基于相干性的多频段脑肌电信号双向耦合分析*

2017-11-03高云园任磊磊张迎春佘青山席旭刚张启忠

传感技术学报 2017年10期

关键词：相干性握力脑电

高云园,任磊磊,张迎春,佘青山,席旭刚,张启忠

(1.杭州电子科技大学机器人研究所,杭州 310018;2.广东省工伤康复中心,广州 510440; 3.休斯顿大学生物医学工程系,美国休斯顿)

项目来源:国家自然科学基金项目(61372023,61671197);浙江省自然科学基金项目(LY18F030009,LY17F030021);杭州电子科技大学科研创新基金项目(CXJJ2017051)

2017-04-07修改日期2017-06-03

基于相干性的多频段脑肌电信号双向耦合分析*

高云园1*,任磊磊1,张迎春2,3*,佘青山1,席旭刚1,张启忠1

(1.杭州电子科技大学机器人研究所,杭州 310018;2.广东省工伤康复中心,广州 510440; 3.休斯顿大学生物医学工程系,美国休斯顿)

针对皮层肌肉相干性分析时不能确定耦合方向的局限性,根据神经肌肉信息的双向传递性,提出利用不同大脑功能区的脑电信号和动作相关的肌电信号,实现了相干函数对脑肌电信号的双向耦合分析。本文对不同握力模式下同步采集的脑肌电信号进行了多频段耦合分析。通过下行(EEG—>EMG)和上行(EMG—>EEG)分析发现,随着握力的增大,EEG能量、相干幅值和耦合强度均向高频段转移。与基于新型格兰杰因果关系的耦合方法进行比较,验证了相干性方法进行皮层肌肉双向耦合分析的可行性和优势。研究结果为探索基于皮层肌肉相干性的双向手部运动信息解码和上肢运动功能障碍分析提供了依据。

脑肌电信号;耦合分析;相干性;皮层肌肉功能

脑电信号EEG(Electroencephalogram)反映了大脑功能区神经细胞群活动时的电位变化。肌电信号EMG(Electromyography)是反映肌群活动时所产生的信号。人的自主动作过程中,除了不同脑区之间的协同作用,大脑运动区/体感觉区与运动肌肉组织的神经细胞之间也自动地发生了同步化[1-2],这种大脑皮层与运动神经肌肉组织两大体系内部及相互间的作用构成了皮层肌肉功能耦合关系CMC(Cortical-Muscular Functional Coupling)[3-4]。自1995年Conway等[5]发现运动过程中皮层脑电和肌电信号存在相关性以来,相继有学者发现脑肌电信号功能频段的相干性与运动范式紧密相关[6-7]。如在静态力输出时相干性主要在β(15 Hz～30 Hz)频段,动态力输出时皮层脊髓振荡移向高γ(50 Hz～72 Hz)频段[8-9]。脑肌电耦合分析在近年来成为许多学者研究的热点,为脑卒中和运动障碍患者提供康复方案和康复评价的理论依据[10]。

近年来相干性分析[11-12]、格兰杰因果分析[13]、互信息[14]、传递熵[15]以及符号化传递熵[16-17]等方法都被用来分析脑肌电耦合关系。在这几种方法中,相干性分析效果显著,结果可靠,效率高并支持在线处理,然而相干性存在不能确定耦合方向的局限性。根据Horak的运动控制理论,“正常运动控制是指中枢神经系统运用现有以及以往的信息,将神经能转化为动能,并使之完成有效的功能活动”。以手抓握为例,当抓握开始时,一方面大脑运动区发出的控制命令通过运动传导通路将信号传递到效应器产生相应的运动;另一方面动作时运动肌肉产生的感觉信号由感受器通过感觉传导通路反馈到大脑的躯体感觉区[18-19]。因此分别选取大脑运动区和体感觉区的脑电信息与动作肌电做相干性分析,弥补相干性不能确定耦合方向的不足。其中大脑运动区脑电与动作肌电的耦合记为下行(EEG—>EMG),动作肌电与体感觉区脑电的耦合记为上行(EMG—>EEG)。基于上述思路,本文针对上肢不同握力时的脑肌电信号,进行基于相干性的多频段分析,同时利用显著性面积对多频段的脑肌电耦合强度进行定量分析,并与基于格兰杰因果的脑肌电耦合分析结果进行比较,为运动功能康复评价提供客观依据。

1 实验数据采集及预处理

1.1 实验范式

本文使用的脑肌电数据是采集自3名24岁、1名25岁和1名26岁利右手健康男性,分别记为S1、S2、S3、S4、S5。受试者均被告知详细的实验步骤。实验过程中为确保力输出的精确性,我们使用弹簧握力计分别进行5 kg、10 kg和20 kg力输出的抓握实验。每位受试者的具体任务为:每次开始时放松20 s,接着按照屏幕提示5 s完成一个抓握动作,然后放松20 s;做10次动作为一组,休息20 min,然后换手同等握力再做一组。休息20 min进行下一个握力实验,直到每位受试者完成所有实验。最终每位受试者的左、右手每种握力实验各有10次。

1.2 实验数据采集

本次实验是用128导BrainAmp DC脑电采集系统(Brain Products GmbH,Germany)同步采集了上述实验范式下32通道脑电和4通道肌电信号(如图1)。BrainAmp DC设备也用于采集左右手臂指浅屈肌FDS(flexor digitorum superficialis)和掌长肌PL(palmaris longus)的肌电信号(如图2)。

1.3 EEG与EMG的预处理

由于脑肌电信号都很微弱,非常容易受到噪声和工频干扰,数据分析前脑肌电信号均进行了50 Hz工频的滤除和眼动伪迹的去除,还对脑肌电信号进行了小波消噪[20],最后对脑电用FIR数字滤波器进行0.5 Hz～50 Hz的带通滤波,对肌电数据进行5 Hz～300 Hz的带通滤波。

图1 脑肌电采集实验

图2 肌电采集位置

2 脑肌电信号相干性多频段分析

2.1 频谱分析

脑电的基本节律分别为(0～3 Hz)、(3 Hz～7 Hz)、(7 Hz～15 Hz)、(15 Hz～30 Hz)以及(30 Hz～45 Hz)。首先对不同握力输出时的脑电信号进行频谱分析。

由于脑电信号是离散的时间序列,因此采用离散的傅里叶变换对信号进行频谱分析,对于X序列的离散傅里叶变换方法如式(1):

(1)

式中:N为数据长度,下同,X(i)表示第i个脑电信号,i取1,2,3,…,N,j表示虚数,u为离散频率变量。

2.2 相干性分析

相干函数[3,11](Coherence)常被用于分析脑肌电相干性,该函数是在频谱上分析两个序列的相关程度,用数值大小在0到1之间的归一化反映其相关程度[21]。运动脑电和肌电信号的皮层肌肉相干(CMC)计算如下。

假设信号X是脑电信号,Y是肌电信号,则信号X和Y的互谱可由式(2)计算得到:

(2)

式中:Rxy(m)是X和Y的互相关序列,m表示互相关序列第m个采样点,Pxy则表示为Rxy的傅立叶系数。那么在频率f上信号X和Y的相干性可根据式(3)[22]计算求得。

(3)

图3 受试者S1左右手不同握力时的平均频谱

式中:Pxx(f)是X的自功率谱和Pyy(f)是Y的自功率谱,·表示求二者之积,下同。将所有频率对应的相干值求得后就可以得到皮层肌肉相干曲线,由于脑电信号的频带范围是0～50 Hz,所以相干曲线频率范围取0～50 Hz[23]。为了判断由以上方法计算所得的相干性是否有意义,常依据式(4)求得相干函数的可信区间的阈值。

(4)

式中:L为数据长度,α为显著性程度,此处α=0.95。只有大于cl阈值的相干值才认为是有意义的相干,小于cl阈值时则认为并非真实相干[10]。

2.3 耦合强度定义

为了定量的分析不同握力下各频段脑肌电的耦合强度,用式(5)对大于阈值(cl)的相干值进行相干显著面积指标计算:

(5)

式中:Δf表示频率分辨率,文中取值为1,SCMC表示脑肌电相干性的显著面积,其值越大,表示此频段脑肌电耦合越强。

3 实验结果与分析

3.1 不同握力运动脑电的频段特征

大脑皮层中的初级运动区(Primary Motor area,M1)在对侧肢体进行熟练运动时激活、初级躯体感觉区(Primary Somatosensory area,S1)在接收到肢体的感觉时激活[10],因此本文选择初级运动区C3/C4导联的脑电和初级躯体感觉区CP5/CP6导联的脑电信号进行相关分析。由于完成每个动作的时间是5 s,因此选取的数据长度N=5 000。

对五位受试者左/右手(C4/C3通道)不同握力动作的脑电进行频谱分析,其中受试者S1左、右手10次动作的平均频谱如图3所示。

从图3中可以看出,随着握力的增大,左右手高频段的能量逐渐增大。为了更加清晰的观察受试者不同握力下各频段(α、β、γ)脑电能量的变化情况,分别对五位受试者相同握力下C3/C4、CP5/CP6脑电导联的各频段能量积分,其中受试者S1左、右手不同握力下各频段能量积分结果如图4所示,以下能量单位都为mV2。

从图4中可以看出:对于C3/C4通道,握力较小时,α、β频段的能量较大,随着握力增大β、γ频段的能量逐渐增大,并且握力最大时γ频段的能量最大。对于CP5/CP6通道,总体上来说随着握力增大β、γ频段的能量逐渐增大。可见,随着握力的增大EEG能量会向高频段移动。对受试者S2-S5左、右手不同握力下各频段能量分析也得到相同的结果。这种脑电频谱的变化特点可能与运动控制命令的编码方式有关,不同握力时,大脑神经细胞群放电的频率发生变化,产生不同频率的脑电波,通过传导通路到达效应器控制相应的运动,同时躯体感觉区接收到反馈信息后又会引起神经兴奋,产生相应频率的脑电波。

图4 受试者S1不同握力下多通道各频段能量

图5 受试者S1左右手不同握力下相干曲线

3.2 不同握力脑肌电的相干性分析

为了研究左右手自主抓握动作时脑肌电信号的相关性和耦合性,本文采用皮层肌肉相干方法进行分析。对五位受试者C4/C3、CP6/CP5脑电导联和左/右手握力动作时指浅屈肌肌电信号进行了相干性分析。其中受试者S1左/右手5 kg、10 kg和20 kg 10次握力下,C4/C3和CP6/CP5导联脑电和动作指浅屈肌肌电的相干结果平均曲线如图5所示。

从图5中可以看出,握力较小时C3/C4通道脑电与动作肌电的有效相干主要发生在β频段,这与文献[14]的结果是一致的,随着握力的增大,有效相干向高频段转移,握力最大时主要在γ频段。而CP5/CP6通道脑电与动作肌电在握力较小时有效相干发生在α和γ频段,中等握力时主要发生在β和γ频段,而握力最大时主要发生在γ频段,这与随着握力增大脑电高频段的能量逐渐增大的变化趋势相同。分析受试者S2-S5实验数据,也得到相同的结论。

3.3 多频段脑肌电双向耦合分析

由于大脑运动区发出的控制命令通过运动传导通路,将信号传递到效应器,产生相应运动;同时动作时运动肌肉产生的感觉信号由感受器通过感觉传导通路反馈到大脑的躯体感觉区[18-19]。因此分别选取大脑运动区和体感觉区的脑电信息与动作肌电做双向耦合分析,弥补了相干性分析不能确定耦合方向的不足。利用相干性显著面积对α、β、γ频段的脑肌电耦合强度做定量分析。其中受试者S1的分析结果如图6所示,为了验证基于相干性的多频段双向耦合分析方法的有效性,采用新型因果关系NC(New Causality)[13]进行了比较,其中受试者S1的分析结果如图7所示。

图6 受试者S1不同握力时基于相干性各频段耦合强度

图7 受试者S1不同握力时基于因果性各频段耦合强度

分别比较五位受试者新型因果关系和双向相干性的分析结果,可以发现,相干性显著面积分析得到的耦合强度较新型因果关系明显,如图6中S1受试者5 kg握力时下行(EEG—>EMG)耦合主要在β频段,与现有研究结果一致;而图7在α、β频段都较明显。同时,不同握力时基于相干性耦合分析方法的各频段耦合强度的特点更加显著,如10 kg握力下,下行耦合向高频段过渡表现的更加明显。

分析图6可以看出,握力较小时,左右手下行(EEG—>EMG)耦合在β频段最强,随着握力的增大耦合向高频段转移,握力最大时,耦合主要发生在γ频段。而握力较小时左右手上行(EMG—>EEG)耦合在α、β和γ频段都发生,随着握力的增大,α频段的耦合呈减小趋势,而握力最大时耦合主要发生在γ频段。对受试者S2-S5的实验数据进行分析,也得到相同的结果,S2-S5受试者基于相干性的双向耦合分析结果如表1～表4所示。

表1 受试者S2不同握力时基于相干性各频段耦合强度

表2 受试者S3不同握力时基于相干性各频段耦合强度

表3 受试者S4不同握力时基于相干性各频段耦合强度

表4 受试者S5不同握力时基于相干性各频段耦合强度

4 结论

本文根据动作执行和反馈的闭环通路和大脑不同功能区的特点提出了基于相干性的多频段脑肌电双向耦合分析方法,对多名健康男性不同握力下的脑肌电信号进行了分析。通过对五位受试者不同握力下脑电频谱和脑肌电信号相干性的分析,发现脑电频谱和相干性的变化规律一致,都是随着握力增大向高频段转移。利用相干性显著面积对α、β、γ频段的脑肌电耦合强度做定量分析,并与基于新型因果关系的耦合分析结果进行了比较,发现双向耦合中随握力的增大都向高频段转移这一结论是一致的,而且相干性耦合的分析方法效果更加明显,更能突出各频段耦合强度随握力的变化规律,因此解决了相干性不能确定耦合方向的局限性。研究结果为探索基于皮层肌肉相干性的双向手部运动信息解码和上肢运动功能障碍分析提供了依据。但这些结果只是采集健康人的脑肌电信号分析所得,为了验证这种方法的可靠性,后续将进一步采集有运动功能障碍患者的脑肌电数据,进行深入分析,为临床康复治疗和评价打下坚实的基础。

[1] Bartsch R,Kantelhardt J W,Penzel T,et al. Experimental Evidence for Phase Synchronization Transitions in the Human Cardiorespiratory System[J]. Physical Review Letters,2007,98(5):054102-1-054102-2.

[2] Pfurtscheller G,Fh L D S. Event-Related EEGMEG Synchronization and Desynchronization:Basic Principles[J]. Clinical Neurophysiology,1999,110(11):1842-57.

[3] Poortvliet P C,Tucker K J,Finnigan S,et al. Cortical Activity Differs between Position- and Force-Control Knee Extension Tasks[J]. Experimental Brain Research,2015,233(12):3447-3457.

[4] Von C K,Bayraktaroglu Z,Hohlefeld F U,et al. Corticomuscular Coherence in Acute and Chronic Stroke[J]. Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology,2014,125(6):1182-91.

[5] Chiang J,Wang Z J,Mckeown M J. A Multiblock PLS Model of Cortico-Cortical and Corticomuscular Interactions in Parkinson’s Disease[J]. Neuroimage,2012,63(3):1498-1509.

[6] Conway B A,Halliday D M,Shahani U,et al. Common Frequency Components Identified from Correlations between Magnetic Recordings of Cortical Activity and the Electromyogram in Man[M]. Journal of Physiology,1995:483-483.

[7] Johnson A N,Shinohara M. Corticomuscular Coherence with and without Additional Task in the Elderly[J]. Journal of Applied Physiology,2012,112(6):970-970.

[8] Omlor W,Patino L,Heppreymond M C,et al. Gamma-Range Corticomuscular Coherence during Dynamic Force Output[J]. Neuroimage,2007,34(3):1191-1198.

[9] Slobounov S,Ray W,Cao C,et al. Modulation of Cortical Activity as a Result of Task-Specific Practice[J]. Neuroscience Letters,2007,421(2):126-131.

[10] 荣瑶. 大脑皮层与上肢肌肉间功能耦合与信息传输的研究[D]. 北京:北京工业大学,2013.

[11] 蒋正言. 基于脑电信号相干性分析的阿尔兹海默病诊断的研究[J]. 传感技术学报,2004,17(3):363-366.

[12] Tomasevic L,Zito G,Pasqualetti P,et al. Cortico-Muscular Coherence as an Index of Fatigue in Multiple Sclerosis[J]. Multiple Sclerosis Journal,2013,19(3):334-343.

[13] 王辉. 因果关系在探求大脑效应连接中的应用[D]. 杭州:杭州电子科技大学,2015:13-25.

[14] 韩笑,佘青山,高云园,等. 基于NA-MEMD和互信息的脑电特征提取方法[J]. 传感技术学报,2016,29(8):1140-1148.

[15] 谢平,杨芳梅,李欣欣,等. 基于变分模态分解-传递熵的脑肌电信号耦合分析[J]. 物理学报,2016,65(11):277-285.

[16] Staniek M,Lehnertz K. Symbolic Transfer Entropy[J]. Physical Review Letters,2008,100(15):3136-3140.

[17] 王莹,侯凤贞,戴加飞,等. 改进的相对转移熵的癫痫脑电分析[J]. 物理学报[J]. 物理学报,2014,63(21):413-419.

[18] Horak F B. Assumptions Underlying Motor Control for Neurologic Rehabilitation[A]. In:Lister M J. Contemporary Management of Motor Control Problems:Proceedings of 2nd STEP Conference[C]//Alexandria,VA:Foundation for Physical Therapy,1991:5-10.

[19] 汤晓军. 上肢运动调控的神经机制研究[D]. 天津:南开大学,2009:5-17.

[20] 任通,罗志增,孟明,等. 一种基于SA4多小波的脑电信号消噪方法[J]. 传感技术学报,2016,29(12):1832-1838.

[21] John N Caviness,Charles H Adler,Marwan N Sabbagh. Abnormal Corticomuscular Coherence is Associated With the Small Amplitude Cortical Myoclonus in Parkinson’s Disease[J]. Movement Disorders,2003,18(10):1157-1162.

[22] 李云萍. 基于皮层肌肉相干性的手部运动信息解码研究[D]. 天津:天津医科大学,2014:5-23.

[23] 李红利,王江,邓斌,等. 癫痫脑电的互信息和同步性分析[J]. 计算机工程与应用,2013,49(6):19-22.

MultibandEEG-EMGBidirectionalCouplingAnalysisBasedonCortico-MuscularCoherence*

GAOYunyuan1*,RENLeilei1,ZHANGYingchun2,3*,SHEQingshan1,MAYuliang1,ZHANGQizhong1

(1.Intelligent Control and Robotics Institute,Hangzhou Dianzi University,Hangzhou 310018,China;2.Guangdong Provincial Work-Injury Rehabilitation Hospital,Guangzhou 510440,China;3.Department of Biomedical Engineering,University of Houston,Houston,Texas)

For CMC have the limitation that can’t determine the direction of the coupling,different functional areas of EEG signals and the EMG signals are adopted to realize the bidirectional coupling analysis,according to the bidirectional transmission of neuromuscular information. The multi-band coupling analysis of EEG-EMG signals under multi-grip mode is performed in the different functional areas. Through the downstream(EEG->EMG)and upstream(EMG->EEG)analysis,it is found that the signal energy of EEG,amplitude and coupling strength of coherence shift to higher frequency with the increase of grip strength. Compared with method based on granger causality relation,the feasibility and advantage of the coherence method are verified in the bidirectional coupling analysis of brain-muscle connectivity. The results of the study provide the basis for the two-way information decoding of hand motion and the analysis of upper limb dysfunction.

EEG-EMG;coupling analysis;coherence;corticomuscular function

TP391

1004-1699(2017)10-1465-07

10.3969/j.issn.1004-1699.2017.10.002

髙云园(1980-),2007年于浙江大学获得博士学位,现为杭州电子科技大学副教授、硕士生导师,主要研究方向为生物信号处理、模式识别、智能机器人,gyy@hdu.edu.cn;

张迎春(1975-),2004年于浙江大学获得博士学位,2004～2009年在美国明尼苏达大学生物医学工程系和明尼苏达大学医学院从事博士后研究,现任美国休斯敦大学生物医学工程系助理教授,主要研究方向为生物电磁学,人体的生物电磁系统的建模仿真,神经康复工程,多模态功能性成像及其在临床上的应用,Yzhang94@uh.edu;