[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

说明书

本发明提出了信息技术领域一种基于变分模态分解‑传递熵的脑肌电耦合的研究方法，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；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，可以减少频带混叠给后续不同频率波之间进行传递熵计算产生的干扰，提高实验结果准确性。

技术领域

本发明涉及一种脑肌电耦合研究方法，具体的说是一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，属于认知神经科学和信息技术领域。

背景技术

人体的自主运动是大脑运动皮层发出运动指令，经过中枢神经系统(脑、脊髓)，沿着运动传导通路支配肢体完成一定的动作；同时，人的肢体基于周边环境产生体感，体感沿着神经传导通路反馈给大脑，在大脑的感觉区和运动区加以综合判断，调节运动指令，从而准确的完成动作，这种信号在大脑和肌肉之间的来回传递，表明来自大脑的EEG信号和来自肌肉的EMG信号之间具有一定的相关性，因此我们可以对这种相干性进行研究，这种研究具有一定的实际意义，可以将这种相干性研究用于皮质肌肉耦合、肌肉疲劳、运动障碍、运动康复等一系列的分析中。

生理系统是跨越多尺度时空进行相互作用的复杂系统。运动神经系统通过神经振荡传递运动控制信息，引起相应肌肉的运动单元的同步性振荡活动反映运动响应信息，这种同步振荡活动可以反应多层次的皮质-肌肉功能耦合的连接信息。由于脑电和肌电信号分别包含躯体运动控制信息和肌肉对大脑控制意图的响应信息，因此对运动模式下脑肌电信号间不同时空层次的同步特征分析更有助于理解皮质-肌肉的功能耦合及信息传递。

研究多时空层次的脑肌电耦合信息，关键因素是提取不同尺度上的脑电和肌电信息；首先是粗粒化方法和近似熵结合应用于EEG和 EMG的尺度特性分析中，提取不同时间尺度上的信息；但随着其尺度的增加，序列长度减少使得熵估计不准确；移动均值化的提出克服了这一弊端，使得各个尺度的时间序列长度保持相同；然而粗粒化与移动均值化方法仅是将信号进行时间尺度化，不能刻画EEG和EMG的时频域特性，因此将经验模态分解的方法应用于多尺度划分中，提取 EEG和EMG信号不同时频域尺度特征；EMD方法自适应的将信号分解成一系列的本征模态函数，得到各个本征模态函数的瞬时幅度和频率；但是经过该方法分解之后得到的本征模态函数存在边界效应和模态混叠的现象；因此集总经验模态分解方法应用到脑电信号分析中，消除了模态混叠的现象，相比EMD具有更好的抗噪声性能。但是采用 EEMD方法会造成计算量增大。鉴于以上递归式分解的不足，将变分模态分解引入到尺度化分析中，自使用的提取EEG和EMG中各个具有中心频率的窄带分量；为了定量的研究不同时频尺度之间的脑肌电非线性同步耦合特征及信息传递，本专利结合变分模态分解和传递熵的方法，构建变分模态分解-传递熵模型用于脑肌电频段间耦合性分析。

发明内容

本发明的目的是提供一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，可以减少频带混叠给后续不同频率波之间进行传递熵计算产生的干扰，提高实验结果准确性。

本发明的目的是这样实现的：一种基于变分模态分解-传递熵的脑肌电耦合的研究方法，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；

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；