[发明专利]基于同步筛选的脑区间耦合分析方法

摘要

本发明公开了一种基于同步筛选的脑区间耦合分析方法，本发明首先同步采集了不同握力输出时，32通道脑电信号EEG和12通道肌电信号EMG，为研究握力输出过程中，EEG运动区与感觉区的耦合关系，对大脑运动区及运动感觉区的导联C3，C4，CP5和CP6的脑电信号和肱桡肌信号进行分析；然后利用同步筛选算法将EEG与EMG的同步信息提取出来，得到EEG与EMG相关的数据；最后计算SSEM的符号传递熵，以确定其耦合关系。本发明可去除与运动的非相关数据，缩小数据规模。

主权项

基于同步筛选的脑区间耦合分析方法，其特征在于，该方法包括如下步骤：(1).同步采集了在不同握力输出时，32通道脑电信号和12通道肌电信号；(2).选取步骤(1)中获取的C3、C4、CP5、CP6通道脑电信号和肱桡肌肌电信号，对其进行小波阈值消噪处理，滤除心电、体位、以及其它噪声的影响并对EEG与EMG进行了时延分析；(3).使用同步筛选算法，以EMG肱桡肌信号为基准数据，对EEG运动区C3、C4通道与感觉区CP5、CP6通道的信号进行同步筛选，得到EEG与EMG相关的数据SSEM；同步筛选算法，具体算法如下：对于任意两列时间序列：X1＝{x1,x2,x3,...}；Y1＝{y1,y2,y3,...}；X1、Y1每一元素都有一个固定的标签，各元素在X1或Y1中的索引值为其对应的标签值；X1,Y1对应的标签序列为WX1、WY1,WX1＝{1,2,3,...}；WY1＝{1,2,3,...}；设：X2＝V(X1)  (1)V(X)表示将X进行非递减的排序；在改变X1中元素的位置得到非递减的X2时，为了实现标签和元素的一一对应，标签序列中标签会发生与X1中元素相同的位置改变，从而得到X2对应的索引序列WX2；设：Y2＝T(WX2,Y1)  (2)T(WX2,Y1)表示将WX2中存放的标签序列当作Y1新的索引序列，对Y1进行重新排列；因为Y1为非递减序列，若X1、Y1完全同步,Y2必为非递减序列；当X1、Y1不完全同步时,Y1中的非同步成分会导致T(WX2,Y1)无法将T(WX2,Y1)映射成非递减序列；根据这一特点，我们可通过Y2去掉Y1中的非同步成分；设：Y3(i)=Y2(i),Y2(i)≠Y2(i-1)0,Y2(i)=Y2(i-1)---(3)]]>若Y2中某索引大的元素值等于索引小的元素值，则将该值赋值为0，从而得到新的序列Y3；Y3即：对于Y2中的yn、ym,此处n、m为索引，若yn＝ym，n＜m，则将ym置0；然后将Y3按照WY1中的标签进行还原排序：Y4＝T(WY1,Y3)  (4)T(WY1,Y3)表示将WY1中存放的标签序列当作Y3新的索引，对Y3进行重新排列；Y4与原始时间序列Y1具有相同的排序，但与X1非同步的成分都已置0；将X1中为0的元素全部去除，得到Y5；Y5即为Y1基于X1同步筛选后的结果；(4).结合SSEM，计算在不同握力下大脑运动区C3、C4与感觉区CP5、CP6之间基于同步筛选的符号传递熵，分析脑区间的耦合性；所述基于同步筛选的符号传递熵，具体算法如下：同步筛选即为步骤(3)中提到的同步筛选算法；符号传递熵算法如下：首先对时间序列进行符号化处理，根据时间序列的数值特点进行符号划分的静态法,公式如下：Si=N-1,xi≥BN-1......1,B2>xi≥B10,B1>xi---(5)]]>式(5)中，Si为划分好的符号集，xi为时间序列Xt＝{x1,x2,x3,...}中的数据点；B1,B2...BN‑1是一系列截断点；设符号划分数量为pieces，pieces＝N；pieces的大小可以任意的放大或缩小；将原始数据符号化后，计算的传递熵称为符号传递熵；传递熵定义如式(6)：设Xt,Yt为两个长度为n的时间序列，各自从t‑1到t‑p的历史记为表示X与Y‑在X‑条件下的互信息；则Yt对Xt的转移熵TX→Y定义为X与Y‑在X‑下的互信息；TY→X=I(X;Y-|X-)=Σx,yp(xt,xt-1t-p,yt-1t-p)logp(xt|xt-1t-p,yt-1t-p)p(xt|xt-1t-p)---(6)]]>在相同的符号集下，计算TX→Y越大，表明数据X传递到数据Y的信息量越多，X对Y的影响越大。