMG分析的模块化结构及功能网络三个层面进行方法计算和机制分析。后续研究中,预处理多通道EMG信号表示为X={x1,x2,…,xi,…,xn},其中xi表示第i通道EMG数据,n表示肌电通道数量,具体过程如下:
步骤21,如图5A基于单通道EMG分析的动态时变及复杂尺度分析方法建模,获取单通道动态特征TVDL和CMSH。针对运动单位激活水平的复杂多变特性,本发明分别提出了潜在过程分析方法和复合多尺度排序熵分析方法,构建描述运动单位激活水平的动态时变和复杂尺度特征指标,具体过程如下:
步骤211:分析动态时变特征。基于任意通道肌电信号xi={xi,1,xi,2,...,xi,t,…,xi,N}(N为数据长度)的非平稳性和时变特性,i为通道序号,本发明提出了基于时变自回归模型(time-varying autoregressive model,TVAR)和动态线性模型(dynamic linearmodel,DLM),建立了肌电信号的潜在过程模型的肌电特征提取方案。在此思路基础上,对EMG数据进行分析,获取体现激活肌肉收缩水平的动态时变特征指标。设时变自回归序列TVAR(p),计算如下:
式中,xi,t,(t=1,2,…,N)为一个单变量时间序列,φi.t=(φi.t.1,…,φi.t.p)′为时变自回归参数向量,p是时变自回归的阶数,εi,t是随时间变化的零均值独立变量。
基于DLM可将肌电信号分解成若干个变量:yi,t=xi,t+vi,t,xi,t=Fi,t′θi,t,θi,t=Gi,tθi,(t-1)+ωi,t,yi,t表示t时刻的观测阵,vi,t是观测误差方差阵,F‘i,t表示常数向量,Gi,t是状态演化矩阵,θi,t是状态向量,ωi,t是特征值个数对应的时变状态向量,则TVAR模型的动态线性分解状态矩阵TVDLi,t可表示为
式中,TVDLi,t中每个分量代表第i通道EMG信号的不同层次时变行为特征。则所有通道肌电信号的复杂时变特征可以表示为TVDLt。在此思路基础上,对EMG数据进行分析,获取体现激活肌肉收缩水平的动态时变特征指标TVDL。
步骤212:分析复杂尺度特征。针对现有多尺度排序熵因粗粒化后数据长度的减少会引起在较大尺度上的较大估计误差,引入k阶粗粒化概念并提起复杂多尺度排序熵。首先对第i通道EMG信号xi={xi,1,xi,2,...,xi,t,...,xi,N}进行尺度为τ阶数为k的粗粒化处理,那么粗粒化后第k阶信号可表示为:
步骤22,如图5B基于双通道EMG分析的异频耦合和传递方向分析方法建模。针对运动控制系统中不同肢体肌肉间的信息传递和交互作用,本发明提出一种改进n:m一致性分析方法并引入传递谱熵方法,获取量化关联肌肉信息传递的异频耦合和传递方向特征指标,具体计算过程如下:
步骤221:分析异频耦合特征。针对传统一致性分析方法只能描述线性同频段耦合特征,无法描述肌间交叉频率的耦合关系。在已有一致性n:m方法基础上引入显著面积指标,构建改进的n:m一致性分析方法计算信号间线性和非线性耦合关系。设xi和xj分别为肌电信号,则xi和xj间的交叉频率一致性为:
式中,和为肌电信号频率值,和分别为n和m阶自谱密度函数,为两信号的互谱密度函数,可表示为:式中,θxy(f)表示两信号在频率f处的相位差,和分别是信号xi和xj的自谱密度函数。在此基础上,进一步采用各整数比例下CFC量化指标,并引入代理数据获取CFC显著性水平;对于所获取的肌电数据进行分析,获取体现肌肉信息交互的异频耦合指标CFC。
步骤222:分析传递方向特征。拓展运用动态因果及信息熵理论,在传递熵基础上构建传递谱熵探究肌肉间信息交互及局部频带特征,对于第i通道肌电信号xi和第j通道xj,引入相空间重构并进行二维傅里叶变换获取频域信息,在频域内计算xi到xj方向传递谱熵为:
式中,f是离散频率值,δ为预测时间(离散的时间间隔),k为离散的时间指标,和分别是向量w(f)和v(f)在频域点f处的φ和维的延时向量;同理,表示k+δ时刻的序列v(f)基于k时刻序列v(f)下的条件熵,可以用下式进行计算:式中,p代表概率计算,log代表取对数,则表示为频率f值处的k+δ时刻的序列v(f)基于k时刻序列w(f)和v(f)共同作用下的条件熵,可以用下式进行计算:
进一步采用传递谱熵计算方法以及验证策略,并构建用于量化传递熵特定频带的显著面积指标,并对多获取的多通道肌电数据进行分析,获取体现肌肉信息交互传递方向特征指标TSE。
步骤23、如图5C基于多通道EMG分析的模块化结构及功能网络分析方法建模,获取多通道动态特征TFNMF和DFC`。为探究多组肌肉间相互协作模式,本发明提出时频非负矩阵分解(time-frequency NMF,TFNMF)并引入时域小世界网络模型,从模块化结构和功能网络层面分析功能肌群的协同作用模式,具体计算过程如下:
步骤231:分析模块化结构特征。针对非负矩阵分解无法有效体现多通道信号间频域信息,引入小波包(wavelet package decomposition,WPT)分解将多通道肌电分解为N层获取2N个子空间。在此基础上,乘以时间窗w(t)将不同频带肌电信号分成L个等长时间段,nth子空间Nth层肌电信号Yml经NMF算法分解为W和C两个矩阵。表示如下:
式中,Yml为m通道EMG信号,l为采样点数,k为协同模块数,W为协同矩阵,C为时变系数。在此基础上,计算TFNMF协同模块数量方法,并对所获取的数据进行分析,获取体现肌肉协同作用的频域模块化结构特征指标TFNMF。
步骤232:分析功能网络特征。针对特定运动模式下肌肉间的网络结构特征和动态信息传递特性,引入时域小世界网络模型分析多通道肌电动态功能连接特性。首先,基于滑动窗口选取EMG数据,计算信号皮尔逊相关系数作为功能耦合水平,建立时域网络G={Gt}t=1,2,...,T;再次,引入稀疏性法将网络G归一为二值化矩阵Gt并估计时域特征路径τi→j(t);最后,计算时域全局效率E'glob和局部效率量化时域网络的3-D时空拓扑结构,时域全局效率为:
式中,Gt是t时刻N×N静态网络矩阵(N为网络节点数),T为网络生存周期,τi→j(t)为时域特征路径,表示t时刻内从节点i到节点j所经过的所有可能中最小的边权和,即最短路径长度。同理可计算t时刻内时域局部效率利用上述方法得到的和分别描述时间网络的整体信息传输效率和对局部故障的恢复能力,而对所获取的数据进行分析,进而描述运动控制中功能肌群局部网络动态功能特征DFC。基于积分肌电值、平均功率频率及样本熵分别计算屈曲与伸展状态下肱桡肌(B)、桡侧腕屈肌(FCR)、掌长肌(PL),尺侧腕屈肌(FCU)、尺侧腕伸肌(ECU)、桡侧腕短伸肌(ECRB)、桡侧腕屈肌(FCR)、肱二头肌(BB)的多层次动态特征{TVDL,CMSH,CFC,TSE,TFNMF,DFC}。
步骤3,根据获取的{TVDL,CMSH,CFC,TSE,TFNMF,DFC},进行肢体肌肉多层次响应机制及对运动功能评估策略分析。针对上述步骤2所获取的{TVDL,CMSH,CFC,TSE,TFNMF,DFC},开展肌肉多层次响应机制及运动功能评估策略分析。在机制分析层面,分析肌肉多层次动态特征间的关联特性并获取其变化规律,构建基于概念属性的多元可视化模型;在功能评估策略研究方面,基于模糊层次法分析多层次动态特征,构建基于肌电多层次特征指标与综合评估策略。具体计算过程如下。
分析肢体肌肉多层次响应耦合机制。肢体肌肉多层次动态响应机制分析主要从肌肉多层次动态响应关联特性和肌肉多层次动态响应变化规律两方面开展研究。开展对运动功能评估策略的计算,具体过程如下:
步骤31:分析肢体肌肉多层次动态响应间关联特性分析。基于关联规则挖掘肌肉多层次动态特征{TVDL,CMSH,CFC,TSE,TFNMF,DFC}间关联关系,获取激活肌肉收缩水平、关联肌肉信息交互及功能肌群协同作用的内在关联规则及作用机制。
筛选耦合特征指标。针对所获取的多模态耦合特征指标{TVDL,CMSH,CFC,TSE,TFNMF,DFC}。通过计算肌电反射阈值及肌间一致性显著面积指标,基于皮尔逊相关性分析其与MAS评定量表、Brunnstrom分期及Fugle-Meyer评分间的相关性,结果如表一所示:根据不同因素影响下肌间一致性显著面积的统计分析可知,反射肌电阈值可以反映肌张力产生的反射生理机制并与MAS量表存在线性关系,可以定量评价肌张力大小,而beta频段可作为辅助Fugle-Meyer量表评价运动功能状态的一个有效指标。
表一不同因素影响下肌间一致性显著性面积的统计指标
以Brunnstrom评定量表中上肢肩肘的运动状态为目标层,肩部运动功能状态和肘部运动功能状态为准则层,肩关节内收、外旋及肘关节屈曲、伸展状态为因素层:建立准则层和因素层的模糊标度判断矩阵Q1、Q2及Q3,求解各层次权重系数W[W1,W2,W3]并筛选出权重系数较高的特征指标。开展肌肉多层次响应机制、运动功能评估策略的分析,在机制分析层面,分析肌肉多层次动态特征间的关联特性并获取其关联特征的变化规律,构建基于概念属性的多元可视化模型;在功能评估策略计算方面,基于模糊层次法分析多层次动态特征。挖掘肢体肌肉多层次动态特征间的关联特性,肢体肌肉动态响应机制,进而评估运动功能。
步骤32:分析肢体肌肉多层次动态响应规律及实现可视化呈现。获取有效的肌间一致性分析方法及肌肉动态特征指标,对比分析上肢拮肌处肌间一致性,在此基础上利用显著面积指标量化描述肌电在各功能频带内耦合特征差异,分析肌肉多层次动态响应变化规律,以及肌肉动态响应的变化差异;明确基于运动模式等概念属性的多元关联信息,综合描述不同动作模式下动态特征变化及属性规律。
特征指标间相关性分析皮尔逊相关性方法来衡量特性指标间是否单调相关,其主要思想是利用两变量之间的秩做线性相关分析。皮尔逊相关系数P被定义为2个n维随机变量X={X1,X2,…,Xn}和Y={Y1,Y2,…,Yn}的秩之间的皮尔逊相关系数:
其中,ri和si分别是Xi和Yi的秩,i=1,2,…,n,分别为ri和si变量的均值,当变量里出现相等值时,该值对应的秩为这几个值对应的秩的平均值。P的取值范围为[-1,1]。当一个变量随另一个变量单调递增的时候,P=1,反之,P=-1。采用皮尔逊相关性方法分析上述的多层次分析指标{TVDL,CMSH,CFC,TSE,TFNMF,DFC}之间的关联性,根据相关性系数P探究多层次肢体肌肉激活-协同-耦合特征指标间的相关关系,进而理解多层次动态特征间关联特征和机制。
步骤4,确定功能肌群协同作用的模块化结构及功能网络特性。针对肢体运动模式异常及功能结构改变的常见情况,具体步骤为:
步骤41:引入小波包(wavelet package NMF,TFNMF)分解将多通道肌电分解获取子空间,在此基础上,计算非负矩阵分解中协同模块数量的方法,并对数据进行分析,获取体现肌肉协同作用的频域模块化结构特征指标。构建多通道肌电时频协同分析模型,描述动作关联肌群时-频尺度上的协同控制模式。
步骤42:针对特定运动模式下肌肉间的网络结构特征和动态信息传递特性,引入时域小世界网络模型分析多通道肌电动态功能连接特性。首先基于滑动窗口选取肌电数据,计算信号皮尔逊相关系数作为功能耦合水平,建立时域网络,再次引入稀疏性法将网络归一为二值化矩阵,并估计时域特征路径,最后,计算时域全局效率和局部效率量化时域网络的3-D时空拓扑结构,描述时间网络的整体信息传输效率和对局部故障的恢复能力,并对数据进行分析,为探究特定运动模式下多肌肉间的功能连接关系,获取有效的多肌肉功能网络分析方法,分析功能肌群内不同肌肉间的网络结构特性。
步骤5,确定肢体肌肉多层次动态响应机制及构建运动功能评估策略。
步骤51、在机制分析层面,分析肌肉多层次动态特征间的关联特性,并获取其变化规律,构建基于概念属性的多元可视化模型;
步骤52、在功能评估策略研究方面,基于模糊层次法分析多层次动态特征,挖掘肢体肌肉多层次动态特征间的关联特性,肢体肌肉动态响应机制,进而评估运动功能。
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 (3)
1.一种基于肌电信号的多层次运动功能评估方法,其特征在于,其包括以下步骤:
步骤1、多通道同步采集肌电数据EMG,并采用分级预处理策略去除EMG中的伪迹,得到多通道EMG信号X={x1,x2,...,xi,...,xn},其中xi表示第i通道EMG数据,n表示肌电通道数量;
步骤2、基于EMG分析的肢体肌肉多层次动态特征分析方法进行建模,获取多层次动态特征{TVDL,CMSH,CFC,TSE,TFNMF,DFC};具体步骤包括:
围绕单通道EMG分析的动态时变及复杂尺度特性、双通道EMG分析的异频耦合及传递方向、多通道EMG分析的模块化结构及功能网络三个层面进行方法计算和机制分析,具体过程如下:
步骤21,基于单通道EMG分析的动态时变及复杂尺度分析方法建模,提出肌电潜在过程模型和复杂多尺度排序熵模型,分别获取单通道动态特征TVDL和CMSH,构建描述运动单位激活水平的动态时变和复杂尺度特征指标,具体过程如下:
步骤211:分析动态时变特征;基于任意通道肌电信号xi={xi,1,xi,2,...,xi,t,...,xi,N}的非平稳性和时变特性,N为数据长度,i为通道序号,基于时变自回归模型和动态线性模型,建立了肌电信号的潜在过程模型的肌电特征提取方案;对EMG数据进行分析,获取体现激活肌肉收缩水平的动态时变特征指标,时变自回归序列TVAR(p)计算如下:
式中,xi,t,(t=1,2,...,N)为一个单变量时间序列,φi,t=(φi,t,1,...,φi,t,p)′为时变自回归参数向量,p是时变自回归的阶数,εi,t是随时间变化的零均值独立变量;
基于DLM将肌电信号分解成若干个变量:yi,t=xi,t+vi,t,xi,t=Fi,t′θi,t,θi,t=Gi,tθi,(t-1)+ωi,t,yi,t表示t时刻的观测阵,vi,t是观测误差方差阵,Fi,t′表示常数向量,Gi,t是状态演化矩阵,θi,t是状态向量,ωi,t是特征值个数对应的时变状态向量,则TVAR(p)的动态线性分解状态矩阵TVDLi,t表示为
式中,TVDLi,t中每个分量代表第i通道EMG信号的不同层次时变行为特征;则所有通道肌电信号的复杂时变特征表示为TVDLt对EMG数据进行分析,获取体现激活肌肉收缩水平的动态时变特征指标TVDL;
步骤212:分析复杂尺度特征;引入k阶粗粒化概念并提出复杂多尺度排序熵,首先对第i通道EMG信号xi={xi,1,xi,2,...,xi,t,...,xi,N}进行尺度为τ阶数为k的粗粒化处理,那么粗粒化后第k阶信号表示为:对尺度为τ时第k阶信号进行嵌入维数m延迟时间η的空间重构,并对其进行升序排列获取排序模式序号构成符号序列π,计算每种模式出现的次数概率pi(π),则第i通道信号xi在尺度为τ时排序熵表示为:
步骤22,基于双通道EMG分析的异频耦合和传递方向分析方法建模,提出改进的n:m一致性分析方法同时引入传递谱熵模型,获取双通道动态特征CFC和TSE,构建量化关联肌肉信息传递的异频耦合和传递方向特征指标,具体计算过程如下:
步骤221:分析异频耦合特征;针对传统一致性分析方法只能描述线性同频段耦合特征,无法描述肌间交叉频率的耦合关系,在已有n:m一致性分析方法基础上引入显著面积指标,构建改进的n:m一致性分析方法计算信号间线性和非线性耦合关系,设xi和xj分别为肌电信号,则xi和xj间的交叉频率一致性为:
式中, 和为肌电信号频率值,和分别为n和m阶自谱密度函数,为两信号互谱密度函数,表示为:式中,θxy(f)表示两信号在频率f处的相位差,和分别是信号xi和xj的自谱密度函数,在此基础上,进一步采用各整数比例下CFC量化指标,并引入代理数据获取CFC显著性水平;对于所获取的肌电数据进行分析,获取体现肌肉信息交互的异频耦合指标CFC;
步骤222:分析传递方向特征,运用动态因果及信息熵理论,应用传递谱熵探究肌肉间信息交互及局部频带特征,对获取的多通道肌电数据进行分析,获取体现肌肉信息交互传递方向特征指标TSE;
步骤23、基于多通道EMG分析的模块化结构及功能网络分析方法建模,获取多通道动态特征TFNMF和DFC,构建体现频域模块化结构及功能连接特性指标。
步骤3、根据获取的{TVDL,CMSH,CFC,TSE,TFNMF,DFC},进行肌肉多层次响应机制及运动功能评估策略的分析;
针对步骤2所获取的{TVDL,CMSH,CFC,TSE,TFNMF,DFC},开展肌肉多层次响应机制及运动功能评估策略分析,在机制分析层面,分析肌肉多层次动态特征间的关联特性并获取其变化规律,构建基于概念属性的多元可视化模型;在功能评估策略研究方面,基于模糊层次法分析多层次动态特征,构建基于肌电多层次特征指标与综合评估策略,具体过程如下:
步骤31,分析肢体肌肉多层次动态响应间关联特性分析;
基于{TVDL,CMSH,CFC,TSE,TFNMF,DFC}间关联关系,获取激活肌肉收缩水平、关联肌肉信息交互及功能肌群协同作用的内在关联规则及作用机制;
步骤32,分析肢体肌肉多层次动态响应规律及实现可视化呈现;
基于肌肉动态特征指标,分析肌肉多层次动态响应变化规律,以及肌肉动态响应的变化差异;明确基于运动模式概念属性的多元关联信息,综合描述不同动作模式下动态特征变化及属性规律;
步骤4、根据功能肌群协同作用的模块化结构及功能网络特性,获得针对肢体运动模式异常及功能结构改变的情况,具体步骤为:
步骤41、构建多通道肌电时频协同分析模型,描述动作关联肌群时-频尺度上的协同控制模式;
步骤42、针对特定运动模式下肌肉间的网络结构特征和动态信息传递特性,引入时域小世界网络模型分析多通道肌电动态功能连接特性;
步骤5、确定肢体肌肉多层次动态响应机制及构建运动功能评估策略,具体为:
步骤51、在机制分析层面,分析肌肉多层次动态特征间的关联特性,并获取其变化规律,构建基于概念属性的多元可视化模型;
步骤52、在功能评估策略研究方面,基于模糊层次法分析多层次动态特征,挖掘肢体肌肉多层次动态特征间的关联特性,肢体肌肉动态响应机制,进而评估运动功能。
2.根据权利要求1所述的基于肌电信号的多层次运动功能评估方法,其特征在于,所述步骤41具体为:
将多通道肌电进行小波包分解获取子空间;非负矩阵分解协同模块数量方法,并对数据进行分析,获取体现肌肉协同作用的频域模块化结构特征指标。
3.根据权利要求1所述的基于肌电信号的多层次运动功能评估方法,其特征在于,所述步骤42具体为:
基于滑动窗口选取肌电数据,计算信号皮尔逊相关系数作为功能耦合水平,建立时域网络;
引入稀疏性法将网络归一为二值化矩阵,并估计时域特征路径;
计算时域全局效率和局部效率量化时域网络的3-D时空拓扑结构,描述时间网络的整体信息传输效率和对局部故障的恢复能力;
对数据进行分析,为了得到特定运动模式下多肌肉间的功能连接关系,根据有效的多肌肉功能网络分析方法,分析功能肌群内不同肌肉间的网络结构特性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111266151.8A CN113967025B (zh) | 2021-10-28 | 2021-10-28 | 一种基于肌电信号的多层次运动功能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111266151.8A CN113967025B (zh) | 2021-10-28 | 2021-10-28 | 一种基于肌电信号的多层次运动功能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113967025A CN113967025A (zh) | 2022-01-25 |
CN113967025B true CN113967025B (zh) | 2023-02-03 |
Family
ID=79588852
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111266151.8A Active CN113967025B (zh) | 2021-10-28 | 2021-10-28 | 一种基于肌电信号的多层次运动功能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113967025B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153379B (zh) * | 2023-10-31 | 2024-02-20 | 深圳市前海蛇口自贸区医院 | 一种胸廓出口综合征的预测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
CN113229831A (zh) * | 2021-05-10 | 2021-08-10 | 燕山大学 | 基于肌电和肌氧信号的运动功能监测管理方法 |
-
2021
- 2021-10-28 CN CN202111266151.8A patent/CN113967025B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018026842A1 (en) * | 2016-08-01 | 2018-02-08 | University Of Utah Research Foundation | Signal processing for decoding intended movements from electromyographic signals |
CN113229831A (zh) * | 2021-05-10 | 2021-08-10 | 燕山大学 | 基于肌电和肌氧信号的运动功能监测管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113967025A (zh) | 2022-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105559777B (zh) | 基于小波包和lstm型rnn神经网络的脑电识别方法 | |
Sunil Kumar et al. | Bio-signals Compression Using Auto Encoder | |
Gandhi et al. | A comparative study of wavelet families for EEG signal classification | |
Acharya et al. | Classification of heart rate data using artificial neural network and fuzzy equivalence relation | |
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 | |
Thomas et al. | Adaptive tracking of discriminative frequency components in electroencephalograms for a robust brain–computer interface | |
CN114533086B (zh) | 一种基于空域特征时频变换的运动想象脑电解码方法 | |
Powar et al. | A novel pre-processing procedure for enhanced feature extraction and characterization of electromyogram signals | |
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 | |
Lahiri et al. | Evolutionary perspective for optimal selection of EEG electrodes and features | |
CN106618561A (zh) | 残障人士运动状态下脑电信号的高鲁棒解析方法 | |
Farina et al. | Optimized wavelets for blind separation of nonstationary surface myoelectric signals | |
CN112541415B (zh) | 基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法 | |
CN113274033A (zh) | 基于脑肌电交叉频率耦合的运动功能监测管理方法 | |
CN113967025B (zh) | 一种基于肌电信号的多层次运动功能评估方法 | |
Machado et al. | Deep learning for surface electromyography artifact contamination type detection | |
Zhang et al. | Scoring upper-extremity motor function from EEG with artificial neural networks: a preliminary study | |
Zhang et al. | sEMG-based shoulder-elbow composite motion pattern recognition and control methods for upper limb rehabilitation robot | |
Ball et al. | PWC-ICA: a method for stationary ordered blind source separation with application to EEG | |
CN114387668A (zh) | 一种基于多层次神经肌肉耦合特征信息融合的分类方法 | |
Robinson et al. | Effectiveness of surface electromyography in pattern classification for upper limb amputees | |
Vani et al. | EEG signal analysis for automated epilepsy seizure detection using wavelet transform and artificial neural network | |
Ai et al. | Gestures recognition based on wavelet and LLE | |
Freitas et al. | A real-time embedded system design for ERD/ERS measurement on EEG-based brain-computer interfaces |
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 |