[发明专利]一种结合非负矩阵分解和复杂网络的肌间耦合分析方法

权利要求书

1.一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，其特征在于，该方法包括如下步骤：

步骤1、使用生物电采集设备采集5％、20％、40％、60％、80％最大自主收缩力抓握实验下的肌电信号；

步骤2、对采集到的肌电信号进行预处理，包括降频、降噪；

步骤3、采用广义偏定向相干方法对预处理后的信号计算多通道之间的相干性；

步骤4、运用非负矩阵分解算法对计算得到的相干性值进行分解，得到四个不同频段的相干性的值；

步骤5、根据步骤4的结果运用复杂网络建立相同握力不同频段以及特定频段不同握力下的肌肉功能网络。

2.根据权利要求1所述的结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤1具体为：实验开始前先测量每位受试者的MVC，我们使用弹簧握力计分别进行5％、20％、40％、60％、80％MVC力输出的抓握实验，每种不同握力大小状态下恒力输出各3次，每次抓握5s，然后再放松20s；每种握力为一组，休息5分钟，然后做下一组握力实验。

3.根据权利要求1所述的一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤3中的具体算法如下为：

广义偏定向相干方法是一种基于多变量自回归处理时间序列模型的格兰杰因果性频域测量方法；利用广义偏向相干方法分析多个通道序列在频域上的相关程度，用数值大小在0到1之间的归一化反映其相关程度大小；归一化的广义偏定向相干值在[0，1]之间，表示x_g流向x_h的信号占所有从x_g流出信号的比例，其中x_g表示第g个通道，x_h表示第h个通道；具体研究算法，对于多通道的AR模型，表示为：

式中，x_m代表表面肌电信号sEMG的第m个通道，m表示通道数；P表示多变量自回归模型阶数，在处理肌电信号时选择P＝5，C_i为第i阶两两通道之间的相关系数：

然后对式(2)进行傅里叶变换，得式

式中I表示维数为m＝7的单位矩阵；这样定义为式

式中，a_k,h(f)表示中第h列的第k个元素，表示中第h列的第g个元素。

4.根据权利要求1所述的一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤4中的具体算法如下为：

非负矩阵分解算法属于盲源分离方法的一种，由于NMF分解的结果具有非负的约束，其分解结果更具有实际意义，采用非负矩阵对相干性频率分解中，分解出相干性的四个主要作用频段；非负矩阵分解的基础形式为：

式中，W_ηω为基矩阵，C_ημ为系数矩阵，n为基矩阵分解列数；NMF的求解写成标准的优化问题：

求解优化问题(15)的迭代法则如下：

式(7)和(8)中的W和C交替优化，最终得到全局最优解；原矩阵M_ημ的列向量解释为C_ωμ中所有列向量的加权和，而权重系数为W_ηω中对应列向量中的元素；将所有数据串联在一起进行非负矩阵分解，得到权重矩阵和系数矩阵，其中权重矩阵为所有受试者的相干性大小；系数矩阵为分解出来的主要频率段。

5.根据权利要求1所述的一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，步骤5中的具体算法如下为：

利用复杂网络，计算节点度、平均度、聚类系数、平均路径长度特征参数，进一步对肌肉功能网络的连接规律进行评价；通过对比相同握力不同频段间、特定频段不同握力下的肌肉功能网络拓扑结构的不同，研究探索大脑对肌肉的协调控制方式和调节机理；一个复杂网络图G(V,E)包括节点集合V和边的集合E；网络中各个节点之间的关系用邻接矩阵描述，矩阵中的元素A_gh为两个节点g,h之间的关系；在二值化网络中A_gh＝0时表示两个节点之间无连接边；A_gh＝1，表示有连接边，其特征参数如下：

节点度k_g表示与节点g相关联的边的条数，反映这个节点在网络中的活跃度，和节点对其相邻节点的影响力；节点度越大，节点对其相邻节点的重要度贡献越大，在网络中起着更重要的作用：

式中,m为网络中节点数目，A_gh为邻接矩阵的元素，平均度k表示整个网络中所有节点度的平均值：

聚类系数CC_g表示节点g聚集程度的系数,是描述网络集团化的重要指标；肌肉功能网络的聚类系数，反映了肌肉之间的功能性分化机理，即肌肉功能区域内的神经元之间连接紧密程度：

CC_g＝2e_g/k_g(k_g-1) (12)

式中,e_g为节点g与相连的k_g个节点间实际存在的边数；对网络中所有节点的聚类系数取平均值得到整个网络的平均聚类系数即：

最短路径长度表示两个节点i,j之间边数最少的一条通路的长度，平均路径长度L表示任意两个节点之间最短路径长度的平均值，不包括自身之间的连接，是研究复杂特性的关键参数：

式中,d_gh为从g到h之间的最短路径长度。