[發明專利]基于多尺度Copula互信息的肌間耦合網絡分析方法

在審

• 申請號: 202011278653.8
• 申請日: 2020-11-16
• 公開（公告）號: CN112232301A
• 公開（公告）日: 2021-01-15
• 發明（設計）人: 佘青山;吳亞婷;席旭剛;馬玉良
• 申請（專利權）人: 杭州電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04
• 代理公司: 浙江千克知識產權代理有限公司 33246
• 代理人: 周希良

本發明提出了一種基于多尺度Copula互信息的肌間耦合網絡分析方法。本發明將多元變分模態分解（MVMD）與Copula互信息相結合，構建了基于MVMD?Copula互信息的肌間耦合網絡模型，從復雜網絡的角度，通過節點強度、聚類系數、路徑長度等網絡參數分析了伸手運動過程中上肢8塊肌肉在不同時頻尺度上的肌間耦合特性。實驗結果表明，在分解出的6個時頻尺度上，肌間耦合特性存在明顯區別。上述結果體現了肌間耦合網絡具有尺度差異性，MVMD?Copula互信息能夠定量刻畫多尺度肌間耦合強度關系，具有良好的應用前景。

技術領域

本發明屬于神經系統運動控制機制研究領域，涉及多元變分模態分解，Copula互信息的計算，復雜網絡中節點強度、聚類系數、特征路徑的計算，從而進行肌間耦合網絡分析。

背景技術

肌間耦合的概念來源于皮層肌肉功能耦合研究，指的是運動過程中肌肉間的相互作用，研究sEMG信號間的耦合信息不僅可以反映中樞神經系統(central nervous system,CNS)的不同運動控制策略和肌肉的運動功能狀態，還能夠實現肌電信號解碼，探索內在的運動功能控制機制。

近年來，有研究表明肌間耦合存在頻段顯著特征，基于該特性有學者提出將小波分解、經驗模態分解(empirical mode decomposition,EMD)等時頻分解方法引入到肌間耦合分析之中，以偵測不同時頻尺度下的肌間耦合特性。然而，小波分解受其小波基的約束缺乏自適應能力，EMD在處理信號時易受噪聲影響，并且分解的模態之間混疊現象嚴重。為了改進上述問題，最近，Rehman提出了多元變分模態分解(multivariate variational modedecomposition,MVMD)，能有效解決尺度混合問題，同時實現對多個信號進行頻率分解，可將隨機信號分解為多個窄帶分量，各分量包含原信號在不同時-頻尺度上的特征，抗噪能力強、辨識精度高，因此MVMD可以為多元隨機變量尺度分解提供新的算法。

復雜網絡理論的發展為研究功能網絡中信息的處理和流動奠定了基礎，可以實現多通道肌電信號間的耦合分析，從整體角度分析肌間運動機制。現有的肌間耦合分析方法主要有皮爾遜相關系數、格蘭杰因果、相干性等，Tjeerd等利用相干性對十塊腿部肌肉的sEMG信號進行了連接性分析，以提取肌肉網絡，使用聚類系數、全局效應、中心性等網絡參數來評估肌肉協同作用。Kerkman等利用偏定向相干性結合骨骼系統建立全身肌肉功能網絡，分析了不同站立姿勢動作下全身肌肉之間的耦合特性。陳玲玲等通過相關系數度量肌間關聯性，將復雜網絡應用到外骨骼機器人研究中，構建及分析搬運過程中上肢肌間功能網絡。然而，由于sEMG信號具有非線性、非平穩特點，上述肌間耦合分析方法更多的是在分析兩兩通道之間的線性關聯性，存在一定的局限性。互信息(mutual information，MI)是信息論里一種有用的信息度量，可以看成一個隨機變量中包含的關于另一個隨機變量的信息量，即兩個隨機變量之間的依賴程度。互信息廣泛應用于非線性系統，因此許多研究人員考慮采用此方法研究腦肌電信號的非線性耦合特征。但傳統的互信息估算方法需要聯合概率密度函數的精確表示，現有的聯合概率密度函數估計方法存在估計精度低，依賴模型假設，要求變量個數少、樣本量充足等問題，所以互信息的估計往往十分困難。Ma等根據Sklar定理推導出互信息與Copula熵之間具有等價關系,這為估計互信息提供了一條新的思路。

發明內容

針對傳統肌間耦合分析方法，分析尺度單一、非線性關系描述不夠準確，本發明的目的在于提供一種可有效得到上肢肌間耦合網絡特性的分析方法。

為了準確定量描述不同時頻尺度下肌間網絡的功能耦合情況，本發明提出了將多元變分模態分解和Copula互信息相結合的多尺度肌間耦合網絡分析方法。

本發明首先通過MVMD多尺度分解提取不同時頻尺度下sEMG信號的模態分量，然后利用Copula互信息度量不同模態上肌間耦合強度，進一步基于復雜網絡理論搭建肌間耦合網絡，最后選取節點強度、聚類系數等網絡參數分析不同尺度下肌間耦合特性，為解碼肌電信號以及探索潛在的CNS神經運動控制機制提供新的參考依據。