一种脑肌延迟估计与相干增强方法、装置和验证方法与流程

1.本发明涉及神经生理学与信号处理交叉领域，特别涉及一种脑肌延迟估计与相干增强方法、装置和验证方法。


背景技术：

2.脑肌相干性（corticomuscular coherence, cmc）已被广泛应用于量化静态和动态力输出任务中运动皮层与肌肉组织之间的功能耦合。经验小波相干和基于短时傅立叶变换（short-time fourier transform, stft）的时频相干是估计cmc的经典线性分析方法，统称为幅度平方相干（magnitude squared coherence, msc），其计算模型简单可靠，是神经生理学领域计算生物信号之间耦合（相干）强度的常规方法。时频域并行分析的优势有助于联合分析 cmc 的时域和频段特性。然而，msc是有偏估计，即使两信号相互独立，也会计算出一个非零值，存在伪相干。相关研究表明，利用肌电（electromyogram, emg）信号脉冲串定位相关的脑电（electroencephalogram, eeg）信号，去除无关成分，可以抑制噪声，增强相干性，但该方法也可能过滤掉有效的脑电信息。也有学者提出基于多通道eeg和未整流emg的多元回归cmc来提高对噪声的鲁棒性并最大化相干性，但该方法的线性延迟优化模式不符合潜在的生理学意义。这些方法试图通过消除噪声成分或降维的方式来滤除虚假耦合信息，降低伪相干的同时提高相干强度，但过度的滤波可能会导致有效相干的损失。
3.不同于滤波方法，有些研究表明在不降低信号组成成分的情况下，同步eeg和emg信号之间的信息传递延迟是导致msc降低的潜在原因。这一结论是基于感觉运动控制系统中的信息传输在生理上不是瞬间的，而是存在未知的时间延迟的事实。相位延迟估计作为神经生理学系统中检测时延的传统方法，已经广泛应用于大脑和肌肉之间信息传递延迟的估计，但单纯依赖相位通常会受到信号之间的非平稳振幅比的限制，会产生相位耦合的估计偏差，严重影响时延估计精度。此外，基于相位的时延估计方法并不适用于纠正和增强msc。有研究表明校正msc偏差最直接和最实际的措施是重新对准两个信号并补偿时滞。这其中，cmctl（corticomuscular coherence time lag）算法利用msc计算中的偏差现象来估计时滞，获得了更符合生理学的时延，是一种代表性的感觉运动系统时延估计方法。然而，基于cmctl的时滞是针对单个同步事件构建的，需要严格的条件反射范式限制，无法满足脑卒中等运动功能障碍患者的要求。此外， cmctl方法并不适用于皮层肌肉信息交互中常见的连续耦合事件，计算的是单个事件的平均延迟，而cmc分析对整个同步事件的平均延迟敏感，单个事件的延迟缺乏生物意义。


技术实现要素：

4.本发明的目的在于提供一种脑肌延迟估计与相干增强方法、装置和验证方法，以克服现有技术中的不足。
5.为实现上述目的，本发明提供如下技术方案：本发明公开了一种脑肌延迟估计与相干增强方法，包括如下步骤：
步骤1、构建x轴和y轴上两个时滞线性耦合的时间序列之间基于短时傅立叶变换的时频相干函数，通过对全部有效试验的短时傅立叶变换幅值谱，采用交叉谱和自谱均值求解方法，用于估计相干值；步骤2、将参考点的观测时间信息、位移信息以及固定观测频率点引入所述时频相干函数，计算具有时滞的脑肌相干性；步骤3、扩展具有时滞的脑肌相干性至时频谱上与连续同步事件相关的感兴趣区域；步骤4、根据感兴趣区域中每个体素点的平均延时对，优化所述感兴趣区域的幅度平方相干；步骤5、根据具有时滞的脑肌相干性计算从初始零位移开始的动态变化，再结合相对平均位移值构建与连续同步事件相关的感兴趣区域的体素变动比率函数；步骤6、通过最大化体素变动比率估计广义延迟；步骤7、建立时延补偿-相干增强级联方法，通过时延补偿强化幅度平方相干图像；作为优选的，所述步骤1中采用交叉谱和自谱均值求解方法具体为：根据x轴和y轴上由短时傅立叶变换获得的时频表示，计算交叉谱和自谱的均值；并设置置信度阈值定义显著的相干值。
6.作为优选的，根据步骤1中设定的置信度阈值，在所述步骤4中，计算幅度平方相干时，剔除低于阈值的体素点，优化图像结果。
7.作为优选的，所述步骤4具体为，根据感兴趣区域中每个体素点的平均延时对的大小与潜在的生理学一致，根据幅度平方相干观测值的位移，结合采样时间截止值、频率截止值计算体素点的平均延时对，通过体素点的平均延时对进一步计算平均延迟，并将幅度平方相干观测值的位移的计算绘制在平面上，以时间轴可视化形式呈现。
8.作为优选的，所述步骤6具体为，根据估计的时延越接近实际时延，经过时延补偿后，幅度平方相干在时频谱上反映的实际同步耦合行为就越强，以及体素变动比率函数用于描述耦合强度的增减，通过体素变动比率最大值的位移表示广义时延。
9.作为优选的，所述步骤7具体子步骤如下：步骤7.1、基于体素变动比率方法计算广义时延；步骤7.2、通过广义时延构造时滞补偿后的时间序列；步骤7.3、基于补偿后的时间序列计算幅度平方相干，获得强化相干图像。
10.本发明公开了一种基于脑肌延迟估计与相干增强方法的验证方法，所述验证方法包括如下步骤：步骤1、建立两种时延补偿-相干增强级联模型，模拟大脑皮层和肌肉之间的同步事件，验证体素变动比率方法在幅度平方相干强化和广义延迟估计的有效性；步骤2、针对脑卒中病人患侧手，设置最大自主收缩力做等长收缩运动同步采集指浅屈肌肌电信号和c3/c4通道脑电信号，基于神经电生理数据，验证rvc方法对延迟估计和相干增强的效果。
11.作为优选的，所述步骤1的具体子步骤如下：步骤1.1、构建运动控制系统的简化模型，在仿真数据层面以线性时不变系统验证体素变动比率方法的可靠性；
步骤1.2、在指定频段上具有连续振荡信息的序列分别构造皮层和外周活动；步骤1.3、构建广义 jansen神经元群模型来模拟神经耦合，验证体素变动比率方法在时延估计和幅度平方相干优化方面的可靠性。
12.本发明还公开了一种脑肌延迟估计与相干增强装置，所述装置包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述脑肌延迟估计与相干增强方法。
13.本发明的有益效果：本发明将仅对单个瞬态事件起作用的cmctl延迟估计方法扩展到针对局部连续同步事件，并提出了基于体素变动比率（rvc）的时延估计方法来计算大脑和肌肉之间信息传递的延迟时间。同时，本发明使用延迟补偿来优化局部频段区域的msc图像，通过两种时延补偿-相干增强级联模型验证rvc方法的延迟估计精度。与cmctl方法相比，本发明所提rvc方法在优化区域msc上更具优势，且在降低弱虚假相干方面具有更高的鲁棒性。基于脑卒中患者的神经生理学数据验证结果表明本发明所提rvc方法在时延估计和msc优化上均具备良好的可靠性。本发明首次尝试利用延迟补偿来优化与连续同步活动有关的特定频段 msc，同时为估计脑卒中患者运动控制系统中信息传递时间延迟提供了一种新的有效测量工具。
附图说明
14.图1是本发明实施例的总体方案及方案分解示意图；图2是本发明实施例的简化运动控制模型下的rvc可视化示例图；图3是本发明实施例的延迟补偿后运动控制模型的msc校正示例图；图4是本发明实施例的广义 jansen 模型的示意图；图5是本发明实施例的神经元群模型下的rvc可视化示例图；图6是本发明实施例的延迟补偿后神经元群模型的msc校正示例图；图7是本发明实施例的等长收缩握力追踪实验范式示意图；图8是本发明实施例的基于eeg和emg数据的rvc可视化示例图；图9是本发明实施例的延迟补偿后基于eeg和emg的msc校正示例图；图10是本发明实施例的装置示意图。
具体实施方式
15.为使本发明的目的、技术方案和优点更加清楚明了，下面通过附图及实施例，对本发明进行进一步详细说明。但是应该理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
16.本发明所提出的基于体素变动比率的脑肌延迟估计与相干增强方法按照如图1所示的方法步骤实现。大脑与肌肉间存在不同层面的耦合关系，卒中后脑组织受损导致整个感觉神经通路紊乱，脑肌间耦合的复杂度将大大增加。现有脑肌耦合方法主要应用于健康人，在脑卒中患者中往往表现出个体差异大、稳定性和精准度下降的弊端。针对脑肌耦合方法在康复评估应用的可靠性验证不足、延迟估计不精准的问题，本发明提出基于体素变动比率的脑肌延迟估计与相干增强方法，从线性角度分析脑卒中患者的频段耦合特性以及时
延特性，提升脑肌相干在脑卒中患者中检测的准确性和可靠性，包括以下步骤：步骤1：描述两个非平稳过程 x(t) 和 y(t) 之间基于stft的时频相干函数，表示如下：；其中相干值范围是0到1，表示交叉谱估计，均表示自谱估计，通过对全部有效试验（trials）的 stft幅值谱求平均值来估计相干值，具体如下：步骤1.1：计算交叉谱和自谱的均值；；；；其中 n代表试验次数，是由短时傅立叶变换获得的时频表示，表示取其共轭；步骤1.2：设置 95% 的置信度（confidence limit, cl）来定义显著的相干值，阈值设定如下：；其中设置为95， n是如上步骤1所述的自谱和互谱估计中应用的试验次数，阈值设定是为了计算msc时，优化图像结果，剔除低于阈值的体素点（即值设为0）。
17.步骤2：描述补偿时滞、提高瞬时相干值的有效工具cmctl，表示如下：；其中表示参考观测的时刻，表示固定观测频率点，分别表示从参考点观察到的信号的位移；步骤3：扩展cmctl至时频谱上与连续同步事件相关的更广阔的感兴趣区域，表示如下：
；其中，分别表示观测到的时间和频率区域的范围；步骤4：感兴趣区域cmctl的集合是一个四维表达式，难以可视化，需要计算大量的延迟对。为了便于可视化，假设感兴趣区域中每个体素点都有一个平均延迟对，其大小与潜在生理学一致，并且可以优化该感兴趣区域的msc，平均延迟表示如下：；其中e和x分别表示采样时间截止值和频率截止值， 和 表示msc观测值的位移，的计算将绘制在平面中，以时间轴可视化形式呈现；步骤5：当感兴趣区域变大时，平均位移对延迟 (时间偏移) 的敏感度会降低，难以区分最佳延迟估计。进一步提出与连续同步事件相关的感兴趣区域的体素变动比率 (rvc) 框架，即显式跟踪体素点随时间偏移增减的函数，rvc表示如下：；其中是从初始零位移开始的动态变化。表示相对平均位移值，e和x分别表示采样时间截止值和频率截止值。rvc实际上是可变msc比率的可视化，对延迟具有很高的敏感性。可以通过最大化rvc来估计与潜在生理学相符的延迟时间；步骤6：进一步提出基于rvc的广义延迟，表示如下：；其中合理的假设是，估计的时延越接近实际时延，经过时延补偿后，msc在时频谱上反映的实际同步耦合行为就越强。鉴于rvc函数描述的是耦合强度的增减，因此rvc最大值对应的位移可以表示时延估计，即广义时延。关于rvc，值得注意的是，皮层肌肉耦合过程并不平滑，经常涉及瞬变事件，可能比短时傅立叶变换窗口短得多。因此，满足的两对位移并不表示
。另外，msc计算方法均是线性算法，无方向属性，所以正值或负值不代表生理意义；步骤7、建立时延补偿-相干增强级联方法，通过时延补偿强化幅度平方相干图像；步骤7.1、基于体素变动比率方法计算广义时延；步骤7.2、通过广义时延构造时滞补偿后的时间序列；步骤7.3、基于补偿后的时间序列计算幅度平方相干，获得强化相干图像。
18.本实施例还提供一种基于脑肌延迟估计与相干增强方法的验证方法，所述验证方法包括如下步骤：步骤1：建立两种时延补偿-相干增强级联模型，模拟大脑皮层和肌肉之间的同步事件，验证rvc方法在msc强化和广义延迟估计的有效性。两种级联模型分别为运动控制系统的简化模型和神经元群模型，具体如下：步骤1.1：首先构建运动控制系统的简化模型，在仿真数据层面以线性时不变系统验证rvc方法的可靠性。描述脑肌延迟估计与相干增强方法中的步骤1中x轴和y轴上两个时滞线性耦合的时间序列模型为，表示如下：表示如下：；其中∈[0, 1]表示多路径传输中信息的衰减比例，而代表大量（假设为）具有不同传导速度的神经纤维的拟传导时间，kx和ky表示模拟神经纤维数量，是附加的高斯白噪声。将设置为符合高斯分布，平均时间为25ms，标准偏差统一在5ms。设置为1000。简化运动控制模型下的rvc可视化如图2所示，在本实施例中，x轴和y轴以采样点的形式表示。颜色条表示rvc与原始点相比的相对增加或减少量。本实施例中标有*号的时间偏移对使rvc最大化，因此基于该时间对计算的延迟表示广义延迟；验证的具体内容就是通过体素变动比率（rvc）方法估计出的延迟时间，与模型中设定的25ms基本一致，证明该方法具有可靠性。
[0019]
步骤1.2：为了更直观地描述皮层和外周活动的因果关系，令由在特定频段上具有连续振荡信息的序列分别构造皮层和外周活动，表示如下：
；其中该运动控制模型的本质是基于这样的假设：在生物系统中，一个信号是另一个信号的幅值缩放和延迟叠加的组合，在小幅度激励下，可以很好地用线性时不变系统来逼近。上述公式表示两个时间序列在20hz和30hz附近连续振荡。延迟补偿后运动控制模型的msc校正示例如图3所示。在本实施例中，上图表示没有时间补偿的原始时频msc图像，中间图和下图分别使用cmctl和rvc方法补偿时延后的msc图像。使用长度为t = 250ms的汉明窗口，并在连续窗口之间移动
∆
t = 10ms，并以m = 1000 的频率计算stft。低于 95%cl 的msc值设置为零 (cl = 0.0298)；步骤1.3：为了更准确地模拟神经信号，进一步构建广义 jansen神经元群模型（neural mass model, nmm）来模拟神经耦合，验证rvc方法在时延估计和msc 优化方面的可靠性。 nmm 的关键是使兴奋性和抑制性两个神经元群体相互作用。jansen模型作为一种经典的 nmm，已经成功地应用于脑电信号的生成。如图4所示，在本实施例中，广义 jansen 模型具有两个神经元群（）。的内在动力学分别由参数控制，该参数以快速和慢速动力学调节子种群的动态特性。表示耦合系数，决定神经元群体之间连接的强度和方向（介于0和1之间）。表示两个区域之间的传播延迟。的输入是的输出的混合，与锥体细胞的平均发射速率相关。外部输入模仿来自大脑其他区域的输入；为了尽可能真实地模拟皮层区域之间的同步振荡，本实施例中模型参数分别设置为设置为0.5，以产生双向近似相等的耦合强度。时间延迟设置为30ms。这些参数产生两个耦合的系列，它们将在局部频段上显示因果关系。神经元群模型下的rvc可视化示例如图5所示。在本实施例中，广义延迟描述与步骤1.1一致。延迟补偿后神经元群模型的msc校正示例如图6所示，在本实施例中，上图表示没有时间补偿的原始时频msc图像，中间图和下图分别使用cmctl和rvc方法补偿时延后的msc图像，cl = 0.0298。
[0020]
步骤2：针对脑卒中病人患侧手，以20%mvc做等长收缩运动。如图7所示，本实施例中，被试同步采集指浅屈肌emg信号和c3/c4通道eeg信号。基于神经电生理数据eeg和emg的rvc可视化示如图8所示，在本实施例中，患者rvc图像广义延迟描述与步骤2.1一致。延迟补偿后基于eeg和emg的msc校正示例如图9所示，上图表示没有时间补偿的原始时频msc图像，中间图和下图分别表示使用cmctl和rvc 方法补偿时延后的msc图像，cl = 0.0571。
[0021]
参见图10，本发明实施例还提供了一种脑肌延迟估计与相干增强装置，还包括存储器和一个或多个处理器，存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的脑肌延迟估计与相干增强方法。
[0022]
本发明一种脑肌延迟估计与相干增强装置的实施例可以应用在任意具备数据处
理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图10所示，为本发明一种脑肌延迟估计与相干增强装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图10所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
[0023]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0024]
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的脑肌延迟估计与相干增强方法。
[0025]
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(smart media card，smc)、sd卡、闪存卡(flash card)等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
[0026]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。