基于自主动作、想象动作下脑肌电信号联合分析方法

摘要

一种基于自主动作、想象动作下脑肌电信号联合分析方法：进行系统设置，使用LabVIEW8.6产生方波脉冲信号；分别进行脑电信号采集和肌电信号采集，包括：自主动作模态下的脑电信号和肌电信号，想象动作模态下的脑电信号和肌电信号；对采集的原始数据进行去噪预处理；对去噪预处理后的自主动作模态下和想象动作模态下的脑肌电信号时域图进行自主动作模态下和想象动作模态下的脑肌电时域信号分析；对去噪预处理后的自主动作、想象动作模态下的脑肌电信号的进行时频信号分析，时频信号分析是采用基于Morlet的小波变换；进行偏定向相干分析，具体是采用格兰杰因果性进行偏定向相干分析。本发明为康复辅助设备监测和机体运动水平评估提供新评价参数。

说明书

技术领域

本发明涉及一种。特别是涉及一种通过同步采集不同动作模态下的相关区域的脑电信号 和肌电信号，将两种动作模态下的脑肌电信号进行数据处理和偏定向相干分析，得到脑肌电 信号在动作发生时的的因果性以及信息的流向性的基于自主动作、想象动作下脑肌电信号联 合分析方法。

背景技术

在1924年，德国Jena大学精神科教授Hans Berger(1873-1941)博士首先记录了人类 的头皮脑电信号，并第一次将脑电活动命名为electroencephalogram(EEG)。但是由于当时 社会研究中枢神经系统电活动的学者较少，Berger的成果不被大多数的生理学家和神经病学 家承认。直到1933年，英国著名的生理学家E.D.Adrain(1934年诺贝奖获得者)与B.Mathews 在剑桥大学生理学研究室一起研究了脑电图，肯定了Berger的有关研究。之后，脑电研究才 得以迅猛发展，并被全世界接受。而sEMG(Surface Electromyogram Signal)，即表面肌 电信号，是从肌肉表面通过电极记录下来的有关神经肌肉活动的一维时间序列信号，其幅值变 化与参与活动的运动单位数量、运动单位活动模式和代谢状态等因素有关，能实时、准确的 和在无创的状态下反映肌肉活动状态和功能状态。因此能在一定程度上反映神经肌肉的活动， 并且在临床医学的神经肌肉疾病诊断、在人机工效学领域的肌肉工作的功效学分析，在康复 医学领域的肌肉功能评价以及在体育科学中的疲劳判定、运动技术合理性分析。从研究者、 学者们开始将脑电、肌电联合起来考虑和研究开始，人们常用的分析模式有以下三种：

(1)自主动作(任务不同)分析脑肌电相关性。例如墨尔本大学的A.A.Abdul-latif 于2004年研究左右手自主动作时，脑电相关性的变化，指出同侧肢体运动时大脑同侧运动皮 层支配和贡献情况；2001年吉林大学的李艳在其学位论文中研究了正常人在三种自主手指动 作模式时脑激活区域的功能核磁共振研究，表明利手的简单动作支配主要在对侧脑SM1，而 双侧的SM1参与了非利手的简单动作。随意动作参与动作的区域多于简单动作，且双侧SMA 均参与；假想动作时主要由SMA、PMA支配。

(2)想象动作模态分析脑电信号特征。已有研究显示运动想象疗法可以有效改善脑梗 死偏瘫患者的运动功能。这主要是基于大脑的可塑性学说。对于不完全性瘫痪，若要产生随 意运动，也必须是先有运动意念，然后才有肌肉收缩和肢体运动。康复的作用之一就是反复 强化这一从大脑至肌群的正常运动控制模式，基于想象动作的运动意念能有效地促进这一正 常运动反射弧的形成。在Gerardin等的研究中，让8例右利手的正常人进行右手手指屈伸 运动想象，经过MIR发现和实际运动同样地活化了双侧运动前区、顶叶、基底核和小脑。而 在之后的英国人Nikhil Sharma证实了对于脑卒中患者，可以应用“运动想象”来改善中风 后的肢体运动障碍的情况。国内也有学者作了类似的工作，支持了以上观点。这些研究表明， 运动功能残障患者可应用“运动想象”部分活化损伤的运动神经网络。

(3)自主动作与想象动作结合下分析脑肌电的相关性。YasunariH于2010年在其研究 中探讨了下肢肌肉在主动动作和想象动作下的脑电-肌电相关性，得到运动想象和实际动作引 重叠的的大脑皮层的反映；同年，广岛大学的Nan Liang在基于TMS(经颅磁刺激)研究对 侧肢体想象动作时，也指出由对侧运动引起的运动皮层的兴奋性会被同侧肢体运动抑制或者 干扰，这可能是由胼胝体的抑制效应所致；苏黎世大学的Andrea Zimmer于2008年的研究 表明对于中风患者应用想象疗法能够较之于其他的物理疗法有较大的效果。

相对于独立的信号分析，脑肌电信号的因果分析可以更加直接准确地反映信号间的联 系，这使得基于脑电肌电相关性分析的研究具有广泛的应用价值：可深入了解某些运动障碍 性疾病(例如帕金森症)的病理机制，为病后功能修复和替代提供有效依据及新途径；可有 效改善运动型损伤恢复期的康复方法；可提高人体运动水平和平衡能力的评估研究手段。

发明内容

本发明所要解决的技术问题是，提供一种利用偏定向相干进行不同模态下的脑电与肌电 信号的因果性分析，通过同步刺激不同模态下的脑电和肌电数据，在整体上分析脑电信号与 机电信号的全波段信息，在频域上给出了两者之间的因果性以及信息流向性，从而为康复治 疗提供一种评价参数以及运动机制评价参数的基于自主动作、想象动作下脑肌电信号联合分 析方法。

本发明所采用的技术方案是：一种基于自主动作、想象动作下脑肌电信号联合分析方法， 包括有如下步骤：

1)进行系统设置，即，使用LabVIEW8.6产生周期为10s、占空比为0.2的方波脉冲信号；

2)分别进行脑电信号采集和肌电信号采集，其中包括：自主动作模态下的脑电信号和肌 电信号，想象动作模态下的脑电信号和肌电信号；

3)对采集的原始数据进行去噪预处理；

4)对去噪预处理后的自主动作模态下和想象动作模态下的脑肌电信号时域图进行自主动 作模态下和想象动作模态下的脑肌电时域信号分析；

5)对去噪预处理后的自主动作、想象动作模态下的脑肌电信号的进行时频信号分析，所 述的时频信号分析是采用基于Morlet的小波变换；

6)进行偏定向相干分析，具体是采用格兰杰因果性进行偏定向相干分析。

步骤1所述的使用LabVIEW8.6产生周期为10s、占空比为0.2的方波脉冲信号包括如下 过程：

(1)设置采样率和采样模式；

(2)生成单周期模拟波形；

(3)开始输出；

(4)判断：采集时间/10的余数是否大于2，是，熄灯后再继续判断，否则亮灯后再继 续判断。

步骤2所述的自主动作模态具体是：受试者休息10秒钟；开启LabVIEW，产生周期为10s、 占空比为0.2的方波脉冲，使得指示灯在高电平触发被点亮，并持续2s，继而指示灯关闭8s， 当指示灯亮的时候，受试者快速的做右手中指屈曲动作；同时记录脑电导联图中C3、C4处脑 电信号、指浅屈肌处肌电信号、方波脉冲信号60秒钟。

步骤2所述的想象动作模态具体是：受试者休息10秒钟；开启LabVIEW，产生周期为 10s、占空比为0.2的方波脉冲，使得指示灯在高电平触发被点亮，并持续2s，继而指示灯关 闭8s。当指示灯亮的时候，受试者快速的做右手中指屈曲动作；同时记录C3、C4处脑电信号、 指浅屈肌(FDS)处肌电信号、同步脉冲信号60秒钟。

步骤3所述的对采集的原始数据进行去噪预处理，是使用巴特沃斯三阶带通滤波器(含 50Hz工频陷波)分别对脑电信号和肌电信号进行滤波处理，根据信号的有效频段特征，选取 脑电信号截止频率：0.5Hz和40Hz；肌电信号截止频率：0.5Hz和200Hz。之后，由于原始数 据的采样率很高，分别对脑电信号与肌电信号进行降采样处理至512Hz。

本发明的基于自主动作、想象动作下脑肌电信号联合分析方法，提供了一种用于在不同 动作模态下的分析脑电信号与肌电信号的偏定向相干的方法，针对脑电与脑电，脑电与肌电 信号之间的关系，进行了相干性的判定与分析，得到了明显的结果，从而为康复辅助设备监 测和机体运动水平评估提供新评价参数，在康复工程领域及运动机制研究领域均有实用的应 用前景。

附图说明

图1是基于自主动作、想象动作下脑肌电信号联合分析框图；

图2是Labview 8.6同步脉冲流程框图；

图3是脑电导联示意图；

图4(a)是受试者在自主动作模态下的脑肌电信号时域图；

图4(b)是受试者在想象动作模态下的脑肌电信号时域图；

图5(a)受试者在自主动作模态下的脑电信号的频谱图；

图5(b)受试者在想象动作模态下的脑电信号的频谱图；

图6(a)受试者在自主动作模态下的脑肌电偏定向相干分析

图6(b)受试者在想象送做模态下的脑肌电偏定向相干分析

图中：

1：大脑皮层          2：上肢肌肉

3：表面电极          4：表面电极

5：自主动作          6：刺激动作

7：脑电放大器        8：肌电放大器

9：数字化生物电采集  10：数据处理

具体实施方式

下面结合实施例和附图对本发明的基于自主动作、想象动作下脑肌电信号联合分析方法 做出详细说明。

本发明的基于自主动作、想象动作下脑肌电信号联合分析方法，是基于格兰杰因果关系， 将时域信息映射到频域上的一种脑肌电联合分析的方法。本设计属于残疾人康复技术领域。 其技术流程是：通过同步采集不同动作模态下的相关区域的脑电信号和肌电信号，将两种动 作模态下的脑肌电信号进行数据处理和偏定向相干分析，得到脑肌电信号在动作发生时的的 因果性以及信息的流向性。

本发明的基于自主动作、想象动作下脑肌电信号联合分析方法，包括有如下步骤：

1)进行系统设置，即，使用LabVIEW8.6产生周期为10s、占空比为0.2的方波脉冲信 号。LabVIEW(Laboratory Virtual instrument Engineering Workbench)是一种图形化的 编程语言的开发环境，它广泛地被工业界、学术界和研究实验室所接受，视为一个标准的数 据采集和仪器控制软件。LabVIEW集成了与满足GPIB、VXI、RS-232和RS-485协议的硬件 及数据采集卡通讯的全部功能。它还内置了便于应用TCP/IP、ActiveX等软件标准的库函数。 这是一个功能强大且灵活的软件。利用它可以方便地建立自己的虚拟仪器，其图形化的界面 使得编程及使用过程都生动有趣。

所述的使用LabVIEW8.6产生周期为10s、占空比为0.2的方波脉冲信号包括如下过程：

(1)设置采样率和采样模式；

(2)生成单周期模拟波形；

(3)开始输出；

(4)判断：采集时间/10的余数是否大于2，是，熄灯后再继续判断，否则亮灯后再继 续判断。

2)分别进行脑电信号采集和肌电信号采集，其中包括：自主动作模态下的脑电信号和 肌电信号，想象动作模态下的脑电信号和肌电信号；

脑电信号的采集采用国际标准10-20电极放置标准，通过电极帽将电极与头皮相连。因 为大脑控制人体的运动区域在C3、C4区域比较明显，所以EEG信号在C3、C4处进行采集。 采用单级导联法，A1、A2导联分别连接到左右耳垂作为无关电极使用，如图3所示。

本实验在不同动作模式下，要求受试者中指主动或者被动动作，需要调动和参与的的目 标肌肉为指浅屈肌(flexor digitorum superficialis)(FDS)。

所述的自主动作模态具体是：受试者休息10秒钟；开启LabVIEW，产生周期为10s、占 空比为0.2的方波脉冲，使得指示灯在高电平触发被点亮，并持续2s，继而指示灯关闭8s， 当指示灯亮的时候，受试者快速的做右手中指屈曲动作；同时记录脑电导联图中C3、C4处脑 电信号、指浅屈肌处肌电信号、方波脉冲信号60秒钟。

所述的想象动作模态具体是：受试者休息10秒钟；开启LabVIEW，产生周期为10s、占 空比为0.2的方波脉冲，使得指示灯在高电平触发被点亮，并持续2s，继而指示灯关闭8s。 当指示灯亮的时候，受试者快速的做右手中指屈曲动作；同时记录C3、C4处脑电信号、指浅 屈肌(FDS)处肌电信号、同步脉冲信号60秒钟。

3)对采集的原始数据进行去噪预处理；

由于采集的原始数据混有大量背景噪声，在数据分析之前，需要对原始数据进行预处理， 所述的对采集的原始数据进行去噪预处理，是使用巴特沃斯三阶带通滤波器(含50Hz工频陷 波)分别对脑电信号和肌电信号进行滤波处理，根据信号的有效频段特征，选取脑电信号截 止频率：0.5Hz和40Hz；肌电信号截止频率：0.5Hz和200Hz。之后，由于原始数据的采样率 很高，分别对脑电信号与肌电信号进行降采样处理至512Hz。

4)对去噪预处理后的自主动作模态下和想象动作模态下的脑肌电信号时域图进行自主 动作模态下和想象动作模态下的脑肌电时域信号分析；

图4给出的是受试者在自主动作模态下、想象动作模态下的脑肌电时域信号，在图4(a) 中，能够看到肌电信号在整个动作过程中，幅值有明显的变化，说明在肌肉收缩或者舒张时， 肌肉电活动较静息时要活跃。在图4(b)中，表示的是受试者在想象动作模态下的脑肌电信 号时域图。由于想象动作下的肌电信号几乎是平稳的，因此，在肌电信号的时域图中，看不 到幅值的明确变化。

5)对去噪预处理后的自主动作、想象动作模态下的脑肌电信号的进行时频信号分析， 所述的时频信号分析是采用基于Morlet的小波变换；

Morlet小波变换是连续小波变换的一种，基本思想是：把连续的时间信号s(t)与Morlet 小波w(t，f)进行卷积，从而获得随时间变化的时频能量分布，即

TF(t，f)＝|w(t，f)^*s(t)|²

Morlet小波w(t，f)是一种复制调制的Gaussian函数，在时域(标准偏差σ_t)和频域(标 准偏差σ_f)上都具有高斯分布，对于某频率f，其表达式为：

$w(t,f)=\mathrm{Aexp}(-t^2/2{\sigma }_t^2)\exp \left(2\mathrm{i\pi ft}\right)$

其中，σ_t＝1/2πσ_f，$A={\left({\sigma }_t{\pi }^{\frac{1}{2}}\right)}^{-\frac{1}{2}}$

A为归一化因子，其目的是要保证小波基本身的能量为1。

Morlet小波家族具有恒定的比率f/σ_f(在实际应用中一般取值大于-5)，因此不同频 率f所对应的σ_f和σ_t是不同的，即其在整个时频平面上具有可变的时频分辨率：在高频区能 够提供高的时间分辨率，在低频区能提供高的频率分辨。

如图5(a)、图5(b)所示，能明确的看出，在自主动作模态下，动作产生时，在脑电 信号的低频成分，即α频段(8-13Hz)产生了事件相关去同步，即ERD现象；而后，一秒钟 左右使得对侧脑电在β频段(14-30)产生了事件相关去同步现象，即ERS现象。而当受试 者开始想象之后，会发现脑电信号C3处的能量开始降低(图5(a))，体现在α波段以及β 波段，这也是在想象动作时，脑电波会出现的普遍的现象，我们称之为事件相关去同步即ERD 现象，这一现象出现在C3脑电导联处，这也说明了大脑对肢体动作的对侧支配原则。

6)进行偏定向相干分析，具体是采用格兰杰因果性进行偏定向相干分析。

在神经科学中，研究不同皮层区域所包含的认知功能和评价各区域之间的联系是两个核 心的问题。而为研究各脑区之间的联系，学者们常常采用一些数学手段来评估各神经集群之 间的相互作用。比如：相干，相关和相位同步等。然而这些方法并不能区分各脑区之间信息 流的方向或者说是因果关系，由此，Granger causality在1969年将因果关系的概念公式化， 并应用于线性时间序列模型。现如今格兰杰因果关系被广泛应用于经济、生理、计算机神经 科学等许多领域，用来研究各类变量之间的内在联系。

a)格兰杰因果性

格兰杰因果关系的基本思想是：如果第一个时间序列当下的数值是由第一个时间序列过 去的数值和第二个时间序列过去的数值来估计的且比仅由第一个时间序列过去的数值估计时 的预测误差方差减小，则称第二个时间序列是第一个时间序列的因，否则不是。在格兰杰因 果关系中时间是一个很重要的要素，发生在前面的是因，发生在后面的果。对于二维的时间 序列数据，可以直接用格兰杰因果关系分析数据之间的内在联系。对于多维的时间序列数据， 由于变量之间的相互作用，不能直接用格兰杰因果关系来分析变量直接的相互作用，可以利 用前面介绍的偏相关因果关系来研究这些变量之间内在的直接联系。

格兰杰因果关系检验的步骤如下：

(1)将当前的y对所有的滞后项y以及别的什么变量(如果有的话)做回归，即y对y 的滞后项y_t-1，y_t-2，…，y_t-q及其他变量的回归，但在这一回归中没有把滞后项x包括进来， 这是一个受约束的回归。然后从此回归得到受约束的残差平方和RSSR。

(2)做一个含有滞后项x的回归，即在前面的回归式中加进滞后项x，这是一个无约束 的回归，由此回归得到无约束的残差平方和RSSUR。

(3)零假设是H0：α1＝α2＝…＝αq＝0，即滞后项x不属于此回归。

(4)为了检验此假设，用F检验，即

$F=\frac{({\mathrm{RSS}}_R-{\mathrm{RSS}}_{\mathrm{UR}})/q}{{\mathrm{RSS}}_{\mathrm{UR}}/(n-k)}$

它遵循自由度为q和(n-k)的F分布。

(5)如果在选定的显著性水平α上计算的F值临界Fα值，则拒绝零假设，这样滞后 x项就属于此回归，表明x是y的原因。

(6)同样，为了检验y是否是x的原因，可将变量y与x相互替换，重复步骤(1)～ (5)。

而众所周知，在信号处理的许多应用中，常常需要对其进行频域分析，尤其是类似于时 域特征不明显的信号，例如脑电信号，或者是雷达系统中目标速度信息的获取，声纳系统中 带有噪声信号的分析，以及语音处理系统中的生谱分析等等，这些都涉及到了频域分析，而 频域分析是其最重要的参数研究方法之一。因而将格兰杰因果关系推广到了频域空间，从而 进一步研究在频域变量之间存在的因果关系，其所得到结果更具有实际意义。

Granger因果关系的定义最初来源于经济学，它是描述多变量处理过程中各元素间定向 动态关系的一个非常重要的工具，所以近年来被应用于对神经科学的研究[18]。最早提出的 因果关系是在时域上的影响，基于这样的想法发展出了信号的时间结构，定义了可断定性的 因果关系。在线性结构中，Granger因果关系与VAR模型有密切的关系。具体如下：令，x＝ (x(t))t∈Z，其中：x(t)＝(x₁(t)，Λ，x_n(t))′是一个均值为0的稳定的n维时间序列。那么一 个简短的p阶VAR模型VAR[p]为：

$x\left(t\right)=\underset{r=1}{\overset{p}{\Sigma }}a\left(r\right)x(t-r)+ϵ\left(t\right)---\left(1\right)$

其中a(r)是模型的n×n维系数矩阵，ε(t)是多变量高斯白噪声。噪声过程的协方差矩阵 用Σ代表。为了保证模型的稳定假设：

det(I-a(1)z-...-a(p)z^p)≠0        (2)

其中对于所有的z∈C，都有|z|≤1。

在该模型中系数a_ij(r)描述了x_i对于过去x_j各元素的线性依赖程度。如果在(1)的自回 归表达中对于所有r＝1，A，p，a_ij(r)都为0，那么就说在整个过程中x_j对x_i不存在Granger 因果联系。换言之，如果通过过去的值来预测x_i(t+1)的值时，应用x_j各变量并不能改善对 x_i(t+1)的预测，则x_j对x_i不存在Granger因果联系。注意到VAR模型方法只能够描述变量间 的线性关系，因此，严格的讲涉及的是线性Granger因果关系。

b)偏定向相干分析

为了得到描述Granger因果联系的频域描述方法，Baccala和Sameshima在2001年提出 了偏定向相干的概念，令：

$A\left(\omega \right)=I-\underset{r=1}{\overset{p}{\Sigma }}a\left(r\right)e^{-\mathrm{i\omega r}}---\left(3\right)$

它代表n维单位矩阵I和系数序列的傅里叶变换间的差别。那么对于p阶的自回归过程 的偏定向相干|π_i←j(ω)|定义如下：

$\left|{\pi }_{i\leftarrow j}\left(\omega \right)\right|=\frac{\left|A_{\mathrm{ij}}\left(\omega \right)\right|}{\sqrt{{\Sigma }_k{\left|A_{\mathrm{kj}}\left(\omega \right)\right|}^2}}---\left(4\right)$

条件(2)保证了该分母始终是正的，因此该方程能够很好的定义偏定向相干。从定义 中可以看出，当且仅当所有的系数a_ij(r)均为零时，对于所有的频率ω来说|π_i←j(ω)|才不存在， 所以x_j对不存在Granger因果联系。这就说明了偏定向相干|π_i←j(ω)|提供了一个在频域ω中 测量对的定向线性影响的方法。而且，因为方程(4)是归一化的形式，因此偏定向相干的值在 [0，1]上。它对比了过去的x_j对于x_i的影响和过去x_j对与其他变量的影响，因此，对于给定 的一个信号源，偏定向相干分析可以按影响的强度对变量进行排列。

如图6(a)所示，对角线(1、5、9)上的三幅图表示信号的功率谱，其他图中的黑色 曲线表示有明显的偏定向相干，虚线表示p＝0.05的置信水平。其中横坐标表示源，纵坐标表 示目标，在上图中，能够看出肌电信号与C3导联脑电信号以及C4导联脑电信号均有相干性， C3导联处脑电信号对肌电信号的相干性要略高于C4导联处。并且脑电导联之间有明显的相 干性。

如图6(b)所示，在想象动作模态下，对角线(1、5、9)上的三幅图表示信号的功率 谱，其他图中的黑色曲线表示有明显的偏定向相干，虚线表示p＝0.05的置信水平。其中横坐 标表示源，纵坐标表示目标，虽然亦能表现出这点，且能够明确看出C3导联对C4导联的影 响胜过C4导联对C3导联的影响。说明在想象动作模态下，脑电信号依然是非常活跃的。

本发明的基于自主动作、想象动作下脑肌电信号联合分析方法，初步验证了偏定向相干 在脑肌电信号联合分析中的实用前景，分析了脑电信号与肌电信号以及脑电信号与脑电信号 的相关性，并取得了得到明显的测试效果，为进一步应用于实际领域，如运动辅助设施监测 及人体运动水平评估等方面，提供了良好的科学依据和应用基础。