[发明专利]基于多尺度Copula互信息的肌间耦合网络分析方法

说明书

本发明提出了一种基于多尺度Copula互信息的肌间耦合网络分析方法。本发明将多元变分模态分解（MVMD）与Copula互信息相结合，构建了基于MVMD‑Copula互信息的肌间耦合网络模型，从复杂网络的角度，通过节点强度、聚类系数、路径长度等网络参数分析了伸手运动过程中上肢8块肌肉在不同时频尺度上的肌间耦合特性。实验结果表明，在分解出的6个时频尺度上，肌间耦合特性存在明显区别。上述结果体现了肌间耦合网络具有尺度差异性，MVMD‑Copula互信息能够定量刻画多尺度肌间耦合强度关系，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，涉及多元变分模态分解，Copula互信息的计算，复杂网络中节点强度、聚类系数、特征路径的计算，从而进行肌间耦合网络分析。

背景技术

肌间耦合的概念来源于皮层肌肉功能耦合研究，指的是运动过程中肌肉间的相互作用，研究sEMG信号间的耦合信息不仅可以反映中枢神经系统(central nervous system,CNS)的不同运动控制策略和肌肉的运动功能状态，还能够实现肌电信号解码，探索内在的运动功能控制机制。

近年来，有研究表明肌间耦合存在频段显著特征，基于该特性有学者提出将小波分解、经验模态分解(empirical mode decomposition,EMD)等时频分解方法引入到肌间耦合分析之中，以侦测不同时频尺度下的肌间耦合特性。然而，小波分解受其小波基的约束缺乏自适应能力，EMD在处理信号时易受噪声影响，并且分解的模态之间混叠现象严重。为了改进上述问题，最近，Rehman提出了多元变分模态分解(multivariate variational modedecomposition,MVMD)，能有效解决尺度混合问题，同时实现对多个信号进行频率分解，可将随机信号分解为多个窄带分量，各分量包含原信号在不同时-频尺度上的特征，抗噪能力强、辨识精度高，因此MVMD可以为多元随机变量尺度分解提供新的算法。

复杂网络理论的发展为研究功能网络中信息的处理和流动奠定了基础，可以实现多通道肌电信号间的耦合分析，从整体角度分析肌间运动机制。现有的肌间耦合分析方法主要有皮尔逊相关系数、格兰杰因果、相干性等，Tjeerd等利用相干性对十块腿部肌肉的sEMG信号进行了连接性分析，以提取肌肉网络，使用聚类系数、全局效应、中心性等网络参数来评估肌肉协同作用。Kerkman等利用偏定向相干性结合骨骼系统建立全身肌肉功能网络，分析了不同站立姿势动作下全身肌肉之间的耦合特性。陈玲玲等通过相关系数度量肌间关联性，将复杂网络应用到外骨骼机器人研究中，构建及分析搬运过程中上肢肌间功能网络。然而，由于sEMG信号具有非线性、非平稳特点，上述肌间耦合分析方法更多的是在分析两两通道之间的线性关联性，存在一定的局限性。互信息(mutual information，MI)是信息论里一种有用的信息度量，可以看成一个随机变量中包含的关于另一个随机变量的信息量，即两个随机变量之间的依赖程度。互信息广泛应用于非线性系统，因此许多研究人员考虑采用此方法研究脑肌电信号的非线性耦合特征。但传统的互信息估算方法需要联合概率密度函数的精确表示，现有的联合概率密度函数估计方法存在估计精度低，依赖模型假设，要求变量个数少、样本量充足等问题，所以互信息的估计往往十分困难。Ma等根据Sklar定理推导出互信息与Copula熵之间具有等价关系,这为估计互信息提供了一条新的思路。

发明内容

针对传统肌间耦合分析方法，分析尺度单一、非线性关系描述不够准确，本发明的目的在于提供一种可有效得到上肢肌间耦合网络特性的分析方法。

为了准确定量描述不同时频尺度下肌间网络的功能耦合情况，本发明提出了将多元变分模态分解和Copula互信息相结合的多尺度肌间耦合网络分析方法。

本发明首先通过MVMD多尺度分解提取不同时频尺度下sEMG信号的模态分量，然后利用Copula互信息度量不同模态上肌间耦合强度，进一步基于复杂网络理论搭建肌间耦合网络，最后选取节点强度、聚类系数等网络参数分析不同尺度下肌间耦合特性，为解码肌电信号以及探索潜在的CNS神经运动控制机制提供新的参考依据。