[发明专利]基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法

说明书

本发明公开了一种基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法；首先，通过64导联脑电帽和肌电采集仪采集了10通道脑电信号和尺侧腕屈肌、屈指浅肌、桡侧腕屈肌的表面肌电信号。结合符号传递熵和图论知识建立了脑肌功能网络，并提取了网络特征向量用于K最近邻算法训练分类器，最终用于检测运动疲劳。该方法克服了传统的基于生物电信号的运动疲劳检测方法中未全面考虑脑肌协作进行运动控制的缺点，将脑电信号和肌电信号结合进行运动疲劳检测，结果显示该方法在运动疲劳检测中具有较高的准确率。

技术领域

本发明属于模式识别领域，涉及一种人体运动疲劳的检测，特别地，涉及一种基于脑电和肌电信号对运动疲劳的检测方法。

背景技术

肌肉疲劳的定义是在连续收缩过程中保持一定强度的能力下降，或在间歇性收缩过程中未能达到初始强度水平，这反映在肌肉的电活动中。该术语表示感觉比预期的难度更大或需要更多的努力。对于健康人来说，反复或持续的肌肉激活会导致疲劳，这在运动或日常生活中很常见。最直观的效果是降低了肌肉产生力量的能力，这增加了肌肉受伤的可能性。这种表现也与运动功能障碍的患者如中风和癌症密切相关。因此，准确有效地检测肌肉疲劳至关重要。

自从首次确定运动过程中的脑电图(electroencephalogram，EEG)和肌电图(electromyogram，EMG)之间的关系以来，大脑和肌肉的交流已成为重要的研究课题，皮层肌肉连贯性(Cortical-muscle coherence，CMC)与身体运动密切相关。同样的研究兴趣也已经应用于肌肉疲劳，即在最大程度的自愿性收缩引起的疲劳后，CMC下降。随后，他们基于疲劳是一个渐进过程这一事实优化了实验范式，并得出了相同的结论。相反，最近的一项研究为志愿者设定了个体疲劳阈值，发现CMC可能增加也可能减少，这可能反映出受试者在疲劳发作后的维持能力。同时，EEG和EMG的功率降低，EEG相干性降低以及EMG循环平稳性提高也相继被报道。结论的不一致可能是因为脑肌网络的信息流方向有关，以及大脑和肌肉都参与了这一过程的事实。

为了解决上述方法的局限性，我们提出了一种结合符号传递熵(symbolictransfer entropy，STE)和图论把EEG和EMG当作一个整体建立脑肌网络的方法。由于不对称(定向)和过程(动态)概率计算，STE方法在检测非线性相互作用方面特别有效，已被应用于EEG和EMG信号。图论为脑网络组织的定量研究提供了一种有力的方法。平均度数、全局效率和全局聚类被计算作为特征，用于之后的K最近邻算法训练肌肉疲劳分类器。

本发明考虑了运动控制时皮层和肌肉双向传递以及皮层和肌肉同时参与的事实，构建了运动控制中的脑肌网络，研究中枢神经系统的调节规律，从神经系统的内源角度上为检测人体运动疲劳提供了一种新的方法。

发明内容

本发明针对为了填补运动疲劳检测方式的不足，提出了一种基于符号传递熵和图论的脑肌功能网络运动疲劳检测方法。从大脑皮层和肌肉共从参与运动控制的事实出发，建立了脑肌功能网络，计算了平均度数、全局效率和全局聚类作为特征进行检测。本方法相比传统方法有着不受电极数量影响、准确率高的特点。由于运动控制过程中，大脑皮层和肌肉共同参与，且互相有信息流入以及流出，单纯的只考虑脑电信号或者只考肌电信号都不能准确的表征神经系统的特征，同时皮层和肌肉间的信息交流具有方向性，无向的耦合计算方法遗失了信息交流中的方向信息。本发明提出了一种结合符号传递熵和图论计算网络特征的方法，根据采集的不同状态下脑电信号和肌电信号判别是否进入肌肉疲劳状态。首先，采集了被试在正常状态下和肌肉疲劳状态下的EEG和EMG信号，其次对获得的原始信号进行了预处理以提高信号质量。根据脑-肌耦合相干规律，选择γ信号频段用于建立脑肌功能网络，并提取了脑肌功能网络相关特征平均度数、全局效率和全局聚类系数作为运动疲劳检测的特征，最后根据K最近邻算法，训练了一个肌肉疲劳检测分类器。

为了实现以上内容，本发明方法主要包括以下步骤：