基于延時(shí)等概率符號化傳遞熵分析的腦肌耦合雙向神經(jīng)信息傳遞規(guī)律研究

張凱,徐光華,2,李文平,江開元,田沛源,鄭小偉,韓丞丞,張四聰

(1. 西安交通大學(xué)機(jī)械工程學(xué)院,710049,西安; 2. 西安交通大學(xué)機(jī)械制造系統(tǒng)工程國家重點(diǎn)實(shí)驗(yàn)室,710054,西安)

隨著我國老齡化程度的持續(xù)加深,腦卒中疾病和意外腦損傷引發(fā)運(yùn)動功能障礙的患者數(shù)量大幅增加[1],而手作為人體的精細(xì)感知和運(yùn)動交互器官,在大腦皮層中面積占比大、功能復(fù)雜,因此手部運(yùn)動功能極易受到損傷且難以修復(fù)[2]。神經(jīng)接口作為一種融合生命科學(xué)與工程技術(shù)的前沿技術(shù),能夠通過有效提取患者神經(jīng)信號中包含的運(yùn)動意圖。利用信號處理將其數(shù)字化為外部設(shè)備的控制指令,以輔助患者實(shí)現(xiàn)對外部設(shè)備的控制,從而實(shí)現(xiàn)主動運(yùn)動意念參與的康復(fù)訓(xùn)練,促進(jìn)其手部運(yùn)動功能恢復(fù),因而得到了廣泛的研究和應(yīng)用[3-5]。其中,腦電信號(EEG) 能夠從中樞層面反映患者殘存神經(jīng)的運(yùn)動意圖[6],而肌電信號(EMG) 能夠體現(xiàn)肌肉的活動狀態(tài),體現(xiàn)了四周神經(jīng)對于運(yùn)動任務(wù)決策的神經(jīng)響應(yīng)[7]。同步耦合EEG與EMG不僅能夠更加全面地反映大腦對于肢體運(yùn)動控制神經(jīng)環(huán)路的工作機(jī)制,以有效指導(dǎo)神經(jīng)接口界面的設(shè)計(jì),從而幫助有一定自主性運(yùn)動能力的患者進(jìn)行手部精細(xì)動作的康復(fù)訓(xùn)練[8]。同時(shí),可以利用兩種信號的同步耦合關(guān)系來分析運(yùn)動控制通路的功能狀態(tài),為腦卒中患者的運(yùn)動機(jī)能進(jìn)行客觀量化的評價(jià)[9]。

然而,現(xiàn)有的研究只關(guān)注腦肌電信號模式識別的問題,忽略了對腦肌耦合的內(nèi)在作用規(guī)律和雙向傳遞機(jī)制的研究,從而導(dǎo)致現(xiàn)有腦肌耦合神經(jīng)接口存在著可解釋性差,控制準(zhǔn)確率低等問題。腦肌電耦合通常指的是大腦皮層的運(yùn)動控制信息會引起相關(guān)肌肉組織的同步振蕩活動[10-11],且該種振蕩存在雙向性,研究腦肌電耦合分析方法,不僅能夠有效揭示運(yùn)動控制環(huán)路的神經(jīng)信息內(nèi)在作用機(jī)制,且能為高魯棒性的多層次腦肌耦合神經(jīng)接口模型提供理論支撐[12]?，F(xiàn)有應(yīng)用于腦肌電信號的耦合分析方法從原理上可以分為線性方法和非線性方法[13-14]。其中,以相干性分析、格蘭杰因果分析為主的線性分析方法雖然具有計(jì)算簡便、可靠性高的優(yōu)點(diǎn),但不能滿足對腦肌電信號耦合的非線性特征的提取與辨識[15-17]。以互信息為主的非線性方法雖然可以對腦肌電的非線性過程進(jìn)行刻畫,但是不能衡量系統(tǒng)狀態(tài)變化所帶來的動態(tài)信息變化。傳遞熵[18]通過計(jì)算轉(zhuǎn)移概率衡量系統(tǒng)間的動態(tài)信息傳遞,能夠分析時(shí)間序列間的非線性信息傳遞關(guān)系,是衡量兩個(gè)時(shí)間序列信息定向傳遞的指標(biāo),為腦肌電信號的耦合分析提供重要研究手段[19-20],然而,傳遞熵計(jì)算前需通過相空間提取和還原信號的動態(tài)特性,因此要求信號的長度足夠長,且傳遞熵的計(jì)算復(fù)雜度卻較高,極大限制了其應(yīng)用。

基于此背景,本文面向腦肌耦合雙向神經(jīng)信息傳遞規(guī)律開展研究,結(jié)合腦肌電信息傳遞的特征,將時(shí)間序列符號化的方法與傳遞熵計(jì)算相結(jié)合,提出了延時(shí)等概率符號化傳遞熵方法,以實(shí)現(xiàn)在粗?；盘栃蛄薪档陀?jì)算復(fù)雜度的同時(shí)保留腦肌電信號的動態(tài)特性,避免符號化過程中未考慮信號中出現(xiàn)幅值較大的突變噪聲會造成區(qū)間劃分不恰當(dāng),導(dǎo)致少數(shù)符號代替大部分原始觀測值的問題,以防損失大量原始時(shí)間序列中的信息。同時(shí),基于所提方法開展在線實(shí)驗(yàn)驗(yàn)證,以揭示從腦肌電層面上的大腦皮層和運(yùn)動肌肉間的雙向信息傳遞內(nèi)在作用機(jī)制,為強(qiáng)魯棒性神經(jīng)接口設(shè)計(jì)提供有力的理論支撐。

1 腦肌融合的神經(jīng)傳導(dǎo)功能延時(shí)等概率符號化傳遞熵分析

傳遞熵通過衡量系統(tǒng)之間的信息交換來獲得系統(tǒng)的結(jié)構(gòu)化信息,能夠獲得系統(tǒng)中的動態(tài)信息和信息交換的方向性,該方法能夠衡量兩個(gè)時(shí)間序列間的雙向非線性耦合特征,是研究腦電與肌電間信息交互的理想方法。為了避免傳遞熵相空間提取和還原過程的計(jì)算復(fù)雜度,研究人員將時(shí)間序列符號化的方法與傳遞熵計(jì)算相結(jié)合[21],一種典型的變尺度符號化的方法如下

R=

(1)

式中:R為符號化后的序列;x(i)為原始信號序列;k為符號化的數(shù)量;δ為遞增常量,其取值為(max(x)-min(x))/k。

基于該思路,研究人員提出變尺度符號化傳遞熵方法對腦肌電信號進(jìn)行同步分析[22],其數(shù)學(xué)表達(dá)式為

(2)

式中:xn+τ為時(shí)間延遲τ時(shí)的信號X符號化觀測值;xn為信號X的符號化觀測值;yn為信號Y的符號化觀測值。

符號化傳遞熵能夠保留系統(tǒng)的動態(tài)特性并簡化傳遞熵的計(jì)算,由于其在符號化過程中未考慮信號中出現(xiàn)幅值較大的突變噪聲會造成區(qū)間劃分不恰當(dāng)、導(dǎo)致少數(shù)符號代替大部分原始觀測值的問題[23],損失了大量原始時(shí)間序列中的信息。同時(shí),腦肌電信號間的耦合關(guān)系并不僅是簡單直接的信息傳遞,由于大腦皮層到手部肌肉之間通過神經(jīng)通路連接,而神經(jīng)元信息傳遞存在延遲,可以推斷大腦與肌肉間的控制信息傳遞和感知反饋間必然也存在一定延遲[24-25]。傳統(tǒng)的傳遞熵分析方法僅考慮兩個(gè)時(shí)間序列間信息定向傳遞的方向,并未考慮兩個(gè)時(shí)間序列之間存在時(shí)間延遲的情況,所以直接使用傳統(tǒng)的傳遞熵方法對同步采集的腦肌電進(jìn)行同步性分析并不能準(zhǔn)確表達(dá)這種傳遞延遲。

因此,本文提出改進(jìn)符號化傳遞熵計(jì)算方法,主要從符號化方法和傳遞熵的計(jì)算兩個(gè)方面進(jìn)行改進(jìn)。在符號化方法基礎(chǔ)上提出等概率符號化方法,在符號化區(qū)間劃分時(shí)盡可能保留信號的原始動態(tài)信息;在傳遞熵計(jì)算基礎(chǔ)上提出延時(shí)傳遞熵計(jì)算方法,在腦肌耦合分析時(shí)加入對腦肌電信號的信息傳輸延遲的考慮,算法流程如圖1所示。

圖1 基于延時(shí)等概率符號化傳遞熵的腦肌電信號耦合分析方法 Fig.1 Brain-muscle coupling analysis based on delay equal probability-symbolized transfer entropy

1.1 等概率符號化方法

本文所提等概率符號化方法,使符號化時(shí)間序列中各符號的出現(xiàn)概率相同,并可以根據(jù)需要動態(tài)調(diào)整符號數(shù)量。從而更好地保留原始時(shí)間序列中的信息,具體算法思路如下:對原始時(shí)間序列X(n)={x(1),x(2),…,x(n)}由小到大排序,排序后的序列為V(n)={v(1),v(2),…,v(n)};設(shè)定一個(gè)可變的尺度參數(shù)k,k表示需要劃分的符號數(shù),則每個(gè)符號中對應(yīng)的采樣點(diǎn)數(shù)j的計(jì)算式為

(3)

式中:round(·)為四舍五入運(yùn)算。

取區(qū)間劃分參數(shù)

d(k)=v(kj)

(4)

式中:k為1,2,…,k-1。

然后,對原始時(shí)間序列X(n)進(jìn)行符號化,符號化過程的函數(shù)形式為

(5)

由于n?k,因此不必考慮邊界點(diǎn)的歸屬和邊界區(qū)間極少數(shù)據(jù)點(diǎn)數(shù)差異,可以認(rèn)為通過等概率劃分區(qū)間的方法,能夠保證每個(gè)區(qū)間內(nèi)的數(shù)據(jù)點(diǎn)數(shù)近似相同。

從符號化時(shí)間序列包含的信息量角度進(jìn)行考慮,符號時(shí)間序列中包含的信息量可以由香農(nóng)熵表示,其計(jì)算式為

(6)

式中n為符號數(shù)量?？芍?dāng)各個(gè)符號的出現(xiàn)概率p(xi)相同時(shí),系統(tǒng)的不確定性和信息量最大。

傳統(tǒng)變尺度符號化方法對生理電信號進(jìn)行符號化可能導(dǎo)致少數(shù)幾個(gè)符號代替大量的觀測值,因而其符號化時(shí)間序列中的不確定性較低,包含的信息量少,而等概率符號化方法使各個(gè)符號的出現(xiàn)概率相同,能夠包含原始時(shí)間序列中更多的動態(tài)信息,同時(shí)也具有傳統(tǒng)符號化方法降低信號中動力學(xué)噪聲和測量噪聲影響的優(yōu)點(diǎn)。

1.2 延時(shí)等概率符號化傳遞熵

式(2)描述的方法僅對被預(yù)測樣本x(n+τ)添加延時(shí)參數(shù),這種方式能夠一定程度上分析兩個(gè)時(shí)間序列的延遲,但它忽略了序列自身的信息傳遞,當(dāng)時(shí)間序列間的信息傳遞延遲遠(yuǎn)小于時(shí)間序列自身內(nèi)的信息傳遞延遲時(shí),這種改進(jìn)傳遞熵方法并不能去除序列自身的信息傳遞影響,因而得不到準(zhǔn)確的序列間信息傳遞結(jié)果。

本文所提延時(shí)等概率符號化傳遞熵(ETST),對于符號化時(shí)間序X(n)={x(1),x(2),…,x(n)}和Y(n)={y(1),y(2),…,y(n)},定義ETST(Y→X)為

ETST(Y→X)=

(7)

式中τ為序列Y(n)到X(n)的信息傳遞延遲。

按照傳遞熵的定義,本文定義的ETST(Y→X)的物理意義是已知信號Y和延遲τ后的信號X,去除信號X自身的信息量,信號Y能夠?qū)ρ舆t為τ+1的信號X的預(yù)測起到較大的作用。

2 腦肌電信號耦合分析實(shí)驗(yàn)流程與數(shù)據(jù)采集

為了驗(yàn)證所提方法的有效性,面向手部功能康復(fù)訓(xùn)練中的常用手勢——手部抓握運(yùn)動,開展手部運(yùn)動過程中的EEG和sEMG信號的實(shí)時(shí)采集與分析實(shí)驗(yàn)。實(shí)驗(yàn)共招募了10名無精神類疾病的健康被試,7名男性和3名女性,均為右利手,平均年齡為24歲。所有被試者在實(shí)驗(yàn)前均已閱讀實(shí)驗(yàn)說明并簽署了知情同意書。每次實(shí)驗(yàn)持續(xù)時(shí)間為12～17 s,具體流程如下:實(shí)驗(yàn)開始,在t=0 s時(shí),屏幕中央以文字提示被試者實(shí)驗(yàn)即將開始,被試者得到提示后注視屏幕;以屏幕顯示靜止的左手和右手,屏幕中心顯示注視十字,被試者注視十字并保持靜息狀態(tài),為排除被試自身節(jié)律或時(shí)間期待等因素的影響,靜息狀態(tài)持續(xù)時(shí)間隨機(jī)地設(shè)置為5～10 s;范式隨機(jī)提示左側(cè)或右側(cè)手部的運(yùn)動想象任務(wù),屏幕中心十字變?yōu)橹赶蜃蠡蛴业募^,根據(jù)范式提示,被試使用同側(cè)的手與范式進(jìn)行持續(xù)5 s的同步抓握運(yùn)動,且將抓握力保持在低于20%最大自主收縮的水平;單次任務(wù)結(jié)束,進(jìn)入下一次的實(shí)驗(yàn)準(zhǔn)備階段。

本實(shí)驗(yàn)使用gUSBamp設(shè)備同步采集腦電和肌電信號,腦電信號采集選取覆蓋運(yùn)動皮層的腦電通道,具體包括F3、FZ、F4、FC3、FCZ、FC4、C3、CZ、C4、P3、PZ、P4;肌電信號采集兩側(cè)手臂的指淺屈肌(FDS)和肱肌(BM)處的肌電信號。

實(shí)驗(yàn)要求被試者集中精力想象手部活動,實(shí)驗(yàn)要求在安靜、微暗的環(huán)境下進(jìn)行,避免外界噪聲對被試者造成干擾,實(shí)驗(yàn)現(xiàn)場如圖2所示。最后獲得被試者每側(cè)手部以較小力度抓握時(shí)的腦肌電數(shù)據(jù),選取每名被試者每側(cè)手部各20個(gè)試次,用來研究手部運(yùn)動過程中大腦運(yùn)動皮層和運(yùn)動肌肉間的耦合關(guān)系。

圖2 腦肌電同步采集實(shí)驗(yàn)環(huán)境示意圖Fig.2 Schematic diagram of experimental environment for synchronous EEG EMG acquisition

3 腦肌電傳遞延遲分析

對腦電信號進(jìn)行1～100 Hz帶通濾波,以去除高頻噪聲和低頻運(yùn)動偽跡的影響,然后使用延時(shí)等概率符號化傳遞熵對10名被試者的腦電信號和肌電信號進(jìn)行分析,以獲得被試者的腦肌電間信息傳遞延遲時(shí)間。進(jìn)行EEG至EMG的傳遞分析時(shí),本文選使用等概率符號化方式對腦電信號和肌電信號分別進(jìn)行符號化,設(shè)定參數(shù)k=10。

根據(jù)大腦對軀體的對側(cè)控制機(jī)制,選取右手指淺屈肌的肌電信號與C3通道腦電信號進(jìn)行信息傳遞延遲分析,左手指淺屈肌的肌電信號與C4通道腦電信號進(jìn)行信息傳遞延遲分析,現(xiàn)有研究表明皮層與肌肉的信息流延時(shí)大約在20～30 ms左右,因此本文選取1～50 ms延遲時(shí)長內(nèi)的傳遞信息為分析對象,由此測量每個(gè)被試EEG至EMG信息流傳遞延遲時(shí)間,并對每個(gè)被試者的實(shí)驗(yàn)數(shù)據(jù)多個(gè)試次進(jìn)行疊加平均,從而完成進(jìn)一步的觀察。其中,被試S1的兩側(cè)手部EEG→EMG傳遞熵隨延遲時(shí)間變化的分析結(jié)果,τ為最優(yōu)延遲時(shí)間,如圖3、圖4所示。

圖3 左手EEG至EMG信息傳遞延遲分析Fig.3 The delay analysis of left hand EEG→EMG information transmission

圖4 右手EEG至EMG信息傳遞延遲分析Fig.4 The delay analysis of right hand EEG→EMG information transmission

可以看到,進(jìn)行左側(cè)手部抓握時(shí),在延遲時(shí)間為23.3 ms時(shí)出現(xiàn)傳遞熵峰值,在該時(shí)間延遲下腦電信號與肌電信號間存在最強(qiáng)的單向信息傳遞,可以認(rèn)為是肌肉對大腦控制信號的響應(yīng)延遲。在右手手部抓握時(shí)延遲時(shí)間為23.3 ms時(shí)出現(xiàn)傳遞熵峰值。

對EMG至EEG的信息傳遞延遲進(jìn)行分析時(shí),同樣采用C3、C4通道腦電信號與對側(cè)手部的指淺屈肌的肌電信號進(jìn)行符號化傳遞熵的分析,結(jié)果如圖5、圖6所示。

圖6 右手EMG至EEG符號化傳遞熵分析Fig.6 The transfer entropy of right hand EMG to EEG information transmission

與EEG至EMG相似,被試S1的左手和右手抓握時(shí)EMG至EEG的信息傳遞延遲分別為29.2、30.8 ms。由于信息傳遞延遲可能存在一定波動,有的被試者可能出現(xiàn)峰值不顯著的情況,例如被試S1的右手EMG至EEG的傳遞熵峰值相對不顯著,但人體的神經(jīng)傳導(dǎo)速度基本確定,在20～35 ms范圍內(nèi)選擇峰值最可能符合實(shí)際信息傳遞延遲。記錄其他被試者的腦電與肌電的符號化傳遞熵分析結(jié)果,最優(yōu)延遲時(shí)間的分析結(jié)果如表1所示。

表1 被試者S1～S10的最優(yōu)延遲時(shí)間

由表1可知,在被試群體中,從EEG至EMG方向的最優(yōu)延遲時(shí)間普遍短于從EMG至EEG,且EEG至EMG的延遲時(shí)長為21.7～32.5 ms,而EMG至EEG的時(shí)長約為24.2～33.2 ms。由于不同被試者之間存在個(gè)體差異,其最優(yōu)延遲時(shí)間也存在差異,但該差異僅在毫秒之內(nèi),可以忽略不計(jì),實(shí)驗(yàn)得到最優(yōu)延遲時(shí)間具有普適性。

4 多通道腦肌電符號化傳遞熵分析

為了分析手部運(yùn)動過程中上臂肌肉與大腦運(yùn)動功能區(qū)之間的耦合關(guān)系,本文對各被試者左、右手進(jìn)行抓握時(shí)運(yùn)動一側(cè)的指淺屈肌肌電信號與各導(dǎo)聯(lián)腦電信號和進(jìn)行延時(shí)等概率符號化傳遞熵進(jìn)行分析,延遲τ使用表1中確定的最優(yōu)延遲時(shí)間,以被試S1為例,被試S1的延時(shí)等概率符號化傳遞熵分析結(jié)果如圖7所示。

(a)左手

(b)右手

由圖7可以發(fā)現(xiàn),左側(cè)手部抓握時(shí),C4通道的腦電信號與左手指淺屈肌的肌電信號存在最強(qiáng)的單向(EEG至EMG)信息傳遞,并且左手指淺屈肌的肌電信號與P4通道的腦電信號存在最強(qiáng)的單向(EMG至EEG)信息傳遞。右側(cè)手部抓握時(shí),C3通道的腦電信號與右手指淺屈肌在兩個(gè)方向上的信息傳遞均是最強(qiáng)。對其他被試者的腦肌電符號化傳遞熵的分析也呈現(xiàn)類似的結(jié)果,例如對于被試S3,其左手和右手進(jìn)行抓握時(shí)EEG至EMG方向信息傳遞最強(qiáng)的腦電通道分別為C4、FC3,這也恰好符合大腦的對側(cè)控制機(jī)制,實(shí)驗(yàn)表明本文改進(jìn)符號化傳遞熵能夠分析出腦電和肌電間的雙向信息傳遞關(guān)系,從而體現(xiàn)手部肌肉與大腦的運(yùn)動皮層的雙向耦合關(guān)系。

同時(shí)可以觀察到腦電到肌電的延時(shí)等概率符號化傳遞熵顯著高于從肌電到腦電,從因果性的角度分析,可以認(rèn)為腦電是因,肌電是果,主要的信息傳遞是由腦電到肌電。這與一般認(rèn)知是相符的,當(dāng)肢體運(yùn)動發(fā)生時(shí):一方面,大腦的運(yùn)動皮層會發(fā)出信號,沿著運(yùn)動傳導(dǎo)通路下行傳導(dǎo)至肢體的神經(jīng)和肌肉;另一方面,本體感覺信息通過運(yùn)動感知傳導(dǎo)通路上行傳導(dǎo)至大腦的運(yùn)動感覺區(qū)域,大腦對感知到的運(yùn)動信息加以分析后發(fā)出調(diào)節(jié)運(yùn)動的指令,大腦在運(yùn)動調(diào)控中起主導(dǎo)作用。

5 運(yùn)動過程中的符號化傳遞熵變化分析

為了研究運(yùn)動執(zhí)行過程中的腦電和肌電的耦合強(qiáng)度變化情況,本文分析了靜息態(tài)到運(yùn)動態(tài)的腦電及肌電信號符號化傳遞熵變化。具體步驟如下:選取多通道腦肌電耦合分析中得到的信息傳遞最強(qiáng)的腦電和肌電導(dǎo)聯(lián)的數(shù)據(jù),進(jìn)行去噪和1～100 Hz的帶通濾波處理;對單個(gè)試次的腦肌電數(shù)據(jù)進(jìn)行分析,從單個(gè)試次靜息態(tài)開始,以1 s的時(shí)窗,以0.1 s間隔滑窗截取信號,分別對每段數(shù)據(jù)計(jì)算EEG至EMG和EMG至EEG的在表1中確定的最優(yōu)延遲時(shí)間下的延時(shí)等概率符號化傳遞熵,構(gòu)成符號化傳遞熵隨時(shí)間的變化曲線;分別對左右手的20個(gè)試次的符號化傳遞熵隨時(shí)間的變化曲線進(jìn)行疊加,計(jì)算均值和方差,得到每個(gè)被試者左手和右手在抓握時(shí)的符號化傳遞熵變化曲線。對于被試S1和S2手部抓握過程的平均符號化傳遞熵分析結(jié)果如圖8所示,圖8中方差為實(shí)際計(jì)算結(jié)果的1/10。

(a)被試S1左手

(b)被試S2左手

(c)被試S1右手

(d)被試S2右手

圖8中黑色豎線表示屏幕提示被試者開始手部抓握運(yùn)動的時(shí)刻,可得如下結(jié)論:在提示被試者開始手部抓握動作前,腦電與肌電信號的傳遞熵幅值均較低,EEG至EMG的符號化傳遞熵值僅略高于EMG至EEG,說明二者并未表現(xiàn)出直接的因果關(guān)系,且靜息狀態(tài)時(shí)大腦皮層與手部肌肉間的信息傳遞較少;在提示被試者開始手部動作1～2 s后,被試的EEG至EMG符號化傳遞熵值有顯著上升趨勢,在運(yùn)動結(jié)束后上升趨勢逐漸消失;被試者EMG至EEG的符號化傳遞熵值有一定上升趨勢,但幅度較小,不如EEG至EMG的變化明顯,能夠說明在手部主動運(yùn)動時(shí),大腦皮層向肌肉發(fā)送調(diào)控指令,從而引起肌肉的活動,肌肉活動也會通過上行的通道向大腦皮層發(fā)送感知反饋信息,從而引起肌電到腦電方向的耦合強(qiáng)度上升;在兩側(cè)手部均使用較小抓握力度的情況下,各被試者右手EEG至EMG的符號化傳遞熵值要明顯高于左手,推測是由于本文被試者均為右利手,右手肌肉與大腦皮層的耦合性更強(qiáng),一定程度上說明了本文符號化傳遞熵方法能夠較好地分析出腦肌耦合強(qiáng)度。

綜上所述,本文改進(jìn)符號化傳遞熵方法可以分析大腦皮層和運(yùn)動肌肉間的雙向信息傳遞,能夠體現(xiàn)腦肌耦合的時(shí)間延遲和耦合強(qiáng)度。經(jīng)過分析,在人體手部以較小力度運(yùn)動時(shí)時(shí)EEG至EMG方向的信息傳遞要高于EMG至EEG,并且不同方向上主動運(yùn)動時(shí)的耦合強(qiáng)度均高于靜息狀態(tài)時(shí)。這可能能夠作為識別運(yùn)動是由患者主動發(fā)起還是由于被試者的手部肌肉痙攣或其他癥狀引起的病態(tài)運(yùn)動的依據(jù),對于臨床康復(fù)訓(xùn)練有一定的價(jià)值。

6 結(jié) 論

本文圍繞人體手部抓握運(yùn)動過程中腦肌電神經(jīng)信息的耦合規(guī)律開展研究,提出了延時(shí)等概率符號化傳遞熵分析方法,通過在線實(shí)驗(yàn)同步采集手部運(yùn)動任務(wù)中的EEG與EMG信號,進(jìn)行了手部抓握過程中腦電信號和肌電信號間的雙向神經(jīng)信息傳遞延遲檢測,開展了多通道的腦肌電耦合過程中的功能區(qū)定位與強(qiáng)度變化分析。通過延時(shí)等概率符號化傳遞熵對采集得到的EMG與EEG進(jìn)行分析,可以得到如下結(jié)論。

(1)等概率符號化方法使各個(gè)符號的出現(xiàn)概率相同,能夠包含原始時(shí)間序列中更多的動態(tài)信息,可以更加精確的腦肌電信號的耦合特征,延時(shí)化的傳遞熵能夠有效能夠準(zhǔn)確地檢測到兩個(gè)時(shí)間序列間信息傳遞,更能準(zhǔn)確定位其信息傳遞延遲,在兩個(gè)序列間不存在信息傳遞時(shí)計(jì)算結(jié)果也保持了較好的魯棒性。

(2)通過對人體手部抓握運(yùn)動的腦肌電信號進(jìn)行分析,得到人體左右手的腦肌信息傳遞具有不對稱性,且該傳遞時(shí)延約為20～35 ms。左側(cè)手部抓握過程,C4通道的腦電信號與左手指淺屈肌的肌電信號存在最強(qiáng)的單向(EEG至EMG)信息傳遞,而右側(cè)手部抓握時(shí),C3通道的腦電信號與右手指淺屈肌在兩個(gè)方向上的信息傳遞均是最強(qiáng),且從腦電到肌電的傳遞熵峰值顯著高于從肌電到腦電的,指明了大腦在運(yùn)動調(diào)控中起主導(dǎo)作用。同時(shí),運(yùn)動執(zhí)行任務(wù)過程中,腦肌電耦合強(qiáng)度的變化規(guī)律表明了不同方向上主動運(yùn)動耦合強(qiáng)度均高于運(yùn)動靜息狀態(tài)。

綜上,本文不僅提出了全新的腦肌耦合分析技術(shù)方法并證明了該方法的有效性,同時(shí)揭示了抓握運(yùn)動過程大腦皮層和手部肌肉的神經(jīng)作用機(jī)制與雙向耦合關(guān)系,為新的康復(fù)方案和康復(fù)評價(jià)方法提供了理論依據(jù),為神經(jīng)接口技術(shù)的發(fā)展提供有力的算法支撐。