搜索

x

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于变分模态分解-传递熵的脑肌电信号耦合分析

谢平 杨芳梅 李欣欣 杨勇 陈晓玲 张利泰

基于变分模态分解-传递熵的脑肌电信号耦合分析

谢平, 杨芳梅, 李欣欣, 杨勇, 陈晓玲, 张利泰
PDF
导出引用
导出核心图
  • 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(EEGEMG 及EMGEEG) 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 (1535 Hz) 频段间的耦合强度最为显著; EEGEMG 方向上脑电与肌电高gamma (5072 Hz) 频段的耦合强度总体上高于EMGEEG 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.
      通信作者: 谢平, pingx@ysu.edu.cn
    • 基金项目: 国家自然科学基金(批准号: 61271142)和河北省自然科学基金(批准号: F2015203372, F2014203246)资助的课题.
    [1]

    Costa M, Goldberger A L, Peng C K 2002 Phys. Rev. Lett. 89 068102

    [2]

    Hu M, Liang H 2012 IEEE Trans. Bio-Med. Eng. 59 12

    [3]

    Thuraisingham R A, Gottwald G A 2006 Physica A 366 323

    [4]

    Zhang X, Chen X, Barkhaus P E, Zhou P {2013 IEEE Trans. Inf. Technol. B 17 470

    [5]

    Wu S D, Wu C W, Lee K Y, Lin S G 2013 Physica A 392 5865

    [6]

    Stamoulis C, Chang B S 2011 33rd Annual International Conference of the IEEE EMBS Boston, Massachusetts USA, August 30-September 3, 2011 p5908

    [7]

    Martis R J, Acharya U R, Tan J H, Petznick A, Ng E Y K, Tong L 2012 Int. J. Neural. Syst. 22 1250027

    [8]

    Sapsanis C, Georgoulas G, Tzes A, Lymberopoulos D 2013 35th Annual International Conference of the IEEE EMBS Osaka, Japan, July 3-7, 2013 p5754

    [9]

    Zhang X Q, Liang J 2013 Acta Phys. Sin. 62 050505 (in Chinese) [张学清, 梁军 2013 物理学报 62 050505]

    [10]

    Wu Z, Huang N E 2009 Advances in Adaptive Data Analysis 1 1

    [11]

    Chen D, Li D, Xiong M Z, Bao H, Li X L 2010 IEEE Trans. Inf. Technol. B 14 1417

    [12]

    Dragomiretskiy K, Zosso D {2014 IEEE Trans. Signal Proces. 62 531

    [13]

    Xie P, Yang F M, Chen X L, Du Y H, Wu X G 2015 Acta Phys. Sin. 64 248702 (in Chinese) [谢平, 杨芳梅, 陈晓玲, 杜义浩, 吴晓光 2015 物理学报 64 248702]

    [14]

    Yang Y F, Wu Y F, Ren X M, Qin W M, Zhi X Z, Qiu Y 2009 Acta Phys. Sin. 58 3746 (in Chinese) [杨永锋, 吴亚锋, 任兴民, 秦卫阳, 支希哲, 裘焱 2009 物理学报 58 3746]

    [15]

    Witham C L, Riddle C N, Baker M R, Baker S N 2011 J. Physiol. 589 3789

    [16]

    Schelter B, Timmer J, Eichler M 2009 J. Neurosci. Meth. 179 121

    [17]

    Laine C M, Negro F, Farina D 2013 J. Neurophysiol. 110 170

    [18]

    Androulidakis A G, Doyle L M, Yarrow K, Litvak V, Gilbertson T P, Brown P 2007 Eur. J. Neurosci. 25 3758

    [19]

    Kristeva R, Patino L, Omlor W 2007 NeuroImage 36 785

    [20]

    Gilbertson T, Lalo E, Doyle L, Di Lazzaro V, Cioni B, Brown P 2005 J. Neurosci. 25 7771

    [21]

    Androulidakis A G, Doyle L M, Gilbertson T P, Brown P 2006 Eur. J. Neurosci. 24 3299

  • [1]

    Costa M, Goldberger A L, Peng C K 2002 Phys. Rev. Lett. 89 068102

    [2]

    Hu M, Liang H 2012 IEEE Trans. Bio-Med. Eng. 59 12

    [3]

    Thuraisingham R A, Gottwald G A 2006 Physica A 366 323

    [4]

    Zhang X, Chen X, Barkhaus P E, Zhou P {2013 IEEE Trans. Inf. Technol. B 17 470

    [5]

    Wu S D, Wu C W, Lee K Y, Lin S G 2013 Physica A 392 5865

    [6]

    Stamoulis C, Chang B S 2011 33rd Annual International Conference of the IEEE EMBS Boston, Massachusetts USA, August 30-September 3, 2011 p5908

    [7]

    Martis R J, Acharya U R, Tan J H, Petznick A, Ng E Y K, Tong L 2012 Int. J. Neural. Syst. 22 1250027

    [8]

    Sapsanis C, Georgoulas G, Tzes A, Lymberopoulos D 2013 35th Annual International Conference of the IEEE EMBS Osaka, Japan, July 3-7, 2013 p5754

    [9]

    Zhang X Q, Liang J 2013 Acta Phys. Sin. 62 050505 (in Chinese) [张学清, 梁军 2013 物理学报 62 050505]

    [10]

    Wu Z, Huang N E 2009 Advances in Adaptive Data Analysis 1 1

    [11]

    Chen D, Li D, Xiong M Z, Bao H, Li X L 2010 IEEE Trans. Inf. Technol. B 14 1417

    [12]

    Dragomiretskiy K, Zosso D {2014 IEEE Trans. Signal Proces. 62 531

    [13]

    Xie P, Yang F M, Chen X L, Du Y H, Wu X G 2015 Acta Phys. Sin. 64 248702 (in Chinese) [谢平, 杨芳梅, 陈晓玲, 杜义浩, 吴晓光 2015 物理学报 64 248702]

    [14]

    Yang Y F, Wu Y F, Ren X M, Qin W M, Zhi X Z, Qiu Y 2009 Acta Phys. Sin. 58 3746 (in Chinese) [杨永锋, 吴亚锋, 任兴民, 秦卫阳, 支希哲, 裘焱 2009 物理学报 58 3746]

    [15]

    Witham C L, Riddle C N, Baker M R, Baker S N 2011 J. Physiol. 589 3789

    [16]

    Schelter B, Timmer J, Eichler M 2009 J. Neurosci. Meth. 179 121

    [17]

    Laine C M, Negro F, Farina D 2013 J. Neurophysiol. 110 170

    [18]

    Androulidakis A G, Doyle L M, Yarrow K, Litvak V, Gilbertson T P, Brown P 2007 Eur. J. Neurosci. 25 3758

    [19]

    Kristeva R, Patino L, Omlor W 2007 NeuroImage 36 785

    [20]

    Gilbertson T, Lalo E, Doyle L, Di Lazzaro V, Cioni B, Brown P 2005 J. Neurosci. 25 7771

    [21]

    Androulidakis A G, Doyle L M, Gilbertson T P, Brown P 2006 Eur. J. Neurosci. 24 3299

  • 引用本文:
    Citation:
计量
  • 文章访问数:  2540
  • PDF下载量:  342
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-01-26
  • 修回日期:  2016-03-02
  • 刊出日期:  2016-06-05

基于变分模态分解-传递熵的脑肌电信号耦合分析

  • 1. 燕山大学电气工程学院河北省测试计量技术及仪器重点实验室, 秦皇岛 066004;
  • 2. 中国人民解放军北京军区第281医院 康复医学科, 秦皇岛 066100
  • 通信作者: 谢平, pingx@ysu.edu.cn
    基金项目: 

    国家自然科学基金(批准号: 61271142)和河北省自然科学基金(批准号: F2015203372, F2014203246)资助的课题.

摘要: 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(EEGEMG 及EMGEEG) 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 (1535 Hz) 频段间的耦合强度最为显著; EEGEMG 方向上脑电与肌电高gamma (5072 Hz) 频段的耦合强度总体上高于EMGEEG 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.

English Abstract

参考文献 (21)

目录

    /

    返回文章
    返回