一种基于电生理与血液微循环信号的脑功能耦合分析方法

本发明涉及信号处理，更具体地，涉及一种基于电生理与血液微循环信号的脑功能耦合分析方法。

背景技术：

1、脑卒中是导致运动功能障碍的病因之一。脑卒中会导致高级中枢神经元受损，下运动神经元失去控制，反射活动活跃等。而神经系统参与调节人体几乎所有的功能活动，中枢神经系统包括脑和脊髓，外周神经系统包括肢体运动神经和支配心血管及心肺等内脏器官活动的自主神经。大脑通过脊髓传导通路接收感觉信息并发出运动指令控制肢体运动，通过自主神经调节心脏搏动、呼吸运动等；外周神经通过发放动作电位支配骨骼肌、心肌、呼吸肌等肌肉的运动。另一方面，血液循环的正常运行为全身每个组织器官的活动提供氧气和营养物质并排出二氧化碳和代谢物。循环系统功能损伤往往会导致神经系统功能损伤，并且神经的代谢可通过神经的血流和血氧状况表现出来。

2、人体各系统、组织和器官之间存在普遍的耦合(coupling)关系，各系统、组织和器官的协同工作和相互影响决定了人体行为与功能的实现。由于运动过程中人体的神经肌肉耦合规律尚不明晰，传统的运动训练康复疗法在运动功能康复治疗中效果欠佳。为了科学制定运动功能障碍患者的运动功能康复方案，理解运动过程中的耦合规律，从信息学的角度来进行研究是一种十分科学的方法。神经血管单元(neurovascular unit，nvu)是观测神经-血液循环关系的重要研究单元，而电生理信号与血液微循环信号又是检测神经与血管活动的两种重要信号。同步采集电生理与血液微循环信号，对其进行预处理和尺度化分析后，再采用能够量化非线性耦合特征的参数进行分析，探究耦合机制，这对发展运动功能综合干预方法，重建患者神经肌肉功能，开发新型康复机器人系统实现应用，提升偏瘫卧床患者的运动功能康复效果具有显著意义。

3、在现有技术中，分析多模信号耦合关系的方法有很多种，按分析的耦合关系类型区分，可分为线性和非线性分析方法；按分析的功能区分，可分为无向和定向分析方法。

4、例如，相干性是一种线性的、无向的分析方法，用于度量两个时间序列之间的线性相关程度，定义为互谱密度对自谱密度的归一化。由于其算法原理简单和稳定性强，相干性被广泛用来描述生理信号的耦合关系。但是，相干性需要对两个信号进行频域分析，因此需要使用频域算法，而频域算法的计算较为复杂，需要占用较大的计算资源和时间。相干性无法区分信号的振幅和相位，且应用前提是假设分析的信号是平稳的。传统相干性分析不足以准确描述信号之间的非线性特征，而且可能会造成耦合强度的高估。

5、互信息是信息论中的一种信息度量工具，用于表示一个随机变量中蕴含关于另外一个随机变量的信息量。它是一种非线性、无向的分析方法，用于计算两个时间序列之间的统计独立性。但是，互信息计算需要较长的数据，并且估计互信息时需要依赖联合概率密度估计。

6、格兰杰因果是一种线性的、定向的分析方法，能够描述双向信息传递，计算相对简单，但是它只能测得时间序列之间的线性同步因果耦合关系以及信息流向，并且需要时间序列平稳，对于非线性、高阶等复杂的因果耦合关系难以定量分析。并且格兰杰因果方法无法处理噪声干扰等问题，其模型需要大量的数据，并且需要对数据进行适当的预处理，才能获得较好的估计效果。

7、经验模态分解是一种自适应的信号分解方法，不论是非线性信号还是非平稳信号都能够进行有效的分解，可以更好的描述信号的瞬态行为和频谱特征。但经验模态分解的结果可能存在模态混叠现象，不同模态之间会相互干扰或重叠，影响信号的分析。

8、集合经验模态分解能够克服经验模态分解带来的随机性问题，在一定程度上消除了模态混叠问题，由于它的自适应性和灵活性，能够适应不同类型的信号和噪声，提高了信号分解的适用范围和准确性。但该种分解方法需要进行多次噪声扰动和分解，噪声水平过高或分解次数过少都可能会影响分解结果的质量。

9、经分析，尽管已有多种方法能够实现信号的时频分析，然而对于非周期性信号，传统的傅里叶变换不能给出有效的表示和分析，并且存在精度问题，在信号的高频率部分，由于正弦和余弦函数的振幅和相位不确定，可能会导致信号处理的误差和失真，并且针对大规模的信号处理时，计算复杂度较高，成本较大。经验模态分解方法虽然能自适应地分解信号，能够更好的描述信号的频谱特征，但是它分解的结果可能存在模态混叠问题，影响信号的分析。

10、综上，现有的分析生理信号的耦合关系方法有相干性、互信息、格兰杰因果等。传统的相干性方法是一种线性的、无向的分析方法，相干性无法区分信号的振幅和相位，且应用前提是假设分析的信号是平稳的。传统相干性分析不足以准确描述信号之间的非线性特征，而且可能会造成耦合强度的高估。互信息是一种非线性、无向的分析方法，用于计算两个时间序列之间的统计独立性。但是，互信息只能衡量两个变量之间的相关性，并不能准确地反映两个变量之间的因果关系，而且互信息计算需要较长的数据，估计互信息时需要依赖联合概率密度估计。格兰杰因果是一种线性的、定向的分析方法，但是它只能测得时间序列之间的线性同步因果耦合关系以及信息流向，并且需要时间序列平稳，对于非线性、高阶等复杂的因果耦合关系难以定量分析。并且格兰杰因果方法无法处理噪声干扰等问题，其模型需要大量的数据，并且需要对数据进行适当的预处理，才能获得较好的估计效果。

技术实现思路

1、本发明的目的是克服上述现有技术的缺陷，提供一种基于电生理与血液微循环信号的脑功能耦合分析方法。该方法包括以下步骤：

2、在不同运动状态下，同步采集受试者的脑电信号和fnirs信号并进行预处理，得到预处理的脑电信号和脑氧信号；

3、对于所述脑电信号进行完全自适应噪声集合经验模态分解，获得多个不同子频带分量；

4、对所述脑电信号的多个不同子频带分量和所述脑氧信号的时间序列进行符号化，获得不同子频带分量的符号化序列以及脑氧信号的符号化序列；

5、计算所述不同子频带分量的符号化序列与所述脑氧信号的符号化序列两两之间的传递熵；

6、基于所述传递熵分析所述脑电信号与所述脑氧信号的耦合程度。

7、与现有技术相比，本发明的优点在于，针对目前神经系统中电生理信号与血液微循环信息耦合机制模糊不清，难以对脑卒中偏瘫卧床患者提出多角度协同康复干预手段的问题，本发明提出一种基于电生理与血液微循环信号的耦合关系分析方法，从不同尺度上来探究电生理与血液微循环信号的非线性耦合特征及信息传递，为进一步探索运动功能障碍的产生机理和提出协同康复干预手段提供依据。

8、通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

技术特征：

1.一种基于电生理与血液微循环信号的脑功能耦合分析方法，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述不同运动状态包括上肢手摇车运动抗阻任务、下肢脚踏车抗阻任务和上下肢联动抗阻任务。

3.根据权利要求1所述的方法，其特征在于，根据以下步骤对所述脑电信号进行预处理：

4.根据权利要求1所述的方法，其特征在于，根据以下步骤对所述脑氧信号进行预处理：

5.根据权利要求1所述的方法，其特征在于，根据以下公式对所述脑电信号的多个不同子频带分量和所述脑氧信号的时间序列进行符号化：

6.根据权利要求1所述的方法，其特征在于，根据以下公式计算所述不同子频带分量的符号化序列与所述脑氧信号的符号化序列两两之间的传递熵：

7.根据权利要求1所述的方法，其特征在于，还包括：基于计算的所述传递熵绘制符号化传递熵变化曲线，观察不同运动状态、不同尺度下符号化传递熵的变化。

8.一种计算机可读存储介质，其上存储有计算机程序，其中，该计算机程序被处理器执行时实现根据权利要求1至7中任一项所述方法的步骤。

9.一种计算机设备，包括存储器和处理器，在所述存储器上存储有能够在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本发明公开一种基于电生理与血液微循环信号的脑功能耦合分析方法。该方法包括：在不同运动状态下，同步采集受试者的脑电信号和fNIRS信号并进行预处理，得到预处理的脑电信号和脑氧信号；对于脑电信号进行完全自适应噪声集合经验模态分解，获得多个不同子频带分量；对脑电信号的多个不同子频带分量和脑氧信号的时间序列进行符号化，获得不同子频带分量的符号化序列以及脑氧信号的符号化序列；计算不同子频带分量的符号化序列与脑氧信号的符号化序列两两之间的传递熵；基于传递熵分析脑电信号与脑氧信号的耦合程度。本发明探究电生理与血液微循环信号的非线性耦合特征及信息传递，为探索运动功能障碍的产生机理和提出协同康复干预手段提供依据。

技术研发人员：方鹏,李青鸽,董源哲,章宇翔,田岚,姜乃夫,李向新,崔晗,李光林
受保护的技术使用者：中国科学院深圳先进技术研究院
技术研发日：
技术公布日：2024/1/15