[发明专利]一种R藤Copula互信息的肌间耦合分析方法

说明书

本发明公开了一种R藤Copula互信息的肌间耦合分析方法。本发明首先进行多通道表面肌电信号的同步采集与预处理，其次利用非参数核密度估计边际分布函数，再进行R藤Copula的简单矩阵表示及参数估计，同时估计R藤Copula互信息和R藤Copula条件互信息；最后进行肌间耦合分析。本发明提出的RVCMI和RVCCMI为肌间耦合分析提供了一种新的研究方法和科学的理论依据，具有良好的应用前景。

技术领域

本发明属于神经系统运动控制机制研究领域，涉及R藤Copula、互信息和条件互信息的计算，从而进行肌间耦合分析。

背景技术

神经肌肉系统是高度复杂的，先前的研究表明，位于额叶中央前回的初级运动皮层接受来自几个大脑区域的输入，帮助规划运动，其主要输出刺激脊髓神经元，刺激骨骼肌收缩。然而，中枢神经系统(Central Nervous System,CNS)如何协调由大量肌肉和关节组成的复杂运动以达到行为目标，仍然是一个基本问题。例如，一个平滑的伸展运动可能是肩膀屈肌、肘部伸展肌和支撑姿势的肌肉协调活动的结果。

在中枢神经系统的功能调节和反馈控制下，肌肉之间的耦合现象反映了人体运动过程中多通道肌肉之间的相互作用和相互联系。表面肌电信号(surfaceElectromyographic,sEMG)是由肌肉收缩产生的生物电活动。由于sEMG信号是记录电极附近多个运动单位动作电位(Motor Unit Action Potentials,MUAP)活动总和的测量值，因此可以实时准确地反映肌间耦合的状态和功能。开展肌间耦合特性的研究，将有助于挖掘潜在的中枢神经系统对肌肉的支配调节方式。

目前，分析两个时间序列和多个时间序列耦合的方法很多，包括相干性、互信息(Mutual Information,MI)、S估计和全局同步指数(Global Synchronization Index,GSI)。相干性方法是在频域上量化两个时间序列之间的线性相关性，但该方法未考虑信号内在的非线性特性。在MI方法中，计算两个时间序列的自概率密度分布和联合概率密度分布，并通过计算各种熵来量化两个时间序列之间的线性和非线性统计独立性。然而，由于非高斯分布数据的联合概率密度函数(Probability Density Function,PDF)的估计是一个难题，使得MI实际应用变得十分困难。对于S估计方法，它是一种基于状态空间的同步方法，即通过分析状态空间重构域中多个信号之间的相互依赖关系来计算同步强度。然而，S估计没有充分考虑随机和伪影分量对分析的影响，计算精度有待提高。对于GSI方法，虽然改进了S估计，以分析多维神经序列，但基于协方差矩阵的GSI方法是一种简单的测量多时间序列线性相关性的方法，不估计多时间序列的非线性相关性，同时也在一定程度上受到噪声的干扰。

最近，Ince等将Copula统计理论与高斯变量熵的封闭解相结合，提出了一种实用的高斯Copula互信息(Gaussian Copula Mutual Information,GCMI)估计方法。GCMI为MI提供了一个计算效率高、统计上稳健的下界估计，无需对每个变量的边际分布进行具体假设。该方法使研究人员能够充分利用每个神经信号的特性及其实验设计，从而更好地了解大脑网络的信息处理功能。然而，单一的高斯Copula函数形式单一，只能刻画对称的相关结构，模型拟合容易失真，不能准确描述所有神经信号之间的功能耦合特性。成对Copula(Pair-Copula)结构是多元分布下的依赖关系的灵活表示，近年来已成为多元分析的一个热门话题。成对Copula的思想是将多元分布分解为条件分布，并通过对两个变量同时建模的双变量Copula来描述这些条件分布。特殊的成对Copula结构称为正则藤(R-Vine)Copula结构，它假定分布中特定元素之间的条件独立性，从而使我们能够避开似然估计和抽样中的维数灾难。与其他传统的Copula结构相比，R藤Copula具有更高的灵活性，能够对更广泛的复杂多元相关性进行建模。