CN111931129B 基于高斯Copula传递熵的肌间耦合网络分析方法 （杭州电子科技大学）

基于高斯Copula传递熵的肌间耦合网络分本发明公开了一种基于高斯Copula传递熵Copula函数估计传递熵，然后采集了8名健康被试和5名卒中患者执行及物运动任务时5通道的数分析肌间特征频段的功能耦合和信息流向特的运动控制机制和运动功能康复评估具有良好2假设各通道表面肌电信号是来自连续分布函数Fi(xi)的同分布样本，那么Fii(x)为概率密度函数，i在利用非参数核密度估计边际分布函数后，可以无需估计3iGCTE,-,表示有向边vi→vj的权值；间耦合网络的拉普拉斯矩阵的第二小非零特征值inout定义肌间耦合网络的平均度AD为所有节点的入度和出度的平均值，网络的聚类系数42.根据权利要求1所述的基于高斯Copula传递熵的肌间耦合网络分析方法，其特征在5[0001]本发明属于神经系统运动控制机制研究领域，涉及高斯Cop复过程中，运动功能评价的主要依据是康复医师的主观经验或依靠监测患者的肌力状态，[0003]复杂网络理论作为一种研究复杂系统动力学的新方法最早由Watts和Barabasi等[0004]传统的因果性分析方法中，大量研究者使用格兰杰因果性(GrangerCausality,的数据间的因果关系，往往能得到问题的解释。GC和TE都是基于相同的因果关系定义的，6块手部肌肉对之间功能连接随时间变化情况，发现只有三角肌前束至肱二头肌的因果关6[0005]Sklar定理指出，一个N维分量的联合分布函数可以由N个变量的边缘分布和1个明了负Copula熵等价为互信息(MutualInformation,MI)，提出利用Copula函数理解和估[0007]本发明的目的在于从复杂网络的角度提供一种可准确得到上肢肌间因果耦合特信息，具有不依赖既定模型、非线性定量分析的特点，本质上等价于条件互信息7itx)为概率密度函数，为xi的标准差。[0022]常用的Copula参数估计方法有最大似然估计(ML)、两阶段极大似然估计(IFM)和vn}为肌肉节点集合，E=fe,e,,…,e}svxv为边集合。肌间耦合网络的节点数目为n＝|V节点vj的一条有向边。CTE,-,表示有向边vi→vj的权值(或耦合强度)，一般情况下，89[0053]图2(a)、图2(b)分别为受试者H1和S1的5通道sEMG信号分离出的α、β和γ频段波[0064]采用表面肌电设备同步采集及物运动过程中上肢前三角肌(AnteriorDeltoid，过快速傅里叶变换提取的频段波形如图2(a)和图2(b有不依赖既定模型、非线性定量分析的特点，本质上等价于条件互信息(Conditional[0076]常用的Copula参数估计方法有最大似然估计(ML)、两阶段极大似然估计(IFM)和肌间耦合网络的搭建及分析主要包含以下3vn}为肌肉节点集合，E=fe,e,…,en}svxv为边集合。肌间耦合网络的节点数目为n节点vj的一条有向边。表示有向边vi→vj的权值(或耦合强度)，一般情况下，以作为确定时延τ的参考标准。本发明在计算两两通道之间的GCTE值时，设置时延τ在0~耦合网络的代数连通性，本发明通过判断肌间耦合网络的拉普拉斯矩阵的第二小特征值与健康人的肌间耦合情况相似，而其运动功能缺陷可能是由于BB在γ频段出现了异常耦显示健康组和卒中组BB的入度和出度在3个频段上都要显著低于其他肌肉(p<0.05)，这更著性差异，结果显示在各频段上，每组肌肉节点的入度和出度不具有显著性差异(α:p=结果可见，健康组和卒中组的肌间耦合网络的平均度和聚类系数都不具有显著性差异(p>异，结果显示3个频段间肌间耦合网络的平均度和聚类系数同样也不具有显著性差异(p>