基于运动单元累计尖峰序列的脑肌耦合分析

脑肌耦合能够反映大脑皮层和肌肉在感觉运动之间的联系。针对传统表面肌电信号输入-输出非线性的问题,本研究提出一种新的脑肌耦合分析方法。将运动单元分解后能线性传输神经驱动的累计尖峰序列(CST)与脑电信号进行相干性分析,定量描述上肢抓握运动中不同收缩力水平下,不同频段特征的脑肌耦合强度和神经元的共同轴突输入。在10名健康人的指浅屈肌(FDS)和尺侧腕屈肌(FCU)的同步脑肌电数据进行了测试和分析。结果表明,在上肢抓握运动中,频段(F(4,8)=337.2,P<0.01)与收缩力水平(F(2,8)=12.15,P<0.01)均对肌间耦合影响显著,其中β与α频段最为明显,在30%MVC下,β频段相干性均值为0.23±0.10,α频段相干性均值为0.47±0.02。轴突共同输入控制收缩力水平。脑肌耦合整体强度较小,耦合强度最大的为β频段,30%MVC下相干性均值为0.12±0.02。CST脑肌耦合分析显示了脑肌间各个频段、各个收缩力水平的耦合特性和共同轴突输入,为脑肌耦合分析提供了一种新的方法。

基于延时等概率符号化传递熵分析的脑肌耦合双向神经信息传递规律研究

为了有效揭示脑肌双向神经传递机制,解决传统分析方法存在的计算复杂度高、动态特征提取能力差等问题,面向手部运动过程脑肌电耦合特征提取任务,提出了延时等概率符号化传递熵脑肌电耦合分析方法,计算了脑肌电神经信息传递时延规律,进行了运动执行过程激活功能区的关联分析,探索了脑肌耦合强度的时序变化规律。通过在线实验表明:人体左右手的脑肌信息传递具有不对称性,且该传递时延约为20~35 ms;运动执行任务中从脑电到肌电(EEG→EMG)过程比肌电到脑电(EMG→EEG)具有更强的传递熵值。同时,在不同耦合方向下,主动运动任务的脑肌电耦合强度显著高于静息状态。研究不仅对现有的脑肌电耦合分析方法进行了改进,提出了延时等概率符号化传递熵分析方法,同时通过在线实验分析,揭示了手部运动任务下脑肌耦合双向神经信息传递规律,为新的康复方案和康复评价方法提供了理论依据,为神经接口技术的发展提供有力的算法支撑。

基于脑肌耦合导联选择和最小生成树网络的脑电特征提取

针对主动康复训练中的运动想象脑电识别问题,提出一种基于脑肌耦合导联选择的双层脑功能网络特征提取方法。根据脑肌耦合强度选择受试各动作下的核心导联,运用核心导联并结合神经生理学中关于运动感觉脑区的先验知识,构建运动感觉核心导联区域网络并提取特征。利用最小生成树全网络特点,将最小生成树脑网络的直径和平均离心率,以及核心导联区域网络的平均节点度、平均聚类系数和平均路径长度,构筑最小生成树脑网络和核心导联区域网络相结合的全局和区域脑功能网络综合特征。选择支持向量机为分类方法,两类运动想象识别的平均正确率为86.96%,证实了本文所提双层脑功能网络分析方法有优良的特征表达能力,能有效提取神经-肌肉内在关联特征,为运动想象识别提供了一种新的思路。

基于表面肌电分解的皮层肌肉耦合机理研究

基于表面肌电信号分解还原了肌电信号最原始的组成成分,通过分解后肌电信号段的特征研究神经肌肉系统中脑肌电信息传递规律,可以从生物电信息传递机理探索人体运动的本质.本文分别采集了9名受试者最大抓握力量的15%和30%(15%MVC、30%MVC)所对应的EEG(Electro Encephalo Graph)和sEMC(surface Electro Myo Graphy)信号,以形态学分解为基础对sEMG信号进行模板重构分解,获得运动单元动作电位MUAP(Motion Unit Action Potential),提取MUAP的幅值、数量和发射速率作为特征,基于该类特征与同步脑电信号的变化趋势以及传递熵值探索大脑皮层与肌肉的信息传递规律.不同抓握力量水平下,30%MVC提取的3个特征均比15%MVC的数值更显著,但两种力量水平提取的3个特征随同步脑电变化趋势相同:当EEG信号形成波峰或波谷信号时,MUAP数量、幅值和发射速率特征均呈现增加的变化趋势,其中MUAP幅值的增加趋势最为明显,且MUAP幅值特征与同步EEG信号的耦合(TE传递熵值)效果最好.虽然力量水平的不同会影响脑肌电信号强弱,但总体呈现的信息传递规律是一致的:当肢体肌肉收缩脑电信号增强而形成波峰或波谷时,MUAP数量、幅值和发射速率3个特征值均呈现上升的变化趋势,其中MUAP幅值特征响应效果最好,该特征能较好体现人体运动控制过程中神经肌肉系统中的信息传递规律.

基于变分模态分解-传递熵的脑肌电信号耦合分析

皮层肌肉功能耦合是大脑皮层和肌肉组织间的相互作用,脑肌电信号的多尺度耦合特征可以体现皮层-肌肉间多时空的功能联系.本文引入变分模态分解并与传递熵结合,构建变分模态分解-传递熵模型应用于脑肌间耦合研究.首先基于变分模态分解将同步采集的脑电(EEG)和肌电(EMG)信号分别进行时频尺度化,然后计算不同时频尺度间的传递熵值,获取不同耦合方向(EEG→EMG及EMG→EEG)上不同尺度间的非线性耦合特征.结果表明,在静态握力输出条件下,皮层与肌肉beta(15—35 Hz)频段间的耦合强度最为显著;EEG→EMG方向上脑电与肌电高gamma(50—72 Hz)频段的耦合强度总体上高于EMG→EEG方向.研究结果揭示皮层-肌肉功能耦合具有双向性,且脑肌间不同耦合方向上、不同频段间的耦合强度有所差异.因此可利用变分模态分解-传递熵方法定量刻画大脑皮层与肌肉各时频段之间的非线性同步特征及功能联系.

脑-运动单元功能耦合估计方法

针对现有脑肌功能耦合(CMC)估计方法仅能反映皮层活动与运动单元(MU)复合放电活动间耦合状态、无法反映皮层和各MU独立耦合作用的问题,提出了一种脑与MU之间独立交互作用的估计方法,并初步验证了脑-运动单元功能耦合(CMUC)作用的存在。首先,采用肌电分解技术获得各MU独立活动,即运动单元动作电位序列;然后,利用头皮表面拉普拉斯技术,获得头皮电流密度以表征皮层活动,并通过估计运动单元动作电位序列和头皮电流密度的频域相干性获得CMUC;最后,通过手指伸展实验对所提方法的有效性加以验证。实验结果表明:当被试者伸展手指时,指伸肌的MU和对侧运动皮层存在显著的β、γ频带耦合交互作用,且耦合强度显著高于其他皮层区域。这一结论与已有的CMC研究结论相一致,能够表明所提CMUC估计方法的有效性,同时也证明了脑和MU独立耦合交互作用的存在性。提出的CMUC估计方法可为进一步深入研究生理及病理条件下肌肉的神经控制机制提供有力指导。