CN115474945A - 一种面向多通道脑肌电耦合分析的多元全局同步指数方法 - Google Patents
一种面向多通道脑肌电耦合分析的多元全局同步指数方法 Download PDFInfo
- Publication number
- CN115474945A CN115474945A CN202211122284.2A CN202211122284A CN115474945A CN 115474945 A CN115474945 A CN 115474945A CN 202211122284 A CN202211122284 A CN 202211122284A CN 115474945 A CN115474945 A CN 115474945A
- Authority
- CN
- China
- Prior art keywords
- brain
- channel
- synchronization
- matrix
- grid
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 230000008878 coupling Effects 0.000 title claims abstract description 17
- 238000010168 coupling process Methods 0.000 title claims abstract description 17
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 55
- 210000004556 brain Anatomy 0.000 claims abstract description 41
- 210000003205 muscle Anatomy 0.000 claims abstract description 35
- 230000001360 synchronised effect Effects 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000003183 myoelectrical effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000010276 construction Methods 0.000 abstract 1
- 238000002567 electromyography Methods 0.000 description 9
- 238000011160 research Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008288 physiological mechanism Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000001054 cortical effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000537 electroencephalography Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- A61B5/369—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
- A61B5/389—Electromyography [EMG]
- A61B5/397—Analysis of electromyograms
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Veterinary Medicine (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本发明是一种面向多通道脑肌电耦合分析的多元全局同步指数方法,能够从全局角度探究两组多维信号间关系,可应用于多模态信号分析中,评估大脑和肌肉不同区域信息交流的同步强度。首先,对脑肌电数据预处理并提取频段信息;其次,构建数据集并利用网格划分,统计网格中数据点出现频率计算互信息,并标准化处理得到同步系数,构建相关矩阵;然后,通过矩阵运算去除自相关,计算特征值并在标准化后求取熵值,得到多通道脑肌间全局同步指数。该方法从构建系统间相关矩阵出发,克服了系统差异性,保留了系统间的信息传递,实现了从整体上分析区域内的脑肌电同步关系,在分析多通道脑肌间同步关系或其他类型多维信号关联关系时具有良好应用前景。
Description
技术领域
本发明涉及信号处理领域,特别涉及一种面向多通道脑肌电耦合分析的多元全局同步指数方法。
背景技术
多模态数据分析已成当下研究热点之一,通过采集多类型生理信号,进一步探究不同系统间信息交流方式,寻找更为可靠的特征。在多模态数据采集中,脑肌电信号是较易采集且具有代表性的两种信号,常用一致性、互信息等方法度量大脑与肢体间的同步关系,且皮层肌肉功能耦合已成为研究脑肌间信息传递的关键技术,被广泛应用于生理机制的验证及功能康复的凭证中。
大脑和肌肉被视为人体的两大系统,系统间通过各种神经组织相连接,存在自上而下的运动控制和自下而上的反馈,常见分析方式只能探究两两通道间关联关系,而在整体同步关系评估上存在缺陷;在同一系统内多通道同步分析中经常使用S估计器对全局同步关系进行定量分析,而不同系统间的信息传递存在一定差异性,即同一系统内的同步关系会比系统间的强度更大,该方法无法直接评估两个系统间的同步关系,因此本文提出一种面向多通道脑肌电耦合分析的多元全局同步指数方法,从区域同步角度分析不同状态或不同频段的多通道脑肌电耦合变化情况。
发明内容
为解决上述背景技术提到的技术问题,本发明提出了一种面向多通道脑肌电耦合分析的多元全局同步指数方法,为了探索多模态脑肌电的多个通道间同步关系,以探究相关区域下皮层与肌肉之间全局同步关系为例,从构建不同任务状态下的相关矩阵出发,消除同组内不同通道间的相关关系,保留组间同步关系,计算得到该区域脑肌间的同步强度,相较于两两通道间分析,该方法能够更好地挖掘区域整体的同步关系。
为了实现上述技术目的,本发明的技术方案为:
一种面向多通道脑肌电耦合分析的多元全局同步指数方法,该方法包括如下步骤:
步骤1、对采集到的脑肌电多模态信号进行预处理,依据脑电频带特征,通过滤波器提取同频肌电信息,并从中选取所要分析的多通道脑电信号和多通道肌电信号,构成两组多维信号;
步骤2、基于两组多维信号中组间及组内的两两通道信息所组成的有序数据对构建数据集,通过特定规模网格划分后计算对应网格内互信息,将最大互信息标准化处理后选取多种网格划分下的最大值,进而构建不同状态下两系统对应的相关矩阵;
步骤3、通过矩阵运算去除相关矩阵中同一系统的影响,求取标准化特征值对应熵值,获取两组多通道信号间整体的同步强度。
本方法的进一步改进在于:步骤2的具体方法如下:
通过步骤1处理后得到两组有效多通道数据,包括:X={Xi|i=1,2,...,N1}为一组含N1个通道的脑电信号,Y={Yj|j=1,2,...,N2}为另一组含N2个通道的肌电信号;为分析X与Y两组多维变量间的关系,首先分析Xi与Yj两两变量间的关联关系,由Xi与Yj所有取值组成的有序对构成有限集合对有限集合D的n个点进行网格划分,形成a列b行的a×b网格G。
步骤2.1、根据网格G子格内各散点频率计算相应概率密度p(xi)和p(yj)及联合概率密度函数p(xi,yj),其中,p(xi)为变量Xi中的点落在该列的概率密度,p(yj)为变量Yj中的点落在该行的概率密度,p(xi,yj)为变量Xi和变量Yj构成的有序对落在该子网格中的联合概率密度,进而得到两变量的信息熵H(Xi)与H(Yj)及其联合信息熵H(Xi,Yj);两变量的信息熵计算方法类似,其中,变量Xi的信息熵定义如下:
Xi与Yj的联合信息熵定义为:
式中,n为散点的总个数,na和nb分别为散点落在网格G第a列或第b行中的个数,nab为散点落在网格G第a列第b行中的个数。变量Xi和Yj的互信息计算过程如下:
步骤2.2、设定搜索网格数的上界为n0.6,找出多种网格划分方式下互信息最大值I*(Xi;Yj)并进行标准化处理得到M(D)a,b,进而基于特征矩阵M(D)a,b得到变量Xi和Yj的同步关系MIC(Xi,Yj)为:
基于上述过程,计算同组信号间的同步关系MIC(Xi,Xj)和MIC(Yi,Yj)。
步骤2.3、基于已求得的通道间同步关系,构建多通道脑肌间的相关矩阵C;其中,矩阵C包含脑间相关矩阵C11,肌间相关矩阵C22及脑肌交互矩阵C12和C21:
本方法的进一步改进在于:步骤3的具体方法如下:
步骤3.1、构建对角矩阵U,基于矩阵运算处理相关矩阵C,得到去除自相关后的矩阵R:
同步强度S∈[0,1],且多通道脑肌间全局同步强度越高,S值越大。
本方法的进一步改进在于:通过计算两组多通道信号之间的同步关系,构建多通道相关矩阵,基于矩阵运算去除了同组内的相关影响,保留两系统间的信息传递关系,进而应用于评估多通道脑肌电间整体的同步关系,能够有效地量化不同动作阶段下两组间同步强度差异,此外还可应用于区域差异探究或其他类型两组多维信号同步关系分析中。
由于采用了上述技术方案,本发明取得的技术进步是:基于非线性分析方法构建能够反应大脑与肌肉同步关系的相关矩阵,基于矩阵运算去除同一系统内的关系影响,仅保留了组间同步信息,能够从全局角度实现对多通道脑肌间同步强度的评估,体现不同状态及不同频段的多通道脑肌电同步差异,后续还可以应用于不同大脑区域与多个肌群间的关系探究,常见偏侧性、分离性等生理机制探究,为脑肌电耦合分析提供新的研究思路,在探究多模态信号关联关系中具有良好应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明方法的流程示意图;
图2为选用数据的采集电极摆放示意图;
图3为β频段下静态维持阶段的脑肌间关系矩阵;
图4为β频段下静态维持阶段的相关矩阵;
图5为不同动作下全局同步关系的差异比对。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了详细说明本技术方案的关键步骤,下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行完整详细的描述:
如图1所示为本发明提出的面向多通道脑肌电耦合分析的多元全局同步指数方法流程示意图,具体包括以下步骤:
步骤1:对采集到的脑肌电多模态信号进行预处理,依据脑电频带特征,通过滤波器提取同频肌电信息,即提取的肌电有效频段与提取的脑电有效频段保持一致,并从中选取所要分析的多通道脑电信号和多通道肌电信号,构成两组多维信号;
步骤1具体为:脑肌电有效信息提取。为保证后续分析的准确性及可靠性,仅分析被试抓握提起固定重量物块的实验试次,对采集到的脑电信号进行预处理包括:去除基线漂移、眼电和肌电等伪迹以及工频干扰,通过降采样或重采样等操作,使得脑电与肌电保持采样率一致,观察不同通道下肌电信号(5-200Hz)的均方根变化情况,确保受试任务完成良好,提取不同状态下的有效数据;基于脑电信号的频带特性,通过滤波器提取β频段(12-30Hz)与γ频段(31-45Hz)的有效信息,同时提取对应频段的肌电信号,在分析其他特征频段时,提取及分析过程类似;下面以β频段的脑肌电多模态信号分析为例展开说明,选择与运动感觉相关的脑电通道(FC1,FC2,C3,C4,CP5,CP1,CP2,CP6)及肌电通道(AD,B,FD,CED,FDI)进行分析,电极摆放位置见图2。
步骤2:由步骤1得到两组有效多通道数据X与Y,其中X={Xi|i=1,2,...,N1}为一组含N1个通道的脑电信号,Y={Yj|j=1,2,...,N2}为另一组含N2个通道的肌电信号;计算β频段下脑肌间的非线性耦合特征,进而构建所要研究区域的相关矩阵:
步骤2.1:计算Xi与Yj两两变量间的关联关系。由Xi与Yj所有取值组成的有序对构成有限集合并用a列b行的a×b网格G划分数据集D,基于各子网格内散点的频率计算对应的概率密度p(xi)和p(yj)及联合概率密度函数p(xi,yj),进而得到两变量的信息熵H(Xi)与H(Yj)及联合信息熵H(Xi,Yj):
H(Yj)计算过程与H(Xi)类似,Xi与Yj的联合信息熵定义为:
其中,n为散点的总个数,na和nb分别为散点落在网格G第a列或第b行中的个数,nab为散点落在网格G第a列第b行中的个数。变量Xi和Yj的互信息计算过程如下:
步骤2.2:设定搜索网格数的上界为n0.6,找出多种网格划分方式中互信息最大值I*(Xi;Yj)并进行标准化处理得到M(D)a,b;计算样本量为n的数据集D中两变量Xi和Yj的同步关系:
因MIC(Xi,Yj)是在互信息基础上计算得到,该值不受变量前后顺序影响,即基于该方法计算得到的Xi与Yj同步关系不具备方向性。同理,计算同组通道间同步关系MIC(Xi,Xj)和MIC(Yi,Yj)。
步骤2.3:基于两两通道所求得的同步关系,构建多通道相关矩阵C;其中,N1为8,N2为5,矩阵C包含大小为8×8的脑间相关矩阵C11和大小为5×5的肌间相关矩阵C22及脑电与肌电的交互矩阵C12和C21:
同理,计算受试在其他任务动作时,不同频段下对应通道间的非线性同步关系,并将通道相互对应构建相关矩阵,用于后续同步指标计算。
步骤3:通过矩阵运算去除相关矩阵中同一系统的影响,求取标准化特征值对应熵值,获取两组多通道信号间整体的同步强度;基于步骤2中构建的相关矩阵C计算多通道脑电和肌电的全局同步指标:
步骤3.1:为分析运动感觉区脑电与相关肌电间的全局同步强度,需要消去两系统中各自通道间相关的影响;通过矩阵U与相关矩阵C之间的运算,保留两系统间的相关关系,得到矩阵R:
步骤3.2:计算矩阵R的特征值后,按照下式,对其进行标准化处理:
计算设定区域下脑肌间全局同步指数为S:
其中,同步指数S取值范围在0-1之间,且同步强度越高,值越大。
为验证本发明所述的一种面向多通道脑肌电耦合分析的多元全局同步指数方法的可行性和有效性,采用12名健康受试在动态抓握提起阶段及静态维持阶段的公开数据,按照上述步骤进行多通道脑肌电信号的同步分析;其中,32个通道脑电电极采用国际标准10-20电极放置,5个肌电电极放置在受试右侧前三角肌、肱桡肌、指屈肌、指伸肌及第一骨间背侧肌处,如图2所示。图3是由步骤2求得的脑肌间两两通道的同步强度,图4为所选区域下两两通道的同步强度,包括系统内部及系统间的关联关系,整个相关矩阵是关于对角线对称的,左上为脑电相关矩阵,右下为肌电相关矩阵,其余为脑肌间相互关联矩阵,可见系统间的连接强度相对系统内连接强度更小;去除同一系统内不同通道间对应关系后,计算12个健康受试在两种动作下该区域β频段及γ频段的全局同步强度,如图5所示,可以看到在不同动作阶段,该区域内脑肌间全局同步存在差异,后续能够应用于探究不同区域下大脑与肌肉间的信息交互作用,或探究不同阶段下系统内部和系统间的关联关系中。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种面向多通道脑肌电耦合分析的多元全局同步指数方法,其特征在于,该方法包括如下步骤:
步骤1、对采集到的脑肌电多模态信号进行预处理,依据脑电频带特征,通过滤波器提取同频肌电信息,并从中选取所要分析的多通道脑电信号和多通道肌电信号,构成两组多维信号;
步骤2、基于两组多维信号中组间及组内的两两通道信息所组成的有序数据对构建数据集,通过特定规模网格划分后计算对应网格内互信息,最大互信息标准化处理后选取多种网格划分下的最大值,进而构建不同状态下两系统对应的相关矩阵;
步骤3、通过矩阵运算去除相关矩阵中同一系统的影响,求取标准化特征值对应熵值,获取两组多通道信号间整体的同步强度。
2.根据权利要求1所述的一种面向多通道脑肌电耦合分析的多元全局同步指数方法,其特征在于,步骤2的具体方法如下:
通过步骤1处理后得到两组有效多通道数据,包括:X={Xi|i=1,2,...,N1}为一组含N1个通道的脑电信号,Y={Yj|j=1,2,...,N2}为另一组含N2个通道的肌电信号;为分析X与Y两组多维变量间的关系,首先分析Xi与Yj两两变量间的关联关系,由Xi与Yj所有取值组成的有序对构成有限集合对有限集合D的n个点进行网格划分,形成a列b行的a×b网格G;
步骤2.1、根据网格G子格内各散点频率计算相应概率密度p(xi)和p(yj)及联合概率密度函数p(xi,yj),其中,p(xi)为变量Xi中的点落在该列的概率密度,p(yj)为变量Yj中的点落在该行的概率密度,p(xi,yj)为变量Xi和变量Yj构成的有序对落在该子网格中的联合概率密度,进而得到两变量的信息熵H(Xi)与H(Yj)及其联合信息熵H(Xi,Yj);两变量的信息熵计算方法类似,其中,变量Xi的信息熵定义如下:
Xi与Yj的联合信息熵定义为:
式中,n为散点的总个数,na和nb分别为散点落在网格G第a列或第b行中的个数,nab为散点落在网格G第a列第b行中的个数;变量Xi和Yj的互信息计算过程如下:
步骤2.2、设定搜索网格数的上界为n0.6,找出多种网格划分方式下互信息最大值I*(Xi;Yj)并进行标准化处理得到M(D)a,b,进而基于特征矩阵M(D)a,b得到变量Xi和Yj的同步关系MIC(Xi,Yj)为:
基于上述过程,计算同组信号间的同步关系MIC(Xi,Xj)和MIC(Yi,Yj);
步骤2.3、基于已求得的通道间同步关系,构建多通道脑肌间的相关矩阵C;其中,矩阵C包含脑间相关矩阵C11,肌间相关矩阵C22及脑肌交互矩阵C12和C21:
4.根据权利要求1-3所述的一种面向多通道脑肌电耦合分析的多元全局同步指数方法,其特征在于:通过计算两组多通道信号之间的同步关系,构建多通道相关矩阵,基于矩阵运算去除了同组内的相关影响,保留两系统间的信息传递关系,进而应用于量化多通道脑肌电间整体的同步关系,能够有效地量化不同动作阶段下两组间同步强度差异,此外还可应用于区域差异探究或其他类型两组多维信号同步关系分析中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122284.2A CN115474945B (zh) | 2022-09-15 | 2022-09-15 | 一种面向多通道脑肌电耦合分析的多元全局同步指数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211122284.2A CN115474945B (zh) | 2022-09-15 | 2022-09-15 | 一种面向多通道脑肌电耦合分析的多元全局同步指数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115474945A true CN115474945A (zh) | 2022-12-16 |
CN115474945B CN115474945B (zh) | 2024-04-12 |
Family
ID=84392636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211122284.2A Active CN115474945B (zh) | 2022-09-15 | 2022-09-15 | 一种面向多通道脑肌电耦合分析的多元全局同步指数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115474945B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101607432B1 (ko) * | 2015-01-14 | 2016-03-29 | 서울대학교산학협력단 | 뇌파측정을 통한 개인 인증 방법, 시스템 및 컴퓨터 프로그램 |
CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
CN107411741A (zh) * | 2017-07-19 | 2017-12-01 | 燕山大学 | 基于相干性—非负矩阵分解的多通道肌电耦合特性分析方法 |
CN107887031A (zh) * | 2017-11-02 | 2018-04-06 | 杭州电子科技大学 | 基于同步筛选的脑区间耦合分析方法 |
CN110638444A (zh) * | 2019-09-05 | 2020-01-03 | 杭州电子科技大学 | 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法 |
CN111227830A (zh) * | 2020-02-14 | 2020-06-05 | 燕山大学 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
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 |
CN112617858A (zh) * | 2020-12-01 | 2021-04-09 | 杭州电子科技大学 | 一种多尺度补偿传递熵的皮层肌肉功能耦合方法 |
CN113274033A (zh) * | 2021-05-10 | 2021-08-20 | 燕山大学 | 基于脑肌电交叉频率耦合的运动功能监测管理方法 |
CN113499084A (zh) * | 2021-07-09 | 2021-10-15 | 燕山大学 | 脑卒中运动功能评价模型建立方法、评价方法及系统 |
CN114041808A (zh) * | 2021-12-20 | 2022-02-15 | 杭州电子科技大学 | 基于多通道表面肌电信号分解的传递熵耦合分析方法 |
-
2022
- 2022-09-15 CN CN202211122284.2A patent/CN115474945B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101607432B1 (ko) * | 2015-01-14 | 2016-03-29 | 서울대학교산학협력단 | 뇌파측정을 통한 개인 인증 방법, 시스템 및 컴퓨터 프로그램 |
CN106073702A (zh) * | 2016-05-27 | 2016-11-09 | 燕山大学 | 基于小波‑传递熵的多时频尺度间脑肌电耦合分析方法 |
CN107411741A (zh) * | 2017-07-19 | 2017-12-01 | 燕山大学 | 基于相干性—非负矩阵分解的多通道肌电耦合特性分析方法 |
CN107887031A (zh) * | 2017-11-02 | 2018-04-06 | 杭州电子科技大学 | 基于同步筛选的脑区间耦合分析方法 |
CN110638444A (zh) * | 2019-09-05 | 2020-01-03 | 杭州电子科技大学 | 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法 |
CN111310968A (zh) * | 2019-12-20 | 2020-06-19 | 西安电子科技大学 | 一种基于互信息的lstm神经网络循环水文预报方法 |
CN111227830A (zh) * | 2020-02-14 | 2020-06-05 | 燕山大学 | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 |
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 |
CN112617858A (zh) * | 2020-12-01 | 2021-04-09 | 杭州电子科技大学 | 一种多尺度补偿传递熵的皮层肌肉功能耦合方法 |
CN113274033A (zh) * | 2021-05-10 | 2021-08-20 | 燕山大学 | 基于脑肌电交叉频率耦合的运动功能监测管理方法 |
CN113499084A (zh) * | 2021-07-09 | 2021-10-15 | 燕山大学 | 脑卒中运动功能评价模型建立方法、评价方法及系统 |
CN114041808A (zh) * | 2021-12-20 | 2022-02-15 | 杭州电子科技大学 | 基于多通道表面肌电信号分解的传递熵耦合分析方法 |
Non-Patent Citations (4)
Title |
---|
崔冬: "多通道脑电信号建模及同步分析", 信息科技, 15 November 2011 (2011-11-15), pages 45 - 51 * |
杨芳梅: "基于神经肌肉功能耦合的脑肌电多尺度同步分析方法研究", 生物学, 15 May 2018 (2018-05-15), pages 13 - 20 * |
苏慧需: "上肢动作中脑电信号的同步分析方法研究", 医药卫生科技, 15 January 2020 (2020-01-15), pages 30 - 31 * |
谢平、杨芳梅、陈晓玲、杜义浩、吴晓光: "基于多尺度传递熵的脑肌电信号耦合分析", 物理学报, vol. 64, no. 24, 9 November 2015 (2015-11-09) * |
Also Published As
Publication number | Publication date |
---|---|
CN115474945B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110495880B (zh) | 基于经颅电刺激脑肌耦合的运动障碍皮层可塑性管理方法 | |
CN106236080B (zh) | 基于多通道的脑电信号中肌电噪声的消除方法 | |
CN111227830B (zh) | 一种基于复杂改进多尺度传递熵的脑肌电耦合分析方法 | |
CN111067514B (zh) | 一种基于多尺度多变量传递熵的多通道脑电耦合分析方法 | |
CN113786204A (zh) | 基于深度卷积注意力网络的癫痫颅内脑电信号预警方法 | |
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 | |
CN113499084B (zh) | 脑卒中运动功能评价模型建立方法、评价方法及系统 | |
CN104510468A (zh) | 一种脑电信号的特征提取方法及装置 | |
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 | |
CN113558639A (zh) | 基于格兰杰因果关系和图论的运动意图脑肌网络分析方法 | |
CN115349861A (zh) | 一种基于单通道脑电信号的精神压力检测系统及方法 | |
CN114145754B (zh) | 基于eeg交叉频率耦合的卒中脑功能评估装置 | |
Xi et al. | Analysis of functional corticomuscular coupling based on multiscale transfer spectral entropy | |
Rosso et al. | Analysis of wavelet-filtered tonic-clonic electroencephalogram recordings | |
Iadarola et al. | A new method for sEMG envelope detection from reduced measurements | |
CN111543983B (zh) | 一种基于神经网络的脑电信号通道选择方法 | |
CN117281479A (zh) | 一种基于表面肌电信号多维度特征融合的人体下肢慢性疼痛判别方法、存储介质及装置 | |
CN115474945A (zh) | 一种面向多通道脑肌电耦合分析的多元全局同步指数方法 | |
CN108814593B (zh) | 一种基于复杂网络的脑电信号特征提取方法 | |
CN113558637B (zh) | 一种基于相位传递熵的音乐感知下脑网络构建方法 | |
CN107440687B (zh) | 一种疼痛等级评估方法及采用其的疼痛等级评估装置 | |
Dhiman et al. | Wavelet analysis of electrical signals from brain: the electroencephalogram | |
CN114259242B (zh) | 基于多时间尺度传递谱熵的功能性皮质肌肉耦合方法 | |
CN113974652B (zh) | 基于皮层肌肉功能网络模型的肌肉控制精准度确定方法 | |
Navish et al. | A comparative study on estimation of fractal dimension of EMG signal using SWT and FLP |
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 |