CN116719411B - 一种基于深层脑肌功能耦合的信息展示方法及装置 - Google Patents
一种基于深层脑肌功能耦合的信息展示方法及装置 Download PDFInfo
- Publication number
- CN116719411B CN116719411B CN202310646428.2A CN202310646428A CN116719411B CN 116719411 B CN116719411 B CN 116719411B CN 202310646428 A CN202310646428 A CN 202310646428A CN 116719411 B CN116719411 B CN 116719411B
- Authority
- CN
- China
- Prior art keywords
- signal
- muscle
- determining
- time
- correlation
- 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
- 210000003205 muscle Anatomy 0.000 title claims abstract description 147
- 210000004556 brain Anatomy 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000008878 coupling Effects 0.000 title claims abstract description 62
- 238000010168 coupling process Methods 0.000 title claims abstract description 62
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 62
- 210000002615 epidermis Anatomy 0.000 claims abstract description 122
- 210000003710 cerebral cortex Anatomy 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 31
- 230000033001 locomotion Effects 0.000 claims abstract description 21
- 238000001228 spectrum Methods 0.000 claims description 44
- 230000001427 coherent effect Effects 0.000 claims description 31
- 241000053227 Themus Species 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002087 whitening effect Effects 0.000 claims description 16
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000001054 cortical effect Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 239000004020 conductor Substances 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 7
- 230000003183 myoelectrical effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 210000003491 skin Anatomy 0.000 claims description 5
- 230000036624 brainpower Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 14
- 230000006872 improvement Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000004220 muscle function Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 210000004761 scalp Anatomy 0.000 description 4
- 230000008602 contraction Effects 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010001497 Agitation Diseases 0.000 description 1
- 208000006011 Stroke Diseases 0.000 description 1
- 230000036982 action potential Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000005714 functional activity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 210000004126 nerve fiber Anatomy 0.000 description 1
- 230000000926 neurological effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
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]
-
- 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]
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- 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
- A61B5/725—Details of waveform analysis using specific filters therefor, e.g. Kalman or adaptive filters
-
- 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
- A61B5/7253—Details of waveform analysis characterised by using transforms
- A61B5/7257—Details of waveform analysis characterised by using transforms using Fourier transforms
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
- G06F2203/01—Indexing scheme relating to G06F3/01
- G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- General Engineering & Computer Science (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Dermatology (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Fuzzy Systems (AREA)
- Human Computer Interaction (AREA)
- Algebra (AREA)
Abstract
本说明书公开了一种基于深层脑肌功能耦合的信息展示方法及装置，获取设定时间内的脑电信号和肌电信号，并针对该脑电信号进行溯源分析，确定大脑皮层中各功能区域对应的源信号，功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号，而后，根据该设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号，而后，将各功能区域对应的源信号以及各肌肉表皮位置所接收到的MU发放的源信号，输入到非参数耦合模型，以确定出各功能区域对应的源信号与各肌肉表皮位置所接收到的MU发放的源信号之间的相关性，以提高脑肌功能耦合的准确性。
Description
技术领域
本说明书涉及医疗技术领域，尤其涉及一种基于深层脑肌功能耦合的信息展示方法及装置。
背景技术
脑肌功能耦合信息可以表示出大脑与其支配肌肉活动之间的功能连通情况，因此，当前，可以通过分析脑肌功能耦合，来评估肌肉运动功能的情况。例如，对于脑卒中患者来说，可以通过确定患者的脑肌功能耦合信息，来评估该患者的手部运动功能情况。
然而目前脑肌功能耦合的分析，多数通过患者身体表面采集得到脑电信号和肌电信号来进行分析，即，以浅层次的相干性计算耦合强度。手部肌肉群密集、运动感觉功能复杂，增加了手部脑肌功能耦合效应评估难度，现有耦合分析方法的精准度和临床实际评估效果难以保证。
所以，如何提高针对脑肌功能耦合分析的准确性，则是一个亟待解决的问题。
发明内容
本说明书提供一种基于深层脑肌功能耦合的信息展示方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种基于深层脑肌功能耦合的信息展示方法，包括：
获取设定时间内的脑电信号和肌电信号；
针对所述设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号；
根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号；
将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以确定出所述各功能区域对应的源信号与所述各肌肉表皮位置所接收到的所述MU发放的源信号之间的相关性信息，所述相关性信息用于表征所述各功能区域与所述各肌肉表皮位置之间的功能相关性；
将所述相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示。
可选地，获取设定时间内的脑电信号和肌电信号，具体包括：
根据多元自回归模型生成模拟脑电信号，并根据平面体导体模型生成模拟肌电信号；
将所述模拟脑电信号，作为所述设定时间内的脑电信号，以及将所述模拟肌电信号，作为所述设定时间内的肌电信号。
可选地，针对所述设定时间内的脑电信号进行溯源分析，确定大脑皮层中各功能区域对应的源信号，具体包括：
将大脑皮层划分为若干个皮层表面；
确定用于表征各皮层表面与各肌肉表皮位置之间相关关系的场矩阵；
针对每个表皮位置，以该表皮位置上的脑电信号与通过所述场矩阵和大脑皮层中各功能区域对应的源信号预测出的该表皮位置上的脑电信号之间差异最小为优化目标，按照最小范数法进行求解，以确定出各皮层表面发放给该表皮位置的源信号；
根据各皮层表面发放给各表皮位置的源信号，确定出大脑皮层中各功能区域对应的源信号。
可选地，根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，具体包括：
根据所述设定时间内的肌电信号，确定各MU的信号表示信息；
针对每个MU，将所述信号表示信息中该MU在各时间点的信号值进行聚类，得到该MU对应的聚类结果；
根据该MU对应的聚类结果，确定出运动单元MU向外发放信号的发放时间。
可选地，根据所述设定时间内的肌电信号，确定各MU的信号表示信息，具体包括：
确定所述设定时间内每一时刻对应的活跃指数；
根据所述活跃指数，确定所述设定时间内的活跃时刻，并根据所述活跃时刻所对应的肌电信号，确定初始互相关向量，互相关向量用于表示每个MU与每个肌肉表皮位置之间的信号相关性；
根据初始互相关向量，按照自然梯度下降法，确定出目标互相关向量；
根据所述目标互相关向量，确定各MU的信号表示信息。
可选地，根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号，具体包括：
针对每个肌肉表皮位置，将该肌肉表皮位置接收到的MU信号波形与MU的发放时间作卷积，得到该肌肉表皮位置上的接收到的各MU的信号序列；
将该肌肉表皮位置接收到的各MU的信号序列进行累加，得到肌肉表皮位置所接收到的所述MU发放的源信号。
可选地，将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以确定出所述各功能区域对应的源信号与所述各肌肉表皮位置所接收到的所述MU发放的源信号之间的相关性信息，具体包括：
将所述各功能区域对应的源信号，与所述各肌肉表皮位置所接收到的所述MU发放的源信号作为非参数耦合模型的输入信号，作短时傅里叶变换并计算各自的自功率谱；
根据所述自功率谱，得到白化系数；
根据所述白化系数，确定白化后的互功率谱；
根据所述白化后的互功率谱，积分得到总积矩相干性
定义在时域上的关于时间延迟的相关度量δyx(τ)，所述相关度量用于表示通过相干性逆傅里叶变换得到的信号时间延迟在时域的变化；
根据所述相关度量以及所述总积矩相干性，通过不同的滞后范围确定出每个滞后范围下的相干估计；
根据各个滞后范围所对应的时滞功率谱所占总功率谱的比例，对每个滞后范围下的相干估计作归一化，得到每个滞后范围下归一化后的相干估计，作为所述相关性信息。
本说明书提供了一种基于深层脑肌功能耦合的信息展示装置，包括：
获取模块，用于获取设定时间内的脑电信号和肌电信号；
脑电溯源模块，用于针对所述设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号；
肌电溯源模块，用于根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号；
输入模块，用于将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以确定出所述各功能区域对应的源信号与所述各肌肉表皮位置所接收到的所述MU发放的源信号之间的相关性信息，所述相关性信息用于表征所述各功能区域与所述各肌肉表皮位置之间的功能相关性；
展示模块，用于将所述相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示。
可选地，所述获取模块具体用于，根据多元自回归模型生成模拟脑电信号，并根据平面体导体模型生成模拟肌电信号；将所述模拟脑电信号，作为所述设定时间内的脑电信号，以及将所述模拟肌电信号，作为所述设定时间内的肌电信号。
可选地，所述脑电溯源模块具体用于，将大脑皮层划分为若干个皮层表面；确定用于表征各皮层表面与各表皮位置之间相关关系的场矩阵；针对每个表皮位置，以该表皮位置上的脑电信号与通过所述场矩阵和大脑皮层中各功能区域对应的源信号预测出的该表皮位置上的脑电信号之间差异最小为优化目标，按照最小范数法进行求解，以确定出各皮层表面发放给该表皮位置的源信号；根据各皮层表面发放给各表皮位置的源信号，确定出大脑皮层中各功能区域对应的源信号。
可选地，所述肌电溯源模块具体用于，根据所述设定时间内的肌电信号，确定各MU的信号表示信息；针对每个MU，将所述信号表示信息中该MU在各时间点的信号值进行聚类，得到该MU对应的聚类结果；根据该MU对应的聚类结果，根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间。
可选地，所述肌电溯源模块具体用于，确定所述设定时间内每一时刻对应的活跃指数；根据所述活跃指数，确定所述设定时间内的活跃时刻，并根据所述活跃时刻所对应的肌电信号，确定初始互相关向量，互相关向量用于表示每个MU与每个肌肉表皮位置之间的信号相关性；根据初始互相关向量，按照自然梯度下降法，确定出目标互相关向量；根据所述目标互相关向量，确定各MU的信号表示信息。
可选地，所述肌电溯源模块具体用于，针对每个肌肉表皮位置，将该肌肉表皮位置接收到的MU信号波形与MU的发放时间作卷积，得到该肌肉表皮位置上的接收到的各MU的信号序列；将该肌肉表皮位置接收到的各MU的信号序列进行累加，得到肌肉表皮位置所接收到的所述MU发放的源信号。
可选地，所述输入模块具体用于，将所述各功能区域对应的源信号，与所述各肌肉表皮位置所接收到的所述MU发放的源信号作为非参数耦合模型的输入信号，作短时傅里叶变换并计算各自的自功率谱；根据所述自功率谱，得到白化系数；根据所述白化系数，确定白化后的互功率谱；根据所述白化后的互功率谱，积分得到总积矩相干性定义在时域上的关于时间延迟的相关度量δyx(τ)，所述相关度量用于表示通过相干性逆傅里叶变换得到的信号时间延迟在时域的变化；根据所述相关度量以及所述总积矩相干性，通过不同的滞后范围确定出每个滞后范围下的相干估计；根据各个滞后范围所对应的时滞功率谱所占总功率谱的比例，对每个滞后范围下的相干估计作归一化，得到每个滞后范围下归一化后的相干估计，作为所述相关性信息。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深层脑肌功能耦合的信息展示方法。
本说明书提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述基于深层脑肌功能耦合的信息展示方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果：
从上述基于深层脑肌功能耦合的信息展示方法中可以看出，可以获取设定时间内的脑电信号和肌电信号，并针对该设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号，而后，根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号，而后，将各功能区域对应的源信号以及各肌肉表皮位置所接收到的MU发放的源信号，输入到非参数耦合模型，以确定出各功能区域对应的源信号与各肌肉表皮位置所接收到的MU发放的源信号之间的相关性，最后，将各功能区域对应的源信号与各肌肉表皮位置所接收到的MU发放的源信号之间的相关性，以预设的展示形式发送给预设的医疗电子设备进行展示。
从上述内容中可以看出，本说明书提供基于深层脑肌功能耦合的信息展示方法，在该方法中，可以对皮肤表面的脑电信号和肌电信号进行溯源，得到大脑皮层上各功能区域的源信号(脑电源信号)，和手部的运动单元向各肌肉表皮位置发放的源信号(肌电源信号)，从而分析脑电源信号和肌电源信号之间的相关性，得到了深层的大脑皮层和各肌肉表皮位置之间的功能相关性。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书提供的一种基于深层脑肌功能耦合的信息展示方法的流程示意图；
图2为本说明书提供的一种脑电信号和肌电信号的示意图；
图3为本说明书提供的一种脑电源信号和肌电源信号的示意图；
图4为本说明书中提供的原始脑电信号和肌电信号进行耦合分析与脑电源信号和肌电源信号进行耦合分析的对比示意图；
图5为本说明书提供的一种基于深层脑肌功能耦合的信息展示装置示意图；
图6为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
在现有技术中，脑肌功能耦合分析多直接采用表面肌电信号及脑电信号作分析，用高密度肌电信号虽然更能全面采集肌肉信息，但是存在信号干扰，信号伪影、噪声及肌肉及周围组织的滤波等问题，难以表示真正的肌肉活动信息，导致不能正确估计脑肌耦合结果。在本说明书中，通过将高密度肌电信号分解直接得到运动单元(Motor Unit，MU)的发放模式，而EEG信号溯源分析得到大脑皮层信号能从深层表征大脑和肌肉功能活动，提升脑肌耦合分析的准确性和可靠性。
图1为本说明书提供的一种基于深层脑肌功能耦合的信息展示方法的流程示意图，具体包括以下步骤：
S100：获取设定时间内的脑电信号和肌电信号。
从上述内容中可以看出，本说明书中所提供的基于深层脑肌功能耦合的信息展示方法，主要用于进行脑肌功能耦合的分析。因此，服务器可以获取设定时间内的脑电信号和肌电信号。
需要说明的是，在后续步骤中，需要针对脑电信号和肌电信号进行溯源分析，从而以脑肌深层功能性的角度，来对脑电信号和肌电信号之间进行耦合分析。而为了能够测试针对脑电信号和肌电信号进行溯源分析的准确性，可以模拟出脑电信号和肌电信号，再通过后续步骤对模拟出的脑电信号和肌电信号进行处理。当然，在实际应用中，可以通过本方法对实际检测出的脑电信号(EEG)和肌电信号(EMG)进行深层的相关性分析。
具体针对脑电信号和肌电信号的模拟方法如下：
可以生成模拟脑电、肌电数据。设计了一个多元自回归模型(multivariateautoregressive，MVAR)models来生成模拟皮层信号。首先生成一个连接矩阵用作多元自回归模型的系数矩阵，系数矩阵由一个维度为n*n*p的加权三维矩阵组成，其中n为节点数，p为回归模型的阶数。矩阵的非空连接的数值为在特定的范围内选择。依靠生成的模拟的皮层信号，将其投射到头皮上，获得通过体积传导的模拟脑电图信号。
然后可以对模拟的脑电信号预处理，包括去除伪信号，基线矫正，滤波等。
用平面体导体模型用来生成多通道表面肌电信号，用不同的非均匀各向异性导体生成肌肉、脂肪和皮肤。每个运动单元有不同的神经纤维束，其放电率与兴奋性线性相关。由第i个纤维生成的表面肌电信号可由如下公式表示：
其中Ψ表示傅里叶变换，*表示复共轭，kt为时间角频率，v为传导速度，Ai表示与脉冲响应对应的传递信号对同一MU的多个纤维产生的信号为其总和。每个MU设置24-2048个纤维数目，传导速度为4.0±0.3m/s的正态分布。
对每个通道的信号进行10-500Hz的带通滤波及用50Hz陷波滤波器去除工频噪声。
需要说明的是，本说明书提供的一种基于深层脑肌功能耦合的信息展示方法的执行主体不进行限定，可以是服务器、大型的服务平台、台式电脑等。
上述脑电信号和肌电信号均为非侵入信号，需要将两者进行溯源，从而使得后续的耦合分析中能够更加参考功能上的相关性。
S102：针对所述设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号量。
具体的，针对脑电信号来说，可以根据溯源算法进行溯源分析，从而确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号。
其中，可以将大脑皮层划分为若干个皮层表面，并确定出用于表示各皮层表面与各表皮位置之间相关关系的场矩阵，而后，针对每个表皮位置，以该表皮位置上的脑电信号与通过该场矩阵和大脑皮层中各功能区域对应的源信号预测出的该表皮位置上的脑电信号之间差异最小为优化目标，按照最小范数法进行求解，以确定出各皮层表面发放给该表皮位置的源信号，根据各皮层表面发放给各表皮位置的源信号，确定出大脑皮层中各功能区域对应的源信号。
上述提到的表皮位置可以是指大脑的表皮位置，在同一时间，每个表皮位置对应一个脑电信号，也就是说，上述目的是确定出大脑皮层上发出的源信号，源信号为表皮位置上的脑电信号的源头。
上述提到的按照最小范数法进行求解的具体的公式可以如下所示：
minimizeΔ＝||M-L*j||2+α*||j||2
得到源信号，表示如下：
j＝LT(LLT+αH)-1M
其中j为源信号，L为场矩阵代表偶极子(皮层表面)的位置和电导特征，α为正则化参数，H为中心矩阵(the centering matrix)。
需要说明的是，在确定源信号前，可以通过电极信号重构大脑源信号，通过Montreal Neurological Institute的MRI图像重构了大脑表面，有7850个偶极子的皮层表面作为计算的源空间。头皮表面有2054个三角形构成给电极空间，而后，通过上述方式来计算源信号。也就是说，上述方式是使得头皮测量电位(脑电信号)M和源信号产生的头皮电位L*j(L为场矩阵代表偶极子的位置和电导特征，j为源信号)差值最小，通过最小范数法求解源信号。
在上述公式中，确定出的每个皮层表面的位置所发放出的源信号，通过BrodmannAreas的划分方式，可以得到26个预定义的皮层区域(功能区域)的平均源信号，即，可以得到大脑皮层中各功能区域对应的源信号。
S104：根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，根据所述发放时间，确定各肌肉表皮位置所接收到的所述MU发放的源信号。
对于肌电信号也是同样的，需要将表面的肌电信号进行溯源，得到源信号。可以根据设定时间内的肌电信号，确定出运动单元(Motor Unit，MU)向外发放信号的发放时间，进而根据发放时间，确定各肌肉表皮位置(可以是指手部的表皮位置)所接收到的MU发放的源信号。
具体的，可以根据设定时间内的肌电信号，确定各MU的信号表示信息sj(n)，针对每个MU，将信号表示信息中该MU在各时间点的信号值进行聚类，得到该MU对应的聚类结果，进而根据该MU对应的聚类结果，确定出运动单元MU向外发放信号的发放时间。上述提到的聚类结果，可以是指将一个MU在各时间点的信号值分为两个簇，一个簇代表MU发放的信号，另一个簇代表基底的信号。
其中，信号表示信息的具体计算方式可以存在多种，在此举例一种计算方式：可以确定上述设定时间内每一时刻对应的活跃指数，根据活跃指数，确定活跃时刻，并根据活跃时刻所对应的肌电信号，确定初始互相关向量，互相关向量用于表示每个MU与每个肌肉表皮位置所对应的表面肌电信号之间的信号相关性,根据初始互相关向量，按照自然梯度下降法，确定出目标互相关向量,根据目标互相关向量，确定各MU的信号表示信息。
即，将肌电信号分解为不同时间发放的多个运动单元。通过评估第j个MU(表示为sj)和所有观测值(肌电信号)之间的互相关向量首先计算活动指数(代表每个时间的信号活跃的程度)，表示如下：
其中为通过添加K个延迟的肌电信号，/>为/>的相关矩阵的逆矩阵，T表示矩阵的转置。
选取活跃指数最高的时间点(即，可以是指活跃时刻)n’，以y(n’)确定出初始的互相关向量，用自然梯度下降法迭代得到目标互相关向量表示如下：
其中η为一次迭代的学习率，为代价函数。
则第j个MU的信号表示信息sj(n)如下:
在得到各运动单元的信号表示信息后，可以通过K-means算法提取MU的发放时间，并通过轮廓测量(SIL)保证分离质量。
需要说明的是，在步骤100中提到了脑电信号和肌电信号可以是模拟出来的，模拟出的脑电信号和肌电信号可以理解为，模拟出了脑电的源信号和表面的脑电信号之间的关系，肌电的源信号和肌电信号之间的关系，然后模拟出了相应的源信号、脑电信号和肌电信号。
而不管是针对脑电信号的溯源还是针对肌电信号的溯源，相当于通过计算，反算出了脑电信号和脑电的源信号的关系，肌电信号和肌电的源信号的关系，因此，对模拟的脑电信号和肌电信号的溯源分析后，可以验证出溯源结果的准确性。
具体的，通过对比分解得到的MU发放序列(Motor Unit Action PotentialTrains，MUST)与已知的MU发放序列，可以计算如下的正确率(Pr)、灵敏度(Se)、平均发放率(MDR每秒发放次数)、发放噪声比(PNR)评估分解质量，得到MU的发放时间：
其中TP表示正确的MU发放数目，FN表示未识别的MU发放数目，FP表示错误识别的发放数目。和/>分别表示估计第j个MU是否已经发放的所有时间点上的平均值。
确定出每个MU发放信号的发放时间后，可以针对每个肌肉表皮位置，将该肌肉表皮位置接收到的MU信号波形与MU的发放时间作卷积，得到该肌肉表皮位置上的接收到的各MU的信号序列；将该肌肉表皮位置接收到的各MU的信号序列进行累加，得到肌肉表皮位置所接收到的所述MU发放的源信号。
上述提到的信号波形可以表示通过一个肌肉表皮位置接收到的MU发放的源信号的形状。
其中，对于一个肌肉表皮位置(EMG信号的通道)来说，可以以发放时间为中心，取L＝50ms内信号的平均得到，在第i个肌肉表皮位置(第i个通道)所接收到的MU的信号波形，公式如下：
其中y为原始肌电信号，si,n为第i个MU第n次发放时间。
将同一通道上的MU的信号波形与其发放时间作卷积得到每个通道上的响应的MU的信号序列，将所有MU的信号序列累加得到在一个通道上响应的MU发放的信号序列，称为该通道上的肌肉源信号。
S106：将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以确定出所述各功能区域对应的源信号与所述各肌肉表皮位置所接收到的所述MU发放的源信号之间的相关性信息，所述相关性信息用于表征所述各功能区域与所述各肌肉表皮位置之间的功能相关性。
S108：将所述相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示。
确定出各功能区域对应的源信号(脑电源信号)和各肌肉表皮位置所接收到的MU发放的源信号(肌电源信号)后，可以将各功能区域对应的源信号以及各肌肉表皮位置所接收到的MU发放的源信号，输入到预设的非参数耦合模型，以确定出各功能区域对应的源信号与各肌肉表皮位置所接收到的MU发放的源信号之间的相关性信息，相关性信息用于表征各功能区域与各肌肉表皮位置之间的功能相关性。该相关性信息可以表示相干性，即，脑电信号与肌电信号间频率上的相关性。
而后，可以将该相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示，上述相关性信息可以深层性地表示出大脑皮层各功能区域与各肌肉表皮位置的功能上的相关性，因此，可以将该相关性信息以一定形式(如图例形式)进行展示，使得医生可以基于患者的相关性信息，来确定下一步的治疗策略。
其中，需要将脑电源信号和肌电源信号的时间进行同步,即，将每一时间点的脑电源信号和肌电源信号对应起来，而且，在确定相关性信息时，可以选取出肌电源信号较为活跃的各时刻，并确定出这些时刻下的脑电源信号，从而通过这些时刻的肌电源信号和脑电源信号，确定相关性信息。
具体的，可以以同步发放标签为起始时间点，建立时序匹配的信号源，并基于功率谱密度观测高密度肌电信号，确定发放阈值，找到超过阈值的发放时间序列段即为肌电及相应脑电活动频繁的时间，可找到的大脑皮层的所响应的区域。选择肌电和脑电较为活跃的区域作匹配，构建时序匹配脑电-肌电深层信号源，通过时序匹配脑电-肌电深层信号源来计算相关性信息。
需要说明的是，在确定相关性信息时，可以将所述各功能区域对应的源信号，与所述各肌肉表皮位置所接收到的所述MU发放的源信号作为非参数耦合模型的输入信号，作短时傅里叶变换并计算各自的自功率谱；根据所述自功率谱，得到白化系数；根据所述白化系数，确定白化后的互功率谱；根据所述白化后的互功率谱，积分得到总积矩相干性定义在时域上的关于时间延迟的相关度量δyx(τ)，所述相关度量用于表示通过相干性逆傅里叶变换得到的信号时间延迟在时域的变化；根据所述相关度量以及所述总积矩相干性，通过不同的滞后范围确定出每个滞后范围下的相干估计；根据各个滞后范围所对应的时滞功率谱所占总功率谱的比例，对每个滞后范围下的相干估计作归一化，得到每个滞后范围下归一化后的相干估计，作为所述相关性信息。
上述提到的非参数耦合模型可以是经过推导而来的，推导过程如下：
(1)、传统上两个随机过程的相干性|Ryx(ω)|2可以表示为：
其中，fxx(ω),fyy(ω)和fyx(ω)分别为信号x和y在频率ω的自功率谱及其互功率谱。
(2)、然后，为减少信号内的干扰，利用Optimal whitening filter，将自功率谱乘以白化系数f(ω)-1/2，得到白化后的自功率谱并基于白化系数计算白化后的互功率谱/>那么其相干性评估/>等于白化后的互功率谱
因为对原始信号的线性变化不影响两个信号的相干性，所以可以认为
(3)、再次，因为白化序列之间的相干性没有分母项，所以可以分解得到方向性度量。x,y之间的依赖关系的度量为总积矩相干性
为了实现在方向性分解，定义一个在时域上的以τ为时间延迟的相关度量δyx(τ)，与白化后的互功率谱形成傅里叶变换对,表达式如下：
那么可以根据时间延迟τ进行分解，表达如下:
(4)最后，通过在公式中选择所需的滞后范围，基于不同滞后范围分解(3)中的来获得方向性测量的滞后，得到不同滞后范围下的相干估计，表达式如下：
即：
其中量化未来的x对现在y的影响，/>量化过去的x对现在y的影响，量化瞬时的x和y之间的交互影响，上述公式中/>指的是步骤(3)中的总积矩相干性，通过将该总积矩相干性分解，可以确定出不同滞后范围下的相干估计，/>以及/>分别表示不同滞后范围下的相干估计，每个滞后范围对应一个时滞功率谱。
为了将方向性度量表示为频域中的函数，对不同滞后范围τ的δyx(τ)做傅里叶变换得到f′yx；-(ω)、f′yx；0(ω)、f′yx；+(ω)，那可以表示为：
同样，可表示为：
|Ryx(ω)|2＝|R′yx；-(ω)|2+|R′yx；0(ω)|2+|R′yx；+(ω)|2
为了防止每个频率上的三个项的和可能超过原始的相干性，根据每个频率上的|f′yx,·(ω)|2测量的相对大小重新缩放原始相干,即计算各个滞后范围对应的时滞功率谱所占总功率谱的比例作归一化处理，得到每个滞后范围下归一化后的相干估计，作为确定出的相关性信息，也就是说，上述|R′yx；-(ω)|2、|R′yx；0(ω)|2和|R′yx；+(ω)|2可以作为确定出的相关性信息，可以综合三者来看待肌电信号和脑电信号之间的相干性。
上述推导出的公式可以用于确定出上述脑电源信号和肌电源信号之间的相关性信息，该相关性信息包括每个滞后范围下归一化后的相干估计。
将时间序列(脑电源信号和肌电源信号的时间序列)分解为N个长度为T的片段，以平均周期图法评估的自功率谱及互功率谱为和/>构建的白化的序列相干性评估为：
而通过非参数耦合模型计算出的相关性信息(方向性相干估计)可通过扩展表示法表示为：
其中，还可以设定相干性95％的置信区间：1-0.051/(N-1)，N为不相邻的信号片段个数，该置信区间用于表示确定出的相关性信息超过这个范围是存在意义的。
在实际应用中，可以采集FDI肌肉肌电数据和同步脑电数据，按上述步骤100～108所提出信号处理及非参数耦合模型进行验证，并与模拟数据作对比。以健康被试惯用手，FDI肌肉最大自主收缩力的20％、40％、60％、80％的做等长收缩运动，不同的收缩力度下做三次，每次持续20s，中间休息30s。
同步采集FDI肌肉的64通道的EMG和64通道的EEG信号。将脑电信号按步骤S102作溯源分析得到大脑皮层多功能区域源信号，将肌电信号按步骤S104分解得到重构的肌肉源信号。
如图2、3所示为采集的原始的某通道的肌电信号和脑电信号及分解后的脑电源信号及肌肉源信号。
图2为本说明书提供的一种脑电信号和肌电信号的示意图。
图3为本说明书提供的一种脑电源信号和肌电源信号的示意图。
以时间标签作为同步起始点，构建同步的脑电-肌电深层源信号。将其作为步骤S108的输入，验证非参数耦合模型的有效性，并与模拟信号作对比如图4所示。
图4为本说明书中提供的原始脑电信号和肌电信号进行耦合分析与脑电源信号和肌电源信号进行耦合分析的对比示意图。
本实例中，图4左侧为原始脑电及肌电信号耦合分析结果，图4右侧为脑电源信号及肌肉源信号耦合分析结果。上面两图为在不同频率上的不同时滞范围上的两个信号的相干性，范围从0-1，其中，实线表示普通的相干分析，点线、虚线在和点划线分别表示表示在零时滞、正时滞、负时滞时的信号之间的相干性。下面两图为在时域上方向性函数ρyx(τ)的相干估计。
从上述内容可以看出，本发明提出了一种基于深层脑肌功能耦合的信息展示方法，在该方法中，可以对皮肤表面的脑电信号和肌电信号进行溯源，得到大脑皮层上各功能区域的源信号(脑电源信号)，和手部的运动单元向各肌肉表皮位置发放的源信号(肌电源信号)，从而分析脑电源信号和肌电源信号之间的相关性，得到了深层的大脑皮层和各肌肉表皮位置之间的功能相关性。
图5为本说明书提供的一种基于深层脑肌功能耦合的信息展示装置示意图，包括：
获取模块501，用于获取设定时间内的脑电信号和肌电信号；
脑电溯源模块502，用于针对所述设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号量；
肌电溯源模块503，用于根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号；
输入模块504，用于将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以确定出所述各功能区域对应的源信号与所述各肌肉表皮位置所接收到的所述MU发放的源信号之间的相关性信息，所述相关性信息用于表征所述各功能区域与所述各肌肉表皮位置之间的功能相关性；
展示模块505，用于将所述相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示。
可选地，所述获取模块501具体用于，根据多元回归模型模拟脑电信号，并根据平面体导体模型生成模拟肌电信号；将所述模拟脑电信号，作为所述设定时间内的脑电信号，以及将所述模拟肌电信号，作为所述设定时间内的肌电信号。
可选地，所述脑电溯源模块502具体用于，将大脑皮层划分为若干个皮层表面；确定用于表征各皮层表面与各表皮位置之间相关关系的场矩阵；针对每个表皮位置，以该表皮位置上的脑电信号与通过所述场矩阵和大脑皮层中各功能区域对应的源信号预测出的该表皮位置上的脑电信号之间差异最小为优化目标，按照最小范数法进行求解，以确定出各皮层表面发放给该表皮位置的源信号；根据各皮层表面发放给各表皮位置的源信号，确定出大脑皮层中各功能区域对应的源信号。
可选地，所述肌电溯源模块503具体用于，根据所述设定时间内的肌电信号，确定各MU的信号表示信息；针对每个MU，将所述信号表示信息中该MU在各时间点的信号值进行聚类，得到该MU对应的聚类结果；根据该MU对应的聚类结果，确定出运动单元MU向外发放信号的发放时间。
可选地，所述肌电溯源模块503具体用于，确定所述设定时间内每一时刻对应的活跃指数；根据所述活跃指数，确定所述设定时间内的活跃时刻，并根据所述活跃时刻所对应的肌电信号，确定初始互相关向量，互相关向量用于表示每个MU与每个肌肉表皮位置之间的信号相关性；根据初始互相关向量，按照自然梯度下降法，确定出目标互相关向量；根据所述目标互相关向量，确定各MU的信号表示信息。
可选地，所述肌电溯源模块503具体用于，针对每个肌肉表皮位置，将该肌肉表皮位置接收到的MU波形与MU的发放时间作卷积，得到该肌肉表皮位置上的接收到的各MU的信号序列；将该肌肉表皮位置接收到的各MU的信号序列进行累加，得到肌肉表皮位置所接收到的所述MU发放的源信号。
可选地，所述输入模块504具体用于，将所述各功能区域对应的源信号，与所述各肌肉表皮位置所接收到的所述MU发放的源信号作为非参数耦合模型的输入信号，作短时傅里叶变换并计算各自的自功率谱；根据所述自功率谱，得到白化系数；根据所述白化系数，确定白化后的互功率谱；根据所述白化后的互功率谱，积分得到总积矩相干性定义在时域上的关于时间延迟的相关度量δyx(τ)，所述相关度量用于表示通过相干性逆傅里叶变换得到的信号时间延迟在时域的变化；根据所述相关度量以及所述总积矩相干性，通过不同的滞后范围确定出每个滞后范围下的相干估计；根据各个滞后范围所对应的时滞功率谱所占总功率谱的比例，对每个滞后范围下的相干估计作归一化，得到每个滞后范围下归一化后的相干估计，作为所述相关性信息。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述基于深层脑肌功能耦合的信息展示方法。
本说明书还提供了图5所示的电子设备的示意结构图。如图5所述，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述基于深层脑肌功能耦合的信息展示方法。
当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (14)
1.一种基于深层脑肌功能耦合的信息展示方法，其特征在于，包括：
获取设定时间内的脑电信号和肌电信号；
对所述设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号；
根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号；
将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以通过所述非参数耦合模型对所述各功能区域对应的源信号，与所述各肌肉表皮位置所接收到的所述MU发放的源信号，作短时傅里叶变换并计算各自的自功率谱，根据所述自功率谱，得到白化系数，根据所述白化系数，确定白化后的互功率谱，根据所述白化后的互功率谱，积分得到总积矩相干性定义在时域上的关于时间延迟的相关度量δyx(τ)，根据所述相关度量以及所述总积矩相干性，通过不同的滞后范围确定出每个滞后范围下的相干估计，根据各个滞后范围所对应的时滞功率谱所占总功率谱的比例，对每个滞后范围下的相干估计作归一化，得到每个滞后范围下归一化后的相干估计，作为相关性信息，所述相关性信息用于表征所述各功能区域与所述各肌肉表皮位置之间的功能相关性，所述相关度量用于表示通过相干性逆傅里叶变换得到的信号时间延迟在时域的变化；
将所述相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示。
2.如权利要求1所述的方法，其特征在于，获取设定时间内的脑电信号和肌电信号，具体包括：
根据多元自回归模型模拟脑电信号，并根据平面体导体模型生成模拟肌电信号；
将所述模拟脑电信号，作为所述设定时间内的脑电信号，以及将所述模拟肌电信号，作为所述设定时间内的肌电信号。
3.如权利要求1所述的方法，其特征在于，对所述设定时间内的脑电信号进行溯源分析，确定大脑皮层中各功能区域对应的源信号，具体包括：
将大脑皮层划分为若干个皮层表面；
确定用于表征各皮层表面与各表皮位置之间相关关系的场矩阵；
针对每个表皮位置，以该表皮位置上的脑电信号与通过所述场矩阵和大脑皮层中各功能区域对应的源信号预测出的该表皮位置上的脑电信号之间差异最小为优化目标，按照最小范数法进行求解，以确定出各皮层表面发放给该表皮位置的源信号；
根据各皮层表面发放给各表皮位置的源信号，确定出大脑皮层中各功能区域对应的源信号。
4.如权利要求1所述的方法，其特征在于，根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，具体包括：
根据所述设定时间内的肌电信号，确定各MU的信号表示信息；
针对每个MU，将所述信号表示信息中该MU在各时间点的信号值进行聚类，得到该MU对应的聚类结果；
根据该MU对应的聚类结果，确定出运动单元MU向外发放信号的发放时间。
5.如权利要求4所述的方法，其特征在于，根据所述设定时间内的肌电信号，确定各MU的信号表示信息，具体包括：
确定所述设定时间内每一时刻对应的活跃指数；
根据所述活跃指数，确定所述设定时间内的活跃时刻，并根据所述活跃时刻所对应的肌电信号，确定初始互相关向量，互相关向量用于表示每个MU与每个肌肉表皮位置之间的信号相关性；
根据初始互相关向量，按照自然梯度下降法，确定出目标互相关向量；
根据所述目标互相关向量，确定各MU的信号表示信息。
6.如权利要求1所述的方法，其特征在于，根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号，具体包括：
针对每个肌肉表皮位置，将该肌肉表皮位置接收到的MU信号波形与MU的发放时间作卷积，得到该肌肉表皮位置上的接收到的各MU的信号序列；
将该肌肉表皮位置接收到的各MU的信号序列进行累加，得到肌肉表皮位置所接收到的所述MU发放的源信号。
7.一种基于深层脑肌功能耦合的信息展示装置，其特征在于，包括：
获取模块，用于获取设定时间内的脑电信号和肌电信号；
脑电溯源模块，用于针对所述设定时间内的脑电信号根据溯源算法进行溯源分析，确定大脑皮层中各功能区域对应的源信号，针对每个功能区域，该功能区域对应的源信号用于表征该功能区域的大脑皮层向外发放的信号；
肌电溯源模块，用于根据所述设定时间内的肌电信号，确定出运动单元MU向外发放信号的发放时间，并根据所述发放时间，确定各肌肉表皮位置所接收到的MU发放的源信号；
输入模块，用于将所述各功能区域对应的源信号以及所述各肌肉表皮位置所接收到的所述MU发放的源信号，输入到预设的非参数耦合模型，以通过所述非参数耦合模型对所述各功能区域对应的源信号，与所述各肌肉表皮位置所接收到的所述MU发放的源信号，作短时傅里叶变换并计算各自的自功率谱，根据所述自功率谱，得到白化系数，根据所述白化系数，确定白化后的互功率谱，根据所述白化后的互功率谱，积分得到总积矩相干性定义在时域上的关于时间延迟的相关度量δyx(τ)，根据所述相关度量以及所述总积矩相干性，通过不同的滞后范围确定出每个滞后范围下的相干估计，根据各个滞后范围所对应的时滞功率谱所占总功率谱的比例，对每个滞后范围下的相干估计作归一化，得到每个滞后范围下归一化后的相干估计，作为相关性信息，所述相关性信息用于表征所述各功能区域与所述各肌肉表皮位置之间的功能相关性，所述相关度量用于表示通过相干性逆傅里叶变换得到的信号时间延迟在时域的变化；
展示模块，用于将所述相关性信息，按照预设的展示形式在预设的医疗电子设备进行展示。
8.如权利要求7所述的装置，其特征在于，所述获取模块具体用于，根据多元自回归模型生成模拟脑电信号，并根据平面体导体模型生成模拟肌电信号；将所述模拟脑电信号，作为所述设定时间内的脑电信号，以及将所述模拟肌电信号，作为所述设定时间内的肌电信号。
9.如权利要求7所述的装置，其特征在于，所述脑电溯源模块具体用于，将大脑皮层划分为若干个皮层表面；确定用于表征各皮层表面与各表皮位置之间相关关系的场矩阵；针对每个表皮位置，以该表皮位置上的脑电信号与通过所述场矩阵和大脑皮层中各功能区域对应的源信号预测出的该表皮位置上的脑电信号之间差异最小为优化目标，按照最小范数法进行求解，以确定出各皮层表面发放给该表皮位置的源信号；根据各皮层表面发放给各表皮位置的源信号，确定出大脑皮层中各功能区域对应的源信号。
10.如权利要求7所述的装置，其特征在于，所述肌电溯源模块具体用于，根据所述设定时间内的肌电信号，确定各MU的信号表示信息；针对每个MU，将所述信号表示信息中该MU在各时间点的信号值进行聚类，得到该MU对应的聚类结果；根据该MU对应的聚类结果，确定出运动单元MU向外发放信号的发放时间。
11.如权利要求10所述的装置，其特征在于，所述肌电溯源模块具体用于，确定所述设定时间内每一时刻对应的活跃指数；根据所述活跃指数，确定所述设定时间内的活跃时刻，并根据所述活跃时刻所对应的肌电信号，确定初始互相关向量，互相关向量用于表示每个MU与每个肌肉表皮位置之间的信号相关性；根据初始互相关向量，按照自然梯度下降法，确定出目标互相关向量；根据所述目标互相关向量，确定各MU的信号表示信息。
12.如权利要求7所述的装置，其特征在于，所述肌电溯源模块具体用于，针对每个肌肉表皮位置，将该肌肉表皮位置接收到的MU信号波形与MU的发放时间作卷积，得到该肌肉表皮位置上的接收到的各MU的信号序列；将该肌肉表皮位置接收到的各MU的信号序列进行累加，得到肌肉表皮位置所接收到的所述MU发放的源信号。
13.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1～6任一项所述的方法。
14.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现上述权利要求1～6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646428.2A CN116719411B (zh) | 2023-06-01 | 2023-06-01 | 一种基于深层脑肌功能耦合的信息展示方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310646428.2A CN116719411B (zh) | 2023-06-01 | 2023-06-01 | 一种基于深层脑肌功能耦合的信息展示方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116719411A CN116719411A (zh) | 2023-09-08 |
| CN116719411B true CN116719411B (zh) | 2024-06-21 |
Family
ID=87867220
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310646428.2A Active CN116719411B (zh) | 2023-06-01 | 2023-06-01 | 一种基于深层脑肌功能耦合的信息展示方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116719411B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116088686A (zh) * | 2023-01-17 | 2023-05-09 | 北京融域智胜科技有限公司 | 一种脑电溯源的运动想象脑机接口训练方法与系统 |
Family Cites Families (3)
| 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 |
| CN114569139B (zh) * | 2022-02-25 | 2022-11-01 | 之江实验室 | 复杂脑肌交互闭环功能网络框架的构建方法 |
| CN115990025A (zh) * | 2022-11-18 | 2023-04-21 | 浙江大学 | 一种基于微状态分析的脑电信号溯源重建方法及装置 |
-
2023
- 2023-06-01 CN CN202310646428.2A patent/CN116719411B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116088686A (zh) * | 2023-01-17 | 2023-05-09 | 北京融域智胜科技有限公司 | 一种脑电溯源的运动想象脑机接口训练方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于相干性的多频段脑肌电信号双向耦合分析的方法;高云园 等;传感技术学报;20171031;第30卷(第10期);说明书第1466-1470页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116719411A (zh) | 2023-09-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gorodnitsky et al. | Neuromagnetic source imaging with FOCUSS: a recursive weighted minimum norm algorithm | |
| Hsu et al. | Real-time adaptive EEG source separation using online recursive independent component analysis | |
| Gramfort et al. | Time-frequency mixed-norm estimates: Sparse M/EEG imaging with non-stationary source activations | |
| Ghumare et al. | A time-varying connectivity analysis from distributed EEG sources: A simulation study | |
| US20160051162A1 (en) | Method for locating a brain activity associated with a task | |
| KR101842750B1 (ko) | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 | |
| Liu et al. | Bayesian electromagnetic spatio-temporal imaging of extended sources with Markov random field and temporal basis expansion | |
| CN114415842B (zh) | 一种基于位点等效增强的脑机接口解码方法及装置 | |
| Liu et al. | Straps: A fully data-driven spatio-temporally regularized algorithm for M/EEG patch source imaging | |
| Basti et al. | Looking through the windows: a study about the dependency of phase-coupling estimates on the data length | |
| Robinson et al. | Spatiotemporal imaging of complexity | |
| Fu et al. | Adaptive covariance estimation of non-stationary processes and its application to infer dynamic connectivity from fMRI | |
| Kowalik et al. | Changes of chaoticness in spontaneous EEG/MEG | |
| Li et al. | A spatio-temporal solution for the EEG/MEG inverse problem using group penalization methods | |
| CN116719411B (zh) | 一种基于深层脑肌功能耦合的信息展示方法及装置 | |
| Korats et al. | A space-time-frequency dictionary for sparse cortical source localization | |
| Sekihara et al. | Performance of prewhitening beamforming in MEG dual experimental conditions | |
| Ramji et al. | Parkinson's disease medication state management using data fusion of wearable sensors | |
| Zia et al. | Modeling consistent dynamics of cardiogenic vibrations in low-dimensional subspace | |
| Veeramalla et al. | Neural source localization using particle filter with optimal proportional set resampling | |
| Duque-Muñoz et al. | Simplified EEG inverse solution for BCI real-time implementation | |
| Makhortykh | Generalized spectral-analytical method for biomedical data processing | |
| CN113849067B (zh) | 基于经验模态分解的运动想象人工数据生成方法及装置 | |
| Choi et al. | Noise reduction techniques using particle filters in brain computer interface systems | |
| El Halabi | Blind source separation of single-sensor recordings: Application to ground reaction force signals |
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 |