CN114154543B - 基于因果特征的人体上肢运动神经行为辨识模型构建方法 - Google Patents

基于因果特征的人体上肢运动神经行为辨识模型构建方法 Download PDF

Info

Publication number
CN114154543B
CN114154543B CN202111473700.9A CN202111473700A CN114154543B CN 114154543 B CN114154543 B CN 114154543B CN 202111473700 A CN202111473700 A CN 202111473700A CN 114154543 B CN114154543 B CN 114154543B
Authority
CN
China
Prior art keywords
causal
brain
absolute
sample
sample set
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
Application number
CN202111473700.9A
Other languages
English (en)
Other versions
CN114154543A (zh
Inventor
张羿
张力夫
王冠
李梓文
谢明君
斯蒂芬·苏
徐鹏
尧德中
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202111473700.9A priority Critical patent/CN114154543B/zh
Publication of CN114154543A publication Critical patent/CN114154543A/zh
Application granted granted Critical
Publication of CN114154543B publication Critical patent/CN114154543B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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]
    • A61B5/372—Analysis of electroencephalograms
    • 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
    • A61B5/388—Nerve conduction study, e.g. detecting action potential of peripheral nerves
    • 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
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Psychiatry (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Neurology (AREA)
  • Neurosurgery (AREA)
  • Psychology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

本发明公开了一种基于因果特征的人体上肢运动神经行为辨识模型构建方法,包括以下步骤：S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，进行滤波去噪和裁剪后得到原始样本集合ΓN；S2.获得脑肌任务态样本集
Figure DDA0003384876310000011
和
Figure DDA0003384876310000012
S3.获得脑肌静息态样本集
Figure DDA0003384876310000013
S4.分割样本组，计算各个样本组对应的绝对因果强度矩阵；S5.获取具备显著性差异的脑电通道，作为主要脑电通道；S6.获取训练样本，并形成训练样本集；S7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。本发明能够得到辨识上肢运动神经行为的分类器模型，为基于因果特征的人体上肢运动神经行为辨识提供了支撑。

Description

基于因果特征的人体上肢运动神经行为辨识模型构建方法
技术领域
本发明涉及运动神经行为辨识，特别涉及基于因果特征的人体上肢运动神经行为辨识模型构建方法。
背景技术
脑肌生理网络关注大脑和神经肌肉系统之间复杂过程的功能和调节，并通过解释大脑行为架构和网络操作原理，如已提出的脑网络技术(如功能连接、因果建模和多变量建模)为混合脑计算机接口(hBCI)服务。因果关系分析是基于分布式大脑反应的因果关系和效应关系的推论而建立的有效连通性的工具，识别大脑网络因果关系的最普遍理论是格兰杰因果关系，它依赖于时间序列的时间依赖性，并要求确定因果关系的时间可分离性。
但是，目前而言，基于因果特征的人体上肢运动神经行为辨识的还存在着诸多不足，导致上肢运动神经行为的识别存在着诸多困难。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于因果特征的人体上肢运动神经行为辨识模型构建方法，能够得到有效的人体上肢运动神经行为辨识模型，为人体上肢运动神经的辨识提供了有利条件。
本发明的目的是通过以下技术方案来实现的：基于因果特征的人体上肢运动神经行为辨识模型构建方法，包括以下步骤：
S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，得到多通道脑电与肌电时间序列信号，并对每个通道的信号进行滤波去噪，并对滤波去噪后的信号进行裁剪得到原始样本集合ΓN；
S2.从原始样本集合ΓN中获得左右上肢屈肘运动两个任务态下的脑肌任务态样本集
Figure BDA0003384876290000011
和
Figure BDA0003384876290000012
S3.从原始样本集合ΓN中获得脑肌静息态样本集
Figure BDA0003384876290000013
S4.分别将脑肌任务态样本集
Figure BDA0003384876290000014
脑肌任务态样本集
Figure BDA0003384876290000015
和脑肌静息态样本集
Figure BDA0003384876290000016
的每一列分割为一个样本组，然后对于每一个样本组进行噪声辅助多元经验模式因果分解算法求解，并计算各个样本组对应的绝对因果强度矩阵；
S5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验，得到具备显著性差异的脑电通道，作为主要脑电通道；
S6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号，任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号，分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解，并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵，进行标记后作为训练样本，加入同一个集合中，形成训练样本集；
S7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。
本发明的有益效果是：本发明能够得到有效的人体上肢运动神经行为辨识模型，为人体上肢运动神经的辨识提供了有利条件；并且在构建模型的过程中，基于主要脑通道筛选进行训练样本的获取，在保证模型准确性的同时，降低了模型构建的复杂度。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，基于因果特征的人体上肢运动神经行为辨识模型构建方法，包括以下步骤：
S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，得到多通道脑电与肌电时间序列信号，并对每个通道的信号进行滤波去噪，并对滤波去噪后的信号进行裁剪得到原始样本集合ΓN；
S2.从原始样本集合ΓN中获得左右上肢屈肘运动两个任务态下的脑肌任务态样本集
Figure BDA0003384876290000021
和
Figure BDA0003384876290000022
S3.从原始样本集合ΓN中获得脑肌静息态样本集
Figure BDA0003384876290000023
S4.分别将脑肌任务态样本集
Figure BDA0003384876290000024
脑肌任务态样本集
Figure BDA0003384876290000025
和脑肌静息态样本集
Figure BDA0003384876290000026
的每一列分割为一个样本组，然后对于每一个样本组进行噪声辅助多元经验模式因果分解算法求解，并计算各个样本组对应的绝对因果强度矩阵；
S5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验，得到具备显著性差异的脑电通道，作为主要脑电通道；
S6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号，任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号，分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解，并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵，进行标记后作为训练样本，加入同一个集合中，形成训练样本集；
S7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。
在本申请的实施例中，构建分类器模型采用的算法包括但不限于贝叶斯、支持向量、KNN、随机森林、RNN和CNN算法中的一种。
进一步地，所述步骤S1包括：
S101.在左上肢屈肘运动任务态、右上肢屈肘运动任务态和静止态三种状态下，对人脑表皮和左右臂肱二头肌的电生理信号进行同步采集，对采集到的信号进行滤波去噪后，得到脑肌电多通道信号；
S102.对于脑肌电多通道信号，针对每一个通道中左上肢屈肘运动任务态和右上肢屈肘运动任务态对应的信号，以每个屈肘运动开始和结束为起点与终点，进行数据裁剪；针对每一个通道中静止态对应的信号，取相较于任务态近似数据长度进行裁剪；其中相较于任务态近似数据长度是指：与左上肢屈肘运动任务态和右上肢屈肘运动任务态裁剪得到的数据长度最大值相差不超过10％；
裁剪完成后得到原始样本集合ΓN：
Figure BDA0003384876290000031
其中N表示脑肌电多通道信号的总通道数量，n表示脑电时间序列信号的总通道数量，n＝N-2，r表示右臂肱二头肌电通道，l表示左臂肱二头肌电通道；
在通道m对应的数据
Figure BDA0003384876290000032
中，
Figure BDA0003384876290000033
表示针对通道m中左上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含i个样本；
Figure BDA0003384876290000034
表示针对通道m中右上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含j个样本；
Figure BDA0003384876290000035
表示对通道m静止态对应的信号，进行裁剪得到的数据，包含k个样本；
其中m的取值范围为{1,2,...n}∪{r,l}。
进一步地，所述步骤S2中得到的左、右上肢屈肘运动两个任务态下的脑肌任务态样本集为
Figure BDA0003384876290000041
和
Figure BDA0003384876290000042
Figure BDA0003384876290000043
Figure BDA0003384876290000044
进一步地，所述步骤S3中，得到的脑肌静息态样本集
Figure BDA0003384876290000045
为：
Figure BDA0003384876290000046
进一步地，所述步骤S2中样本集
Figure BDA0003384876290000047
中每个样本的时间序列信号形式为：
{x1,x2,…,xt1}
其中t1为样本集
Figure BDA0003384876290000048
中每个样本的时间序列信号长度；
所述步骤S2中样本集
Figure BDA0003384876290000049
中每个样本的时间序列信号形式为：
{y1,y2,…,yt2}
其中t2为样本集
Figure BDA00033848762900000410
中每个样本的时间序列信号长度；
所述步骤S3中样本集
Figure BDA00033848762900000411
中每个样本的时间序列信号形式为：
{z1,z2,…,zt3}
其中t3为样本集
Figure BDA00033848762900000412
中每个样本的时间序列信号长度。
进一步地，所述步骤S4包括：
S401.设
Figure BDA0003384876290000051
中任意第I个样本组为XI、
Figure BDA0003384876290000052
中任意第J个样本组为YJ，
Figure BDA0003384876290000053
中任意第K个样本组为ZK，则：
Figure BDA0003384876290000054
Figure BDA0003384876290000055
Figure BDA0003384876290000056
其中，I＝1,2,...i，J＝1,2,...j，K＝1,2,...k；
S402.对样本组XI进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组XI中任意两个信号之间的绝对因果强度，形成样本组XI的绝对因果强度矩阵；
S403.在I＝1,2,...i时，重复执行步骤S402，得到i个绝对因果强度矩阵；
S404.对样本组YJ进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组YJ中任意两个信号之间的绝对因果强度，形成样本组YJ的绝对因果强度矩阵；
S405.在J＝1,2,...j时，重复执行步骤S404，得到j个绝对因果强度矩阵；
S406.对样本组ZK进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组ZK中任意两个信号之间的绝对因果强度，形成样本组ZK的绝对因果强度矩阵；
S407.在K＝1,2,...k时，重复执行步骤S406，得到k个绝对因果强度矩阵；
其中，步骤S402中样本组XI的绝对因果强度矩阵、步骤S404样本组YJ的绝对因果强度矩阵、步骤S406中样本组ZK的绝对因果强度矩阵具有相同的矩阵形式，用如下的上三角矩阵表示：
Figure BDA0003384876290000057
在表示样本组XI的绝对因果强度矩阵时，mpq表示样本
Figure BDA0003384876290000058
与
Figure BDA0003384876290000059
之间的绝对因果强度；
在表示样本组YJ的绝对因果强度矩阵时，mpq表示样本
Figure BDA00033848762900000510
与
Figure BDA00033848762900000511
之间的绝对因果强度；
在表示样本组ZK的绝对因果强度矩阵时，mpq表示样本
Figure BDA00033848762900000512
与
Figure BDA00033848762900000513
之间的绝对因果强度；
其中p、q的取值范围均为{1,2,...n}∪{r,l}。
进一步地，所述步骤S5包括：
S501.分别从样本组XI、样本组YJ和样本组ZK的绝对因果强度矩阵中，取出第n+1列和第n+2前n行的元素，并将三个样本组绝对因果强度矩阵中取出的元素分别进行重构，得到数序向量vXI、vYJ和vZK；
其中，vI表示从样本组XI绝对因果强度矩阵取出元素重构的数序向量，vJ表示从样本组YJ绝对因果强度矩阵取出元素重构的数序向量；vK表示从样本组ZK绝对因果强度矩阵取出元素重构的数序向量；
数序向量vXI、vYJ和vZK具有相同的向量形式，具体如下：
{m1r,m2r,…,mnr,m1l,m2l,…,mnl}；
S502.在I＝1,2,...i按照步骤S501获取对应的vXI，得到向量组Vx：
Vx＝{vXI|I＝1,2,…,i}
在J＝1,2,...j按照步骤S501获取对应的vYJ，得到向量组VY：
VY＝{vYJ|J＝1,2,…,j}
在K＝1,2,...k按照步骤S501获取对应的vZK，得到向量组VZ：
VZ＝{vZK|K＝1,2,…,k}
S503.对Vx中每个数序向量的第
Figure BDA0003384876290000061
个元素和
Figure BDA0003384876290000062
个元素进行提取，并将元素以下列数序形式进行重构，
Figure BDA0003384876290000063
对VY中每个数序向量的第
Figure BDA0003384876290000064
个元素和
Figure BDA0003384876290000065
个元素进行提取，并将元素以下列数序形式进行重构，
Figure BDA0003384876290000066
对VZ中每个数序向量的第
Figure BDA0003384876290000067
个元素和
Figure BDA0003384876290000068
个元素进行提取，并将元素以下列数序形式进行重构，
Figure BDA0003384876290000069
S504.设手臂不产生运动行为为零假设，对
Figure BDA00033848762900000610
和
Figure BDA00033848762900000611
两组进行单因素方差分析，得到第
Figure BDA00033848762900000612
个脑电通道的一个p值，记为
Figure BDA00033848762900000613
对
Figure BDA0003384876290000071
和
Figure BDA0003384876290000072
两组进行单因素方差分析，得到第
Figure BDA0003384876290000073
个脑电通道的另一个p值，记为
Figure BDA0003384876290000074
若
Figure BDA0003384876290000075
均小于0.01，则第
Figure BDA0003384876290000076
个脑电通道具备显著性差异，将该脑电通道标定为主要脑电通道；
S505.在
Figure BDA0003384876290000077
时，重复执行步骤S503～S504，得到所有的主要脑电通道。
进一步地，所述步骤S6包括：
S601.假设主要脑电通道的数量为
Figure BDA0003384876290000078
任务态下主要脑电通道与左臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-左臂因果信号
Figure BDA0003384876290000079
任务态下主要脑电通道与右臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-右臂因果信号
Figure BDA00033848762900000710
Figure BDA00033848762900000711
Figure BDA00033848762900000712
S602.对于脑-左臂因果信号
Figure BDA00033848762900000713
的第W列
Figure BDA00033848762900000714
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算
Figure BDA00033848762900000715
中任意两个信号之间的绝对因果强度，形成
Figure BDA00033848762900000716
的绝对因果强度矩阵；
S603.在W＝1,2,...i时，重复步骤S602，得到i个因果强度矩阵作为特征矩阵，并对这i个因果强度矩阵添加标签“0”，标签“0”表示左上肢屈肘运动；
S604.对于脑-右臂因果信号
Figure BDA00033848762900000717
的第U列
Figure BDA00033848762900000718
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算
Figure BDA00033848762900000719
中任意两个信号之间的绝对因果强度，形成
Figure BDA00033848762900000720
的绝对因果强度矩阵；
S605.在U＝1,2,...j时，重复步骤S602，得到j个因果强度矩阵作为特征矩阵，并对这j个因果强度矩阵添加标签“1”，标签“1”表示右上肢屈肘运动；
S606.将步骤S603和S605所有特征矩阵与对应的标签作为训练样本，加入同一个集合中，形成训练样本集。
在本申请的实施例中，对多个信号(如样本组XI中的信号、样本组YJ中的信号、样本组ZK中的信号、脑-左臂因果信号
Figure BDA0003384876290000081
第W列的信号或脑-右臂因果信号
Figure BDA0003384876290000082
第U列的信号，均按照如下过程进行处理)进行基于噪声辅助多元经验模式因果分解算法(NA-MEMD CausalDecomposition)的分解，并计算任意两个信号之间的绝对因果强度的过程如下：
第一步，设待分析的多个信号为：
u1＝{u1,1,u1,2,...,u1,t}
u2＝{u2,1,u2,2,...,u2,t}
......
um＝{um,1,um,2,...,um,t}
利用NA-MEMD算法对待分析的信号u1,u2,...,um进行分解：
Figure BDA0003384876290000083
Figure BDA0003384876290000084
......
Figure BDA0003384876290000085
Figure BDA0003384876290000086
Figure BDA0003384876290000087
......
Figure BDA0003384876290000088
其中，
Figure BDA0003384876290000089
表示利用NA-MEMD算法对信号进行分解，NA-MEMD算法是指基于噪声辅助的多元经验模式分解算法，m表示输入的信号数目，并且满足m≥2，t∈N+，N+表示正整数；
Figure BDA00033848762900000810
表示NA-MEMD算法选择的辅助噪声，
Figure BDA00033848762900000811
互不相关且均为随机高斯噪声，
Figure BDA00033848762900000812
为选择的辅助噪声数目，n表示每个输入的信号分解后得到的IMF信号个数；
第二步、对于任意两个信号ui,uj，进行因果分析，i＝1,2,...m,j＝1,2...,m，分析过程如下：
(1)将信号ui分解得到的信号{IMFi,1,IMFi,2,...,IMFi,n}与信号uj分解得到的信号{IMFj,1,IMFj,2,...,IMFj,n}进行配对，得到n个IMF对：
(IMFi,1,IMFj,1),(IMFi,2,IMFj,2),....,(IMFi,n,IMFj,n)；
每个IMF对中，两个IMF信号的时间长度相等；
(2)计算每一个IMF对的平均瞬时相位差，并将计算得到的平均瞬时相位差与预设的阈值进行比较，筛选出平均瞬时相位差小于预设阈值的IMF对，生成ICC集：
Figure BDA0003384876290000091
其中，
Figure BDA0003384876290000092
中k1的表示
Figure BDA0003384876290000093
为{IMFi,1,IMFi,2,...,IMFi,n}中的第k1个信号，
Figure BDA0003384876290000094
中k1的表示
Figure BDA0003384876290000095
为{IMFj,1,IMFj,2,...,IMFj,n}中的第k1个信号；
Figure BDA0003384876290000096
中k2的表示
Figure BDA0003384876290000097
为{IMFi,1,IMFi,2,...,IMFi,n}中的第k2个信号，
Figure BDA0003384876290000098
中k2的表示
Figure BDA0003384876290000099
为{IMFj,1,IMFj,2,...,IMFj,n}中的第k2个信号；
同理，
Figure BDA00033848762900000910
中
Figure BDA00033848762900000917
的表示
Figure BDA00033848762900000911
为{IMFi,1,IMFi,2,...,IMFi,n}中的第
Figure BDA00033848762900000915
个信号，
Figure BDA00033848762900000912
中
Figure BDA00033848762900000916
的表示
Figure BDA00033848762900000913
为{IMFj,1,IMFj,2,...,IMFj,n}中的第
Figure BDA00033848762900000918
个信号；
Figure BDA00033848762900000914
表示ICC集中的IMF对个数；
所述步骤(2)包括：
(2.1)设定各个IMF对的平均瞬时相位差阈值δ1,δ2,...δn；
(2.2)计算第h个IMF对(IMFi,h,IMFj,h)的平均瞬时相位差：
设mean(φi,h)表示IMFi,h的平均瞬时相位，即IMFi,h在时间长度内的瞬时相位平均值；mean(φj,h)表示IMFj,h的平均瞬时相位，即IMFj,h时间长度内的瞬时相位平均值；
则第h个IMF对(IMFi,h,IMFj,h)的平均瞬时相位差为：
|mean(φi,h)-mean(φj,h)|；
将|mean(φi,h)-mean(φj,h)|与对应阈值δh进行比较，判断是否满足：
|mean(φi,h)-mean(φj,h)|＜δh；
如果满足，则将对应的(IMFi,h,IMFj,h)加入ICC集中；
若不满足，则抛弃(IMFi,h,IMFj,h)；
(2.3)在h＝1,2,...n时，分别重复执行步骤(2.2)，最终得到ICC集为：
Figure BDA0003384876290000101
(3)分别计算ICC集中每一个IMF对的相位相关性；
Figure BDA0003384876290000102
其中，
Figure BDA00033848762900001011
T表示IMFi,k和IMFj,k的时间长度，φi,k(t)表示IMFi,k在时刻t的瞬时相位，φj,k(t)表示IMFj,k在时刻t的瞬时相位；
(4)信号重分解：
从ICC集中各序号对应的IMF对中，筛选出频率最大的IMF对：由于NA-MEMD算法分解出来的IMF信号频率是由大到小排列的，故筛选出频率最大的IMF对为
Figure BDA0003384876290000103
利用原始信号uj减去
Figure BDA0003384876290000104
得到u′j，利用u′j替换掉输入信号组u1,u2,...,um中uj，然后对替换后的输入信号组进行NA-MEMD分解；
分解后取出u′j对应的分解信号{IMF′j,1,IMF′j,2,...,IMF′j,n}
利用原始信号ui减去
Figure BDA0003384876290000105
得到u′i，利用u′i替换掉输入信号组u1,u2,...,um中ui，然后对替换后的输入信号组进行NA-MEMD分解；
分解后取出u′i对应的分解信号{IMF′i,1,IMF′i,2,...,IMF′i,n}；
(5)计算ui对uj的因果
Figure BDA0003384876290000106
以及uj对ui的因果
Figure BDA0003384876290000107
Figure BDA0003384876290000108
式中，
Figure BDA0003384876290000109
是ui分解得到的第k个IMF的方差，
Figure BDA00033848762900001010
表示uj分解得到的第k个IMF的方差；Wk为中间变量；
(6)计算ui与uj的绝对因果强度，绝对因果强度等于如下比值：
Figure BDA0003384876290000111
第三步、对于u1,u2,...,um中任意两个信号，重复执行第二步，直至得到u1,u2,...,um中各个信号两两之间的绝对因果强度，得到绝对因果强度矩阵,形式为：
Figure BDA0003384876290000112
其中ubc表示ub与uc之间的绝对因果强度矩阵，b、c的取值范围为：{1,2,...m}。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：包括以下步骤：
S1.对人脑表皮和左右臂肱二头肌电生理信号进行同步采集，得到多通道脑电与肌电时间序列信号，并对每个通道的信号进行滤波去噪，并对滤波去噪后的信号进行裁剪得到原始样本集合ΓN；
S2.从原始样本集合ΓN中获得左右上肢屈肘运动两个任务态下的脑肌任务态样本集
Figure FDA0004126548950000011
和
Figure FDA0004126548950000012
S3.从原始样本集合ΓN中获得脑肌静息态样本集
Figure FDA0004126548950000013
S4.分别将脑肌任务态样本集
Figure FDA0004126548950000014
脑肌任务态样本集
Figure FDA0004126548950000015
和脑肌静息态样本集
Figure FDA0004126548950000016
的每一列分割为一个样本组，然后对于每一个样本组进行噪声辅助多元经验模式因果分解算法求解，并计算各个样本组对应的绝对因果强度矩阵；
所述步骤S4包括：
S401.设
Figure FDA0004126548950000017
中任意第I个样本组为XI、
Figure FDA0004126548950000018
中任意第J个样本组为YJ，
Figure FDA0004126548950000019
中任意第K个样本组为ZK，则：
Figure FDA00041265489500000110
Figure FDA00041265489500000111
Figure FDA00041265489500000112
其中，I＝1,2,…i，J＝1,2,…j，K＝1,2,…k；
S402.对样本组XI进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组XI中任意两个信号之间的绝对因果强度，形成样本组XI的绝对因果强度矩阵；
S403.在I＝1,2,…i时，重复执行步骤S402，得到i个绝对因果强度矩阵；
S404.对样本组YJ进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组YJ中任意两个信号之间的绝对因果强度，形成样本组YJ的绝对因果强度矩阵；
S405.在J＝1,2,…j时，重复执行步骤S404，得到j个绝对因果强度矩阵；
S406.对样本组ZK进行基于噪声辅助多元经验模式因果分解算法的分解，并计算样本组ZK中任意两个信号之间的绝对因果强度，形成样本组ZK的绝对因果强度矩阵；
S407.在K＝1,2,…k时，重复执行步骤S406，得到k个绝对因果强度矩阵；
其中，步骤S402中样本组XI的绝对因果强度矩阵、步骤S404样本组YJ的绝对因果强度矩阵、步骤S406中样本组ZK的绝对因果强度矩阵具有相同的矩阵形式，用如下的上三角矩阵表示：
Figure FDA0004126548950000021
在表示样本组XI的绝对因果强度矩阵时，mpq表示样本
Figure FDA0004126548950000022
与
Figure FDA0004126548950000023
之间的绝对因果强度；
在表示样本组YJ的绝对因果强度矩阵时，mpq表示样本
Figure FDA0004126548950000024
与
Figure FDA0004126548950000025
之间的绝对因果强度；
在表示样本组ZK的绝对因果强度矩阵时，mpq表示样本
Figure FDA0004126548950000026
与
Figure FDA0004126548950000027
之间的绝对因果强度；
其中p、q的取值范围均为{1,2,...n}∪{r,l}；
S5.基于各个样本组对应的绝对因果强度矩阵进行差异性检验，得到具备显著性差异的脑电通道，作为主要脑电通道；
S501.分别从样本组XI、样本组YJ和样本组ZK的绝对因果强度矩阵中，取出第n+1列和第n+2前n行的元素，并将三个样本组绝对因果强度矩阵中取出的元素分别进行重构，得到数序向量vXI、vYJ和vZK；
其中，vI表示从样本组XI绝对因果强度矩阵取出元素重构的数序向量，vJ表示从样本组YJ绝对因果强度矩阵取出元素重构的数序向量；vK表示从样本组ZK绝对因果强度矩阵取出元素重构的数序向量；
数序向量vXI、vYJ和vZK具有相同的向量形式，具体如下：
{m1r,m2r,…,mnr,m1l,m2l,…,mnl}；
S502.在I＝1,2,...i按照步骤S501获取对应的vXI，得到向量组Vx：
Vx＝{vXI|I＝1,2,…,i}
在J＝1,2,...j按照步骤S501获取对应的vYJ，得到向量组VY：
VY＝{vYJ|J＝1,2,…,j}
在K＝1,2,...k按照步骤S501获取对应的vZK，得到向量组VZ：
VZ＝{vZK|K＝1,2,…,k}
S503.对Vx中每个数序向量的第
Figure FDA0004126548950000031
个元素和
Figure FDA0004126548950000032
个元素进行提取，并将元素以下列数序形式进行重构，
Figure FDA0004126548950000033
对VY中每个数序向量的第
Figure FDA0004126548950000034
个元素和
Figure FDA0004126548950000035
个元素进行提取，并将元素以下列数序形式进行重构，
Figure FDA0004126548950000036
对VZ中每个数序向量的第
Figure FDA0004126548950000037
个元素和
Figure FDA0004126548950000038
个元素进行提取，并将元素以下列数序形式进行重构，
Figure FDA0004126548950000039
S504.设手臂不产生运动行为为零假设，对
Figure FDA00041265489500000310
和
Figure FDA00041265489500000311
两组进行单因素方差分析，得到第
Figure FDA00041265489500000312
个脑电通道的一个p值，记为
Figure FDA00041265489500000313
对
Figure FDA00041265489500000314
和
Figure FDA00041265489500000315
两组进行单因素方差分析，得到第
Figure FDA00041265489500000316
个脑电通道的另一个p值，记为
Figure FDA00041265489500000317
若
Figure FDA00041265489500000318
均小于0.01，则第
Figure FDA00041265489500000319
个脑电通道具备显著性差异，将该脑电通道标定为主要脑电通道；
S505.在
Figure FDA00041265489500000320
时，重复执行步骤S503～S504，得到所有的主要脑电通道；
S6.将任务态下主要脑电通道与左臂肌电通道合并所构成的脑-左臂因果信号，任务态下主要脑电通道与右臂肌电通道合并所构成脑-右臂因果信号，分别对脑-左臂因果信号、脑-右臂因果信号的每一列进行噪声辅助多元经验模式因果分解算法求解，并计算脑-左臂因果信号、脑-右臂因果信号的每一列对应的绝对因果强度矩阵，进行标记后作为训练样本，加入同一个集合中，形成训练样本集；
所述步骤S6包括：
S601.假设主要脑电通道的数量为
Figure FDA00041265489500000321
任务态下主要脑电通道与左臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-左臂因果信号
Figure FDA00041265489500000322
任务态下主要脑电通道与右臂肌电通道合并所构成的多通道脑肌时间序列信号，即脑-右臂因果信号
Figure FDA00041265489500000323
Figure FDA0004126548950000041
Figure FDA0004126548950000042
S602.对于脑-左臂因果信号
Figure FDA0004126548950000043
的第W列
Figure FDA0004126548950000044
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算
Figure FDA0004126548950000045
中任意两个信号之间的绝对因果强度，形成
Figure FDA0004126548950000046
的绝对因果强度矩阵；
S603.在W＝1,2,…i时，重复步骤S602，得到i个因果强度矩阵作为特征矩阵，并对这i个因果强度矩阵添加标签“0”，标签“0”表示左上肢屈肘运动；
S604.对于脑-右臂因果信号
Figure FDA0004126548950000047
的第U列
Figure FDA0004126548950000048
进行基于噪声辅助多元经验模式因果分解算法的分解，并计算
Figure FDA0004126548950000049
中任意两个信号之间的绝对因果强度，形成
Figure FDA00041265489500000410
的绝对因果强度矩阵；
S605.在U＝1,2,…j时，重复步骤S602，得到j个因果强度矩阵作为特征矩阵，并对这j个因果强度矩阵添加标签“1”，标签“1”表示右上肢屈肘运动；
S606.将步骤S603和S605所有特征矩阵与对应的标签作为训练样本，加入同一个集合中，形成训练样本集；
S7.构建人体上肢运动神经行为辨识的分类器模型，利用训练样本集对分类器模型进行训练，得到能够进行上肢运动神经行为辨识的分类器模型。
2.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤S1包括：
S101.在左上肢屈肘运动任务态、右上肢屈肘运动任务态和静止态三种状态下，对人脑表皮和左右臂肱二头肌的电生理信号进行同步采集，对采集到的信号进行滤波去噪后，得到脑肌电多通道信号；
S102.对于脑肌电多通道信号，针对每一个通道中左上肢屈肘运动任务态和右上肢屈肘运动任务态对应的信号，以每个屈肘运动开始和结束为起点与终点，进行数据裁剪；针对每一个通道中静止态对应的信号，取相较于任务态近似数据长度进行裁剪；其中相较于任务态近似数据长度是指：与左上肢屈肘运动任务态和右上肢屈肘运动任务态裁剪得到的数据长度最大值相差不超过10％；
裁剪完成后得到原始样本集合ΓN：
Figure FDA0004126548950000051
其中N表示脑肌电多通道信号的总通道数量，n表示脑电时间序列信号的总通道数量，n＝N-2，r表示右臂肱二头肌电通道，l表示左臂肱二头肌电通道；
在通道m对应的数据
Figure FDA0004126548950000052
中，
Figure FDA0004126548950000053
表示针对通道m中左上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含i个样本；
Figure FDA0004126548950000054
表示针对通道m中右上肢屈肘运动任务态对应的信号，进行裁剪得到的数据，包含j个样本；
Figure FDA0004126548950000055
表示对通道m静止态对应的信号，进行裁剪得到的数据，包含k个样本；
其中m的取值范围为{1,2,…n}∪{r,l}。
3.根据权利要求1所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤S2中得到的左、右上肢屈肘运动两个任务态下的脑肌任务态样本集为
Figure FDA0004126548950000056
和
Figure FDA0004126548950000057
Figure FDA0004126548950000058
Figure FDA0004126548950000061
4.根据权利要求3所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤S3中，得到的脑肌静息态样本集
Figure FDA0004126548950000062
为：
Figure FDA0004126548950000063
5.根据权利要求4所述的基于因果特征的人体上肢运动神经行为辨识模型构建方法，其特征在于：所述步骤S2中样本集
Figure FDA0004126548950000064
中每个样本的时间序列信号形式为：
{x1,x2,…,xt1}
其中t1为样本集
Figure FDA0004126548950000065
中每个样本的时间序列信号长度；
所述步骤S2中样本集
Figure FDA0004126548950000066
中每个样本的时间序列信号形式为：
{y1,y2,…,yt2}
其中t2为样本集
Figure FDA0004126548950000067
中每个样本的时间序列信号长度；
所述步骤S3中样本集
Figure FDA0004126548950000068
中每个样本的时间序列信号形式为：
{z1,z2,…,zt3}
其中t3为样本集
Figure FDA0004126548950000069
中每个样本的时间序列信号长度。
CN202111473700.9A 2021-11-30 2021-11-30 基于因果特征的人体上肢运动神经行为辨识模型构建方法 Active CN114154543B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111473700.9A CN114154543B (zh) 2021-11-30 2021-11-30 基于因果特征的人体上肢运动神经行为辨识模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111473700.9A CN114154543B (zh) 2021-11-30 2021-11-30 基于因果特征的人体上肢运动神经行为辨识模型构建方法

Publications (2)

Publication Number Publication Date
CN114154543A CN114154543A (zh) 2022-03-08
CN114154543B true CN114154543B (zh) 2023-04-28

Family

ID=80452476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111473700.9A Active CN114154543B (zh) 2021-11-30 2021-11-30 基于因果特征的人体上肢运动神经行为辨识模型构建方法

Country Status (1)

Country Link
CN (1) CN114154543B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104720796A (zh) * 2015-02-12 2015-06-24 西安交通大学 一种用于癫痫发作时间段的自动检测系统及方法
CN112386227A (zh) * 2020-11-09 2021-02-23 电子科技大学 一种多尺度时间序列生理信号的因果网络分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10606353B2 (en) * 2012-09-14 2020-03-31 Interaxon Inc. Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104720796A (zh) * 2015-02-12 2015-06-24 西安交通大学 一种用于癫痫发作时间段的自动检测系统及方法
CN112386227A (zh) * 2020-11-09 2021-02-23 电子科技大学 一种多尺度时间序列生理信号的因果网络分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Yi Zhang 等.Noise-assisted Multivariate Empirical Mode Decomposition based Causal Decomposition for Detecting Upper Limb Movement in EEG-EMG Hybrid Brain Computer Interface.2021 43rd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC).2021,全文. *
陈迎亚.康复运动中脑肌电融合及同步分析方法研究.中国优秀硕士学位论文全文数据库 (信息科技辑).2017,I136-435. *

Also Published As

Publication number Publication date
CN114154543A (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
Bird et al. Cross-domain MLP and CNN transfer learning for biological signal processing: EEG and EMG
Ajiboye et al. Muscle synergies as a predictive framework for the EMG patterns of new hand postures
CN112861604B (zh) 一种与用户无关的肌电动作识别与控制方法
Pancholi et al. Source aware deep learning framework for hand kinematic reconstruction using EEG signal
Turlapaty et al. Feature analysis for classification of physical actions using surface EMG data
CN111584029A (zh) 基于判别式对抗网络的脑电自适应模型及在康复中的应用
Kurkin et al. Artificial Neural Networks as a Tool for Recognition of Movements by Electroencephalograms.
Shi et al. Multi-view broad learning system for primate oculomotor decision decoding
Sanchez et al. Interpreting spatial and temporal neural activity through a recurrent neural network brain-machine interface
Uddin et al. Synthesizing physiological and motion data for stress and meditation detection
Kasabov et al. Transfer Learning of Fuzzy Spatio-Temporal Rules in a Brain-Inspired Spiking Neural Network Architecture: A Case Study on Spatio-Temporal Brain Data
CN114154543B (zh) 基于因果特征的人体上肢运动神经行为辨识模型构建方法
CN110321856B (zh) 一种时频多尺度散度csp的脑机接口方法及装置
CN112259228A (zh) 一种动态注意力网络非负矩阵分解的抑郁症筛选方法
Jana et al. A hybrid method for classification of physical action using discrete wavelet transform and artificial neural network
Pellionisz Tensor geometry: A language of brains & neurocomputers. Generalized coordinates in neuroscience & robotics
Wang et al. An EMG Gesture Recognition Model Based on BatchNorm2d and Incremental Broad Learning System
Murugan et al. EMG signal classification using ANN and ANFIS for neuro-muscular disorders
Sokhal et al. Classification of EEG signals using novel algorithm for channel selection and feature extraction
Sokhal et al. Classification of EEG signals using empirical mode decomposition and lifting wavelet transforms
Issa et al. Lower limb activity prediction using EMG signals and broad learning
Suhaimi et al. Artificial Neural Network Analysis on Motor Imagery Electroencephalogram
Lubrano Transfer Learning strategies for time robust neural decoding in a Brain-machine interface
Narudin et al. Classification of hand movements of stroke patients using combination of statistical features and artificial neural network
Rajaguru et al. FPGA implementation of a wavelet neural network with particle swarm optimization learning for epileptic seizure detection

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