[发明专利]基于变分模态分解-传递熵的脑肌电耦合的研究方法

权利要求书

1.一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，其特征在于，包括以下步骤：

步骤1)受试者按照实验指令完成实验操作，在实验过程中采集脑电信号和肌电信号，并以数字信号存储在计算机中；采集脑电信号和肌电信号具体过程为：受试者被要求端坐在指定的座椅并不做规定以外的动作，实验共进行40s：实验开始时前10s，受试者使用右手握住一个未注水的空杯，实验进行到第10s时，开始将500ml纯净水匀速的注入到受试者的空杯中，控制注水速度，使得500ml纯净水在第20s时全部注入到受试者手中的空杯内，注水结束后，再握持20s，并记录整个过程中的EEG和EMG信号；

步骤2)对上述脑电信号、肌电信号数据的预处理；

步骤3)对预处理过后的脑电信号和肌电信号进行变分模态分解，将脑电信号和肌电信号分解为若干个不同的本征模态函数；

步骤4)对使用变分模态分解得到的脑电信号、肌电信号两两之间进行传递熵计算，观察脑肌电耦合强度；

步骤5)选取不同的时间刻度再次对不同性质、不同分量、不同方向的本征模态函数进行传递熵计算，获取脑肌电耦合随负荷大小和时间变化的关系；

步骤3)的具体算法如下：

变分模态分解方法是将信号分解过程转移到变分框架内，通过搜寻约束变分模型的最优解实现信号自适应分解；首先将每个模态重新定义为调频-调幅信号，表达为：

u_k(t)＝A_k(t)cos(Ф_k(t)) (1)

式中，A_k(t)为u_k(t)的瞬时幅值，ω_k(t)为u_k(t)的瞬时频率，假设每个模态u_k(t)具有中心频率和有限带宽，约束条件为各模态之和等于输入信号f，且每个模态的估计带宽之和最小，模型如下：

st.∑_ku_k＝f (2)

其中，u_k＝{u₁,…,u_k}，表示分解的K有限带宽IMFf分量，为求取(1)、(2)约束变分问题的最优解，引入增广形式的Largrange函数，即：

式中：α为惩罚因子，λ为拉格朗日算子；

采用乘法算子交替方向法解决以上变分问题，通过交替更新u_kⁿ⁺¹、ω_kⁿ⁺¹和λⁿ⁺¹，寻找上式的“鞍点”；

其中，的表达式为：

式中，ω_k等同于等同于

基于Parseval/Plancherel傅里叶等距变换，将(4)式转变到频域，得到各模态的频域更新；然后将中心频率的取值问题转换到频域，得到中心频率的更新方法；同时更新λ；

具体表达式如下：

每个本征模态函数分量的中心频率和带宽在迭代求解变分模型的过程中不断更新，直至满足迭代停止条件对于给定的判定精度e＞0，结束整个循环，最终根据实际信号的频域特性得到K个窄带本征模态函数分量；

步骤(4)将经过变分模态分解得到的若干个脑电、肌电信号的本征模态函数两两之间计算传递熵值，具体算法如下：

将使用变分模态分解得到的脑电信号分量和肌电信号分量分别定义为K₁和K₂分别代表EEG和EMG窄带分量本征模态函数的个数，基于传递熵的定义，构造到的变分模态分解-传递熵TE_EEG→EMG，公式如下：

式中，t离散时间指标；u为预测时间；分别为k₁，k₂的延迟向量，p(·)为变量间的联合概率；

TE_EEG→EMG则表示EEG的k₁分量到EMG的k₂分量间的传递熵值，同理信号到的变分模态分解-传递熵TE_EMG→EEG的表达式为：

TE_EMG→EEG则表示EMG的k₂分量到EEG的k₁分量间的传递熵值；

步骤5)的时间刻度分别以1s、2s、3s、4s为基准，将整个时间段的本征模态函数分割再加以计算，并绘制传递熵变化曲线，观察随着时间变化和负荷逐渐增加时，皮质肌肉耦合的变化情况。