[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

说明书

本发明提出了一种结合非负矩阵分解和复杂网络的肌间耦合分析方法；本发明采集了不同握力输出时，7通道表面肌电信号，首先采用广义偏定向相干计算多通道之间的相干性；然后用非负矩阵分解算法对相干性值进行分解；最后用复杂网络建立不同条件下的肌肉功能网络。利用图论的特征指标，评估肌肉功能网络信息流的传递效率。结果显示：不同握力下肌肉的激活程度存在显著性差异；肌肉间的耦合在10～20Hz波段上较为显著；并且在10～20Hz波段上其耦合程度随着握力水平不同呈现显著性变化。本发明通过对多通道肌间耦合分析，体现了中枢神经系统对不同输出握力的控制模式，为运动功能障碍的诊断和康复效果的评价提供依据。

技术领域

本发明属于信号处理领域，涉及一种脑电、肌电信号的耦合性方法，特别涉及一种应用于肌间耦合状态分析方法。

背景技术

表面肌电信号(surface electromyography，sEMG)是肌肉运动过程中，肌肉收缩从而所产生的动作电位。其在皮肤表面叠加而成，与肢体的运动具有直接关系。肌间耦合(Intermuscular Coupling，IMC)是指肌肉之间的相互作用或相干性、时间同步性。肌间耦合可以间接揭示皮质下共同输入到肌肉的信息，有利于我们探究中枢神经系统对肌肉的协调控制。人类可以根据不同的需求完成不同的动作，其中抓握是人体上肢运动最为基础的动作之一，在完成抓握过程中需要多块肌肉的密切配合，尤其是在调节握力的大小中，肌肉之间的协调关系更为复杂。本发明对不同握力状态下的肌间耦合进行分析研究。近年来，利用肌间耦合研究运动过程中的肌肉协调状况特征，挖掘潜在的神经中枢系统运动控制机制的研究相继展开。有研究表明，肌间耦合存在频段显著特征，运动过程中肌间耦合主要表现在beta(15-30Hz)频段，beta频段的肌间耦合代表了从初级运动皮层到运动神经元的信息传递过程。Charissou Camille等通过基于小波的时频分析，研究在重复最大疲劳收缩前后膝关节最大等长伸展时beta频段肌间相互作用(IM)的调节，发现疲劳状态前后beta频段耦合特征存在差异。Dannados Santos A等采用肌间耦合对不同握力下三位抓握过程中手部肌肉之间协调影响进行分析，不同握力下的肌间一致性没有显著性差异，但是在不同的肌肉对之间的存在的显著性差异。杜文浩等构建变分模态分解-相干分析模型，分析20％的最大自主收缩力(maximum voluntary contraction,MVC)下特征频段的肌间耦合特性，并发现beta与gamma频段耦合强度随运动时间呈增强趋势。上述研究都只分析两块肌肉间的相干性，没有对多块肌肉之间的耦合关系进行深入探究。

针对这一问题，本发明提出了一种基于非负矩阵分解和复杂网络的肌间耦合分析方法，可以利用图论的知识，从整体来探索肌肉之间耦合关系及信息流动性变化。

发明内容

为了能够快速准确的分析上肢握力输出时，不同肌肉之间的耦合关系，本发明提出了一种基于非负矩阵分解和复杂功能网络的肌间耦合分析方法。采集了不同握力输出时，右手臂7通道的表面肌电信号(surface electromyography，sEMG)，首先利用采用广义偏定向相干(Generalized Partial Directed Coherence，GPDC)对预处理后的信号计算多通道之间的相干性；然后运用非负矩阵分解算法(Nonnegative Matrix Factorization，NMF)对计算得到的相干性值进行分解；最后运用复杂网络(Complex network，CN)建立不同条件下的肌肉功能网络；以确定其耦合关系。

本发明方法主要包括以下步骤：

一种结合非负矩阵分解和复杂网络的肌间耦合分析方法，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；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。