高云園,任磊磊,張迎春,佘青山,席旭剛,張啟忠

(1.杭州電子科技大學機器人研究所,杭州 310018;2.廣東省工傷康復中心,廣州 510440; 3.休斯頓大學生物醫(yī)學工程系,美國 休斯頓)

項目來源:國家自然科學基金項目(61372023,61671197);浙江省自然科學基金項目(LY18F030009,LY17F030021);杭州電子科技大學科研創(chuàng)新基金項目(CXJJ2017051)

2017-04-07修改日期2017-06-03

基于相干性的多頻段腦肌電信號雙向耦合分析*

高云園1*,任磊磊1,張迎春2,3*,佘青山1,席旭剛1,張啟忠1

(1.杭州電子科技大學機器人研究所,杭州 310018;2.廣東省工傷康復中心,廣州 510440; 3.休斯頓大學生物醫(yī)學工程系,美國 休斯頓)

針對皮層肌肉相干性分析時不能確定耦合方向的局限性,根據(jù)神經肌肉信息的雙向傳遞性,提出利用不同大腦功能區(qū)的腦電信號和動作相關的肌電信號,實現(xiàn)了相干函數(shù)對腦肌電信號的雙向耦合分析。本文對不同握力模式下同步采集的腦肌電信號進行了多頻段耦合分析。通過下行(EEG—>EMG)和上行(EMG—>EEG)分析發(fā)現(xiàn),隨著握力的增大,EEG能量、相干幅值和耦合強度均向高頻段轉移。與基于新型格蘭杰因果關系的耦合方法進行比較,驗證了相干性方法進行皮層肌肉雙向耦合分析的可行性和優(yōu)勢。研究結果為探索基于皮層肌肉相干性的雙向手部運動信息解碼和上肢運動功能障礙分析提供了依據(jù)。

腦肌電信號;耦合分析;相干性;皮層肌肉功能

腦電信號EEG(Electroencephalogram)反映了大腦功能區(qū)神經細胞群活動時的電位變化。肌電信號EMG(Electromyography)是反映肌群活動時所產生的信號。人的自主動作過程中,除了不同腦區(qū)之間的協(xié)同作用,大腦運動區(qū)/體感覺區(qū)與運動肌肉組織的神經細胞之間也自動地發(fā)生了同步化[1-2],這種大腦皮層與運動神經肌肉組織兩大體系內部及相互間的作用構成了皮層肌肉功能耦合關系CMC(Cortical-Muscular Functional Coupling)[3-4]。自1995年Conway等[5]發(fā)現(xiàn)運動過程中皮層腦電和肌電信號存在相關性以來,相繼有學者發(fā)現(xiàn)腦肌電信號功能頻段的相干性與運動范式緊密相關[6-7]。如在靜態(tài)力輸出時相干性主要在β(15 Hz～30 Hz)頻段,動態(tài)力輸出時皮層脊髓振蕩移向高γ(50 Hz～72 Hz)頻段[8-9]。腦肌電耦合分析在近年來成為許多學者研究的熱點,為腦卒中和運動障礙患者提供康復方案和康復評價的理論依據(jù)[10]。

近年來相干性分析[11-12]、格蘭杰因果分析[13]、互信息[14]、傳遞熵[15]以及符號化傳遞熵[16-17]等方法都被用來分析腦肌電耦合關系。在這幾種方法中,相干性分析效果顯著,結果可靠,效率高并支持在線處理,然而相干性存在不能確定耦合方向的局限性。根據(jù)Horak的運動控制理論,“正常運動控制是指中樞神經系統(tǒng)運用現(xiàn)有以及以往的信息,將神經能轉化為動能,并使之完成有效的功能活動”。以手抓握為例,當抓握開始時,一方面大腦運動區(qū)發(fā)出的控制命令通過運動傳導通路將信號傳遞到效應器產生相應的運動;另一方面動作時運動肌肉產生的感覺信號由感受器通過感覺傳導通路反饋到大腦的軀體感覺區(qū)[18-19]。因此分別選取大腦運動區(qū)和體感覺區(qū)的腦電信息與動作肌電做相干性分析,彌補相干性不能確定耦合方向的不足。其中大腦運動區(qū)腦電與動作肌電的耦合記為下行(EEG—>EMG),動作肌電與體感覺區(qū)腦電的耦合記為上行(EMG—>EEG)?；谏鲜鏊悸?本文針對上肢不同握力時的腦肌電信號,進行基于相干性的多頻段分析,同時利用顯著性面積對多頻段的腦肌電耦合強度進行定量分析,并與基于格蘭杰因果的腦肌電耦合分析結果進行比較,為運動功能康復評價提供客觀依據(jù)。

1 實驗數(shù)據(jù)采集及預處理

1.1 實驗范式

本文使用的腦肌電數(shù)據(jù)是采集自3名24歲、1名25歲和1名26歲利右手健康男性,分別記為S1、S2、S3、S4、S5。受試者均被告知詳細的實驗步驟。實驗過程中為確保力輸出的精確性,我們使用彈簧握力計分別進行5 kg、10 kg和20 kg力輸出的抓握實驗。每位受試者的具體任務為:每次開始時放松20 s,接著按照屏幕提示5 s完成一個抓握動作,然后放松20 s;做10次動作為一組,休息20 min,然后換手同等握力再做一組。休息20 min進行下一個握力實驗,直到每位受試者完成所有實驗。最終每位受試者的左、右手每種握力實驗各有10次。

1.2 實驗數(shù)據(jù)采集

本次實驗是用128導BrainAmp DC腦電采集系統(tǒng)(Brain Products GmbH,Germany)同步采集了上述實驗范式下32通道腦電和4通道肌電信號(如圖1)。BrainAmp DC設備也用于采集左右手臂指淺屈肌FDS(flexor digitorum superficialis)和掌長肌PL(palmaris longus)的肌電信號(如圖2)。

1.3 EEG與EMG的預處理

由于腦肌電信號都很微弱,非常容易受到噪聲和工頻干擾,數(shù)據(jù)分析前腦肌電信號均進行了50 Hz工頻的濾除和眼動偽跡的去除,還對腦肌電信號進行了小波消噪[20],最后對腦電用FIR數(shù)字濾波器進行0.5 Hz～50 Hz的帶通濾波,對肌電數(shù)據(jù)進行5 Hz～300 Hz的帶通濾波。

圖1 腦肌電采集實驗

圖2 肌電采集位置

2 腦肌電信號相干性多頻段分析

2.1 頻譜分析

腦電的基本節(jié)律分別為(0～3 Hz)、(3 Hz～7 Hz)、(7 Hz～15 Hz)、(15 Hz～30 Hz)以及(30 Hz～45 Hz)。首先對不同握力輸出時的腦電信號進行頻譜分析。

由于腦電信號是離散的時間序列,因此采用離散的傅里葉變換對信號進行頻譜分析,對于X序列的離散傅里葉變換方法如式(1):

(1)

式中:N為數(shù)據(jù)長度,下同,X(i)表示第i個腦電信號,i取1,2,3,…,N,j表示虛數(shù),u為離散頻率變量。

2.2 相干性分析

相干函數(shù)[3,11](Coherence)常被用于分析腦肌電相干性,該函數(shù)是在頻譜上分析兩個序列的相關程度,用數(shù)值大小在0到1之間的歸一化反映其相關程度[21]。運動腦電和肌電信號的皮層肌肉相干(CMC)計算如下。

假設信號X是腦電信號,Y是肌電信號,則信號X和Y的互譜可由式(2)計算得到:

(2)

式中:Rxy(m)是X和Y的互相關序列,m表示互相關序列第m個采樣點,Pxy則表示為Rxy的傅立葉系數(shù)。那么在頻率f上信號X和Y的相干性可根據(jù)式(3)[22]計算求得。

(3)

圖3 受試者S1左右手不同握力時的平均頻譜

式中:Pxx(f)是X的自功率譜和Pyy(f)是Y的自功率譜,·表示求二者之積,下同。將所有頻率對應的相干值求得后就可以得到皮層肌肉相干曲線,由于腦電信號的頻帶范圍是0～50 Hz,所以相干曲線頻率范圍取0～50 Hz[23]。為了判斷由以上方法計算所得的相干性是否有意義,常依據(jù)式(4)求得相干函數(shù)的可信區(qū)間的閾值。

(4)

式中:L為數(shù)據(jù)長度,α為顯著性程度,此處α=0.95。只有大于cl閾值的相干值才認為是有意義的相干,小于cl閾值時則認為并非真實相干[10]。

2.3 耦合強度定義

為了定量的分析不同握力下各頻段腦肌電的耦合強度,用式(5)對大于閾值(cl)的相干值進行相干顯著面積指標計算:

(5)

式中:Δf表示頻率分辨率,文中取值為1,SCMC表示腦肌電相干性的顯著面積,其值越大,表示此頻段腦肌電耦合越強。

3 實驗結果與分析

3.1 不同握力運動腦電的頻段特征

大腦皮層中的初級運動區(qū)(Primary Motor area,M1)在對側肢體進行熟練運動時激活、初級軀體感覺區(qū)(Primary Somatosensory area,S1)在接收到肢體的感覺時激活[10],因此本文選擇初級運動區(qū)C3/C4導聯(lián)的腦電和初級軀體感覺區(qū)CP5/CP6導聯(lián)的腦電信號進行相關分析。由于完成每個動作的時間是5 s,因此選取的數(shù)據(jù)長度N=5 000。

對五位受試者左/右手(C4/C3通道)不同握力動作的腦電進行頻譜分析,其中受試者S1左、右手10次動作的平均頻譜如圖3所示。

從圖3中可以看出,隨著握力的增大,左右手高頻段的能量逐漸增大。為了更加清晰的觀察受試者不同握力下各頻段(α、β、γ)腦電能量的變化情況,分別對五位受試者相同握力下C3/C4、CP5/CP6腦電導聯(lián)的各頻段能量積分,其中受試者S1左、右手不同握力下各頻段能量積分結果如圖4所示,以下能量單位都為mV2。

從圖4中可以看出:對于C3/C4通道,握力較小時,α、β頻段的能量較大,隨著握力增大β、γ頻段的能量逐漸增大,并且握力最大時γ頻段的能量最大。對于CP5/CP6通道,總體上來說隨著握力增大β、γ頻段的能量逐漸增大。可見,隨著握力的增大EEG能量會向高頻段移動。對受試者S2-S5左、右手不同握力下各頻段能量分析也得到相同的結果。這種腦電頻譜的變化特點可能與運動控制命令的編碼方式有關,不同握力時,大腦神經細胞群放電的頻率發(fā)生變化,產生不同頻率的腦電波,通過傳導通路到達效應器控制相應的運動,同時軀體感覺區(qū)接收到反饋信息后又會引起神經興奮,產生相應頻率的腦電波。

圖4 受試者S1不同握力下多通道各頻段能量

圖5 受試者S1左右手不同握力下相干曲線

3.2 不同握力腦肌電的相干性分析

為了研究左右手自主抓握動作時腦肌電信號的相關性和耦合性,本文采用皮層肌肉相干方法進行分析。對五位受試者C4/C3、CP6/CP5腦電導聯(lián)和左/右手握力動作時指淺屈肌肌電信號進行了相干性分析。其中受試者S1左/右手5 kg、10 kg和20 kg 10次握力下,C4/C3和CP6/CP5導聯(lián)腦電和動作指淺屈肌肌電的相干結果平均曲線如圖5所示。

從圖5中可以看出,握力較小時C3/C4通道腦電與動作肌電的有效相干主要發(fā)生在β頻段,這與文獻[14]的結果是一致的,隨著握力的增大,有效相干向高頻段轉移,握力最大時主要在γ頻段。而CP5/CP6通道腦電與動作肌電在握力較小時有效相干發(fā)生在α和γ頻段,中等握力時主要發(fā)生在β和γ頻段,而握力最大時主要發(fā)生在γ頻段,這與隨著握力增大腦電高頻段的能量逐漸增大的變化趨勢相同。分析受試者S2-S5實驗數(shù)據(jù),也得到相同的結論。

3.3 多頻段腦肌電雙向耦合分析

由于大腦運動區(qū)發(fā)出的控制命令通過運動傳導通路,將信號傳遞到效應器,產生相應運動;同時動作時運動肌肉產生的感覺信號由感受器通過感覺傳導通路反饋到大腦的軀體感覺區(qū)[18-19]。因此分別選取大腦運動區(qū)和體感覺區(qū)的腦電信息與動作肌電做雙向耦合分析,彌補了相干性分析不能確定耦合方向的不足。利用相干性顯著面積對α、β、γ頻段的腦肌電耦合強度做定量分析。其中受試者S1的分析結果如圖6所示,為了驗證基于相干性的多頻段雙向耦合分析方法的有效性,采用新型因果關系NC(New Causality)[13]進行了比較,其中受試者S1的分析結果如圖7所示。

圖6 受試者S1不同握力時基于相干性各頻段耦合強度

圖7 受試者S1不同握力時基于因果性各頻段耦合強度

分別比較五位受試者新型因果關系和雙向相干性的分析結果,可以發(fā)現(xiàn),相干性顯著面積分析得到的耦合強度較新型因果關系明顯,如圖6中S1受試者5 kg握力時下行(EEG—>EMG)耦合主要在β頻段,與現(xiàn)有研究結果一致;而圖7在α、β頻段都較明顯。同時,不同握力時基于相干性耦合分析方法的各頻段耦合強度的特點更加顯著,如10 kg握力下,下行耦合向高頻段過渡表現(xiàn)的更加明顯。

分析圖6可以看出,握力較小時,左右手下行(EEG—>EMG)耦合在β頻段最強,隨著握力的增大耦合向高頻段轉移,握力最大時,耦合主要發(fā)生在γ頻段。而握力較小時左右手上行(EMG—>EEG)耦合在α、β和γ頻段都發(fā)生,隨著握力的增大,α頻段的耦合呈減小趨勢,而握力最大時耦合主要發(fā)生在γ頻段。對受試者S2-S5的實驗數(shù)據(jù)進行分析,也得到相同的結果,S2-S5受試者基于相干性的雙向耦合分析結果如表1～表4所示。

表1 受試者S2不同握力時基于相干性各頻段耦合強度

表2 受試者S3不同握力時基于相干性各頻段耦合強度

表3 受試者S4不同握力時基于相干性各頻段耦合強度

表4 受試者S5不同握力時基于相干性各頻段耦合強度

4 結論

本文根據(jù)動作執(zhí)行和反饋的閉環(huán)通路和大腦不同功能區(qū)的特點提出了基于相干性的多頻段腦肌電雙向耦合分析方法,對多名健康男性不同握力下的腦肌電信號進行了分析。通過對五位受試者不同握力下腦電頻譜和腦肌電信號相干性的分析,發(fā)現(xiàn)腦電頻譜和相干性的變化規(guī)律一致,都是隨著握力增大向高頻段轉移。利用相干性顯著面積對α、β、γ頻段的腦肌電耦合強度做定量分析,并與基于新型因果關系的耦合分析結果進行了比較,發(fā)現(xiàn)雙向耦合中隨握力的增大都向高頻段轉移這一結論是一致的,而且相干性耦合的分析方法效果更加明顯,更能突出各頻段耦合強度隨握力的變化規(guī)律,因此解決了相干性不能確定耦合方向的局限性。研究結果為探索基于皮層肌肉相干性的雙向手部運動信息解碼和上肢運動功能障礙分析提供了依據(jù)。但這些結果只是采集健康人的腦肌電信號分析所得,為了驗證這種方法的可靠性,后續(xù)將進一步采集有運動功能障礙患者的腦肌電數(shù)據(jù),進行深入分析,為臨床康復治療和評價打下堅實的基礎。

[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] 榮瑤. 大腦皮層與上肢肌肉間功能耦合與信息傳輸?shù)难芯縖D]. 北京:北京工業(yè)大學,2013.

[11] 蔣正言. 基于腦電信號相干性分析的阿爾茲海默病診斷的研究[J]. 傳感技術學報,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] 王輝. 因果關系在探求大腦效應連接中的應用[D]. 杭州:杭州電子科技大學,2015:13-25.

[14] 韓笑,佘青山,高云園,等. 基于NA-MEMD和互信息的腦電特征提取方法[J]. 傳感技術學報,2016,29(8):1140-1148.

[15] 謝平,楊芳梅,李欣欣,等. 基于變分模態(tài)分解-傳遞熵的腦肌電信號耦合分析[J]. 物理學報,2016,65(11):277-285.

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

[17] 王瑩,侯鳳貞,戴加飛,等. 改進的相對轉移熵的癲癇腦電分析[J]. 物理學報[J]. 物理學報,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] 湯曉軍. 上肢運動調控的神經機制研究[D]. 天津:南開大學,2009:5-17.

[20] 任通,羅志增,孟明,等. 一種基于SA4多小波的腦電信號消噪方法[J]. 傳感技術學報,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. 基于皮層肌肉相干性的手部運動信息解碼研究[D]. 天津:天津醫(yī)科大學,2014:5-23.

[23] 李紅利,王江,鄧斌,等. 癲癇腦電的互信息和同步性分析[J]. 計算機工程與應用,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

A

1004-1699(2017)10-1465-07

10.3969/j.issn.1004-1699.2017.10.002

髙云園(1980-),2007年于浙江大學獲得博士學位,現(xiàn)為杭州電子科技大學副教授、碩士生導師,主要研究方向為生物信號處理、模式識別、智能機器人,gyy@hdu.edu.cn;

張迎春(1975-),2004年于浙江大學獲得博士學位,2004～2009年在美國明尼蘇達大學生物醫(yī)學工程系和明尼蘇達大學醫(yī)學院從事博士后研究,現(xiàn)任美國休斯敦大學生物醫(yī)學工程系助理教授,主要研究方向為生物電磁學,人體的生物電磁系統(tǒng)的建模仿真,神經康復工程,多模態(tài)功能性成像及其在臨床上的應用,Yzhang94@uh.edu;

任磊磊(1990-),2015年在防災科技學院獲得學士學位,現(xiàn)為杭州電子科技大學研究生,主要研究方向為腦肌電信號處理,1062902598@qq.com。