基于多尺度互模式熵的脑电信号耦合分析毕业论文答辩模板
基于多尺度高阶奇异谱熵的信号特征提取方法
基于多尺度高阶奇异谱熵的信号特征提取方法随着大数据时代的到来，信号特征提取在信息处理中的应用越来越广泛。
在研究领域中，可以将信号特征提取应用于除了信号与图像处理以外的自然语言处理、机器视觉、心电图等方面。
但是，由于信号数据的复杂性，以及一些现有特征提取算法的不足，传统的信号特征提取方法往往难以彻底解决问题。
因此，研究者们不断探索新的特征提取方法。
其中一种基于多尺度高阶奇异谱熵的信号特征提取方法在信号处理领域中逐渐被广泛应用。
多尺度高阶奇异谱熵是一种新的信号特征分析方法，该方法通过计算和分析信号的多尺度高阶奇异谱熵，能够准确地反映信号的多尺度非线性动态特征。
多尺度高阶奇异谱熵是将信号分解为不同频率的子带，在每个子带都进行高阶奇异谱熵计算。
通常，高阶奇异谱熵是一种非线性分析方法，在处理信号时，其具有很好的灵敏性和各种信号的稳定性。
因此，多尺度高阶奇异谱熵在提取信号特征方面具有很大的优势。
在信号处理领域中，多尺度高阶奇异谱熵在多个细分领域中得到了广泛应用。
在脑电图分析领域中，多尺度高阶奇异谱熵可以应用于进行认知神经科学的研究。
在机器识别领域中，多尺度高阶奇异谱熵可以应用于声纹识别及其他语音处理任务。
在医疗诊断领域中，多尺度高阶奇异谱熵可以应用于进行心律失常的检测。
总的来说，多尺度高阶奇异谱熵在新兴领域中具有重要意义。
通过多尺度高阶奇异谱熵，可以实现对信号的特征提取，实现对信号的分类、识别以及对信号的缺陷检测等任务。
这一方法在神经、机器和医疗领域中得到了广泛的应用和推广，并且对于信号特征提取的技术水平有了新的突破。
多尺度高阶奇异谱熵是一种很有潜力的信号处理技术，在实际应用中，可以大大提高信号的处理效率和精度。
未来，随着新技术和算法的发展，多尺度高阶奇异谱熵将逐渐成为一个广泛应用的信号特征分析方法，将更多地应用于探索和解决相关问题，以更好地实现数据分析和处理的目标。
脑电信号的多尺度熵分析
脑电信号的多尺度熵分析葛家怡;周鹏;赵欣;刘海婴;王明时【期刊名称】《计算机工程与应用》【年(卷),期】2009(045)010【摘要】给出了多尺度熵的算法步骤,对生理信号中两种常见噪声白噪声和1/f噪声的多尺度熵进行了研究,分析表明1/f噪声有比白噪声更为复杂的结构,探讨了混沌信号logistic映射的多尺度熵特征,在此基础上对不同睡眠时期脑电信号的多尺度熵进行了比较,结果显示脑电信号具有复杂结构,醒期熵值最高,睡眠Ⅳ期熵值最低;睡眠Ⅰ期、睡眠Ⅱ期和醒期复杂度较高,变化趋势接近;睡眠Ⅲ期、睡眠Ⅳ期和快速眼动期变化趋势基本一致,2尺度后复杂度基本保持不变.【总页数】4页(P13-15,19)【作者】葛家怡;周鹏;赵欣;刘海婴;王明时【作者单位】天津大学,精密仪器与光电子工程学院,生物医学工程系,天津,300072;天津大学,精密仪器与光电子工程学院,生物医学工程系,天津,300072;天津大学,精密仪器与光电子工程学院,生物医学工程系,天津,300072;天津大学,精密仪器与光电子工程学院,生物医学工程系,天津,300072;明尼苏达大学,放射系,美国,55455;天津大学,精密仪器与光电子工程学院,生物医学工程系,天津,300072【正文语种】中文【中图分类】R318【相关文献】1.少年与中年脑电信号的多尺度符号序列熵分析 [J], 杜飞;王世通;戴加飞;侯凤贞;李锦;王俊2.驾驶疲劳脑电信号的多尺度熵分析 [J], 刘苗苗;艾玲梅3.基于多尺度传递熵的脑肌电信号耦合分析∗ [J], 谢平;杨芳梅;陈晓玲;杜义浩;吴晓光4.基于多尺度符号转移熵的脑电信号分析 [J], 杨孝敬;焦清局;王乙婷5.基于多重多尺度熵的孤独症静息态脑电信号分析 [J], 李昕;安占周;李秋月;蔡二娟;王欣因版权原因，仅展示原文概要，查看原文内容请购买。
《基于脑电信号样本熵的情感识别》范文
《基于脑电信号样本熵的情感识别》篇一一、引言情感识别是人工智能领域的一个重要研究课题，尤其在人机交互、心理健康评估、医学诊断等领域有着广泛的应用前景。
近年来，随着神经科学技术的发展，基于脑电信号（EEG）的情感识别方法越来越受到关注。
脑电信号是反映大脑活动的关键指标，能够有效地捕捉到人们在特定情绪状态下的脑电信号变化。
样本熵作为一种复杂的生物信号特征提取工具，其在情感识别领域的应用，已成为一个新的研究方向。
二、脑电信号与情感识别脑电信号是一种非线性的、复杂的生物信号，其中包含了丰富的关于人的情绪、认知等神经活动的信息。
基于脑电信号的情感识别主要通过对大脑皮层不同区域的信号进行采集和分析，从而实现对情感的识别和分类。
然而，由于脑电信号的复杂性和非线性，如何有效地提取和解析其中的情感信息成为了该领域的一大挑战。
三、样本熵的概念与特性样本熵（Sample Entropy）是一种基于时间序列的复杂度度量方法，它被广泛应用于生物信号的复杂度分析中。
样本熵通过计算时间序列的序列复杂性来评估其复杂性程度，其优点在于对噪声和微小变化的敏感性较低，可以有效地反映时间序列的内在特征。
在情感识别中，样本熵可以用于提取脑电信号的复杂度特征，从而实现对情感的准确识别。
四、基于样本熵的脑电信号情感识别方法基于样本熵的脑电信号情感识别方法主要包括以下几个步骤：首先，通过脑电波帽等设备采集不同情感状态下的脑电信号；其次，对采集到的脑电信号进行预处理，包括滤波、去噪等操作；然后，利用样本熵算法对预处理后的脑电信号进行复杂度特征提取；最后，通过机器学习算法对提取出的特征进行分类和识别。
在具体的实施过程中，我们需要选择合适的脑电信号采集设备和数据处理方法，以获取高质量的脑电信号数据。
在特征提取阶段，我们可以通过调整样本熵算法的参数来优化特征提取的效果。
在分类和识别阶段，我们可以选择适合的机器学习算法和模型来进行训练和测试。
五、实验结果与分析我们通过实验验证了基于样本熵的脑电信号情感识别的有效性。
多导脑电时频分析与多尺度熵融合的情感计算体系研究
线信号时长固定为 ６０ 秒,刺 激 态 信 号 具 体 时 间 如
表 １ 所示.
表 １ 数据集刺激态脑电信号时长情况
Tab．
１Du
r
a
t
i
ono
fEEG (
s
t
imu
l
i)s
i
l
si
nt
heda
t
ase
t
gna
序号
目标情绪
１
平静
作 者 简 介 :吴 骁(
２００２－ ),男 ,北 京 理 工 大 学 ,本 科 生 ,
E－ma
i
l:
wux
i
ao
r
bw＠１２６
c
om.
通 讯 作 者 :史 文 彬(
１９８９－ ),女 ,博 士 ,北 京 理 工 大 学 ,副 研 究 员 ,
E－ma
i
l:
sh
iwb＠b
i
t．
edu．
cn.
基 金 项 目 :国 家 自 然 科 学 基 金 项 目(
r
ee
v
o
k
e
db
a
t
c
h
i
n
i
d
e
o
g
ys j
yw
gav
r
e
c
onc
i
l
et
ime－f
r
equenc
l
i
s,powe
rspe
c
t
r
umana
l
s
i
s,andmu
《基于脑电信号样本熵的情感识别》
《基于脑电信号样本熵的情感识别》一、引言情感识别是人工智能领域的一个重要研究课题，尤其在人机交互、心理治疗、临床医学等方面有着广泛的应用前景。
传统的情感识别方法大多基于语音、文本或面部表情等外部信息，然而这些方法往往无法准确捕捉到个体内心深处的情感变化。
近年来，随着脑电信号分析技术的发展，基于脑电信号的情感识别逐渐成为研究热点。
本文提出一种基于脑电信号样本熵的情感识别方法，旨在通过分析脑电信号的复杂性，实现对个体情感的准确识别。
二、脑电信号与样本熵脑电信号是指通过脑电图仪记录下来的脑部电活动信号，它反映了大脑在活动过程中的电生理变化。
样本熵是一种用于衡量信号复杂性的方法，其基本思想是通过计算信号中不同模式出现的概率来评估信号的复杂性。
在情感识别领域，样本熵可以用于分析脑电信号中与情感相关的复杂性变化。
三、基于样本熵的脑电信号情感识别方法本文提出的基于样本熵的脑电信号情感识别方法主要包括以下步骤：1. 数据采集：通过脑电图仪采集个体在不同情感状态下的脑电信号数据。
2. 数据预处理：对采集到的脑电信号进行预处理，包括去噪、滤波等操作，以提高信号质量。
3. 特征提取：从预处理后的脑电信号中提取出与情感相关的特征，如不同频段的能量、波形参数等。
4. 计算样本熵：利用样本熵算法计算提取出的特征序列的样本熵值。
5. 情感识别：将计算得到的样本熵值与预先设定的阈值进行比较，判断个体当前的情感状态。
四、实验与分析为了验证本文提出的基于样本熵的脑电信号情感识别方法的有效性，我们进行了实验分析。
实验数据来自多个受试者在不同情感状态下的脑电信号数据。
通过对比分析不同情感状态下脑电信号的样本熵值，我们发现不同情感状态下脑电信号的样本熵存在显著差异。
这表明样本熵可以作为一种有效的特征用于情感识别。
在实验中，我们还采用了机器学习算法对提取出的特征进行分类识别。
通过对比不同算法的性能，我们发现基于支持向量机（SVM）的分类器在情感识别任务中取得了较好的效果。
简约毕业论文答辩模板
论文总结
在此处输入你的副文本，在此处输入 你的副文本，在此处输入你的副文本， 在此处输入你的副文本。在此处输入 你的副文本，在此处输入你的副文本， 在此处输入你的副文本。
在此处输入你的副文本，在此处输入 你的副文本，在此处输入你的副文本， 在此处输入你的副文本。在此处输入 你的副文本，在此处输入你的副文本， 在此处输入你的副文本。
国外研究现状
在此处输入你的副文本，在此处 输入你的副文本，在此处输入你 的副文本，在此处输入你的副文 本。在此处输入你的副文本，在 此处输入你的副文本，在此处输 入你的副文本。 在此处输入你的副文本，在此处 输入你的副文本，在此处输入你 的副文本，在此处输入你的副文 本。在此处输入你的副文本，在 此处输入你的副文本，在此处输 入你的副文本，
简约毕业论文答辩模板
...............在此处输入学校名称...............
答辩人：xxx xx学院xx系xx班
导师：x教授 xxxxx专业
CONTENTS
..........目录..........
01.选题背景及意义 02.研究方法及思路 03.研究成果及应用 04.研究不足建议及总结
在此处输入你的副文本，在此处输入你的副文本，在 此处输入你的副文本，在此处输入你的副文本。在此处输 入你的副文本，在此处输入你的副文本，在此处输入你的 副文本，
研究成果
添加标题
在此处输入你的副文 本，在此处输入你的 副文本，在此处输入 你的副文本，在此处 输入你的副文本。 在此处输入你的副文 本，在此处输入你的 副文本，在此处输入 你的副文本，在此处 输入你的副文本。
在此处输入你的副文本，在此处输入你的副文本，在 此处输入你的副文本，在此处输入你的副文本。在此处输 入你的副文本，在此处输入你的副文本，在此处输入你的 副文本，
基于多元经验模态分解-传递熵的脑肌电信号耦合分析
第３１卷第６期２０１８年６月传感技术学报ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＳＥＮＳＯＲＳＡＮＤＡＣＴＵＡＴＯＲＳＶｏｌ ３１㊀Ｎｏ ６Ｊｕｎｅ２０１８项目来源:国家自然科学基金项目(６１２０１３０２ꎬ６１６７１１９７)ꎻ浙江省自然科学基金项目(ＬＹ１５Ｆ０１０００９)收稿日期:２０１７－１０－１３㊀㊀修改日期:２０１８－０３－８ＦｕｎｃｔｉｏｎａｌＣｏｕｐｌｉｎｇＡｎａｌｙｓｅｓｏｆＥＥＧａｎｄＥＭＧＢａｓｅｄｏｎＭｕｌｔｉｖａｒｉａｔｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ∗ＭＡＰｅｎｇｇａｎｇꎬＳＨＥＱｉｎｇｓｈａｎ∗ꎬＧＡＯＹｕｎｙｕａｎꎬＺＨＡＮＧＱｉｚｈｏｎｇꎬＬＵＯＺｈｉｚｅｎｇ(ＩｎｓｔｉｔｕｔｅｏｆＩｎｔｅｌｌｉｇｅｎｔＣｏｎｔｒｏｌａｎｄＲｏｂｏｔｉｃｓꎬＨａｎｇｚｈｏｕＤｉａｎｚｉＵｎｉｖｅｒｓｉｔｙꎬＨａｎｇｚｈｏｕ３１００１８ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｆｕｎｃｔｉｏｎａｌｃｏｒｔｉｃｏｍｕｓｃｕｌａｒｃｏｕｐｌｉｎｇ(ＦＣＭＣ)ｉｓｔｈｅｉｎｔｅｒａｃｔｉｏｎｂｅｔｗｅｅｎｔｈｅｃｅｒｅｂｒａｌｃｏｒｔｅｘａｎｄｍｕｓｃｌｅｓ.Ｔｈｅｍｕｌｔｉ￣ｓｃａｌｅｃｏｕｐｌｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅＥｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ(ＥＥＧ)ａｎｄｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｙ(ＥＭＧ)ｓｉｇｎａｌｓｃａｎｒｅｆｌｅｃｔｔｈｅｍｕｌｔｉｐｌｅｔｅｍｐｏｒａｌａｎｄｓｐａｔｉａｌｆｕｎｃｔｉｏｎｏｆｔｈｅｃｏｒｔｅｘ￣ｍｕｓｃｌｅ.Ｔｈｅｍｕｌｔｉｖａｒｉａｔｅｅｍｐｉｒｉｃａｌｍｏｄａｌｄｅｃｏｍｐｏｓｉｔｉｏｎ(ＭＥＭＤ)ａｎｄｔｒａｎｓｆｅｒｅｎｔｒｏｐｙ(ＴＥ)ａｒｅｃｏｍｂｉｎｅｄｔｏｃｏｎｓｔｒｕｃｔａＭＥＭＤ￣ＴＥｍｏｄｅｌꎬａｐｐｌｉｅｄｔｏａｎａｌｙｓｉｓｃｏｕｐｌｉｎｇｂｅｔｗｅｅｎｃｏｒｔｉｃａｌａｎｄｍｕｓｃｌｅａｃｔｉｖｉｔｉｅｓ.ＦｉｒｓｔｌｙꎬｔｈｅＥＥＧａｎｄＥＭＧｓｉｇｎａｌｓｗｅｒｅｐｒｅ￣ｐｒｏｃｅｓｓｅｄꎬａｎｄｔｈｅｎｔｈｅｍｕｌｔｉｖａｒｉａｔｅｅｍｐｉｒｉｃａｌｍｏｄａｌｄｅｃｏｍｐｏｓｉｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｕｓｅｄｔｏｐｅｒｆｏｒｍｔｉｍｅ￣ｆｒｅｑｕｅｎｃｙｓｃａｌｉｎｇｏｎｔｈｅｓｉｇｎａｌｓ.Ｆｉ￣ｎａｌｌｙꎬｔｈｅｅｎｔｒｏｐｙｖａｌｕｅｓｗｅｒｅｃａｌｃｕｌａｔｅｄｏｎｄｉｆｆｅｒｅｎｔｓｃａｌｅｓꎬａｎｄｎｏｎｌｉｎｅａｒｃｏｕｐｌｉｎｇｃｈａｒａｃｔｅｒｉｓｔｉｃｓｗｅｒｅａｎａｌｙｚｅｄｏｎｄｉｆｆｅｒｅｎｔｃｏｕｐｌｉｎｇｄｉｒｅｃｔｉｏｎ(ＥＥＧңＥＭＧａｎｄＥＭＧңＥＥＧ).ＥＥＧａｎｄＥＭＧｓｉｇｎａｌｓｏｆ１０ｓｕｂｊｅｃｔｓｗｅｒｅｃｏｌｌｅｃｔｅｄｕｎｄｅｒｓｔａｔｉｃｇｒｉｐ(５ｋｇꎬ１０ｋｇａｎｄ２０ｋｇ)ꎬｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＭＥＭＤ￣ＴＥｖａｌｕｅｆｒｏｍＥＥＧｔｏＥＭＧｉｓｈｉｇｈｅｒｔｈａｎｔｈａｔｆｒｏｍＥＭＧｔｏＥＥＧｉｎｔｈｅｈｉｇｈｆｒｅｑｕｅｎｃｙｂａｎｄ(４０Ｈｚ~７５Ｈｚ)ꎬａｎｄＦＣＭＣｉｓｂｉ￣ｄｉｒｅｃｔｉｏｎａｌａｎｄｈａｓｄｉｆｆｅｒｅｎｃｅｓｉｎｔｈｅｃｏｕｐｌｉｎｇｓｔｒｅｎｇｔｈｏｆｄｉｆｆｅｒｅｎｔｃｏｕｐｌｉｎｇｄｉｒｅｃｔｉｏｎｓａｎｄｂａｎｄｓ.ＩｎａｄｄｉｔｉｏｎꎬｔｈｅｓｉｇｎｉｆｉｃａｎｃｅｔｅｓｔｒｅｖｅｌａｓｎｏｓｉｇｎｉｆｉｃａｎｔｄｉｆｆｅｒｅｎｃｅｂｅｔｗｅｅｎｔｈｅＭＥＭＤ￣ＴＥｖａｌｕｅｓｆｒｏｍＥＥＧｔｏＥＭＧｕｎｄｅｒｄｉｆｆｅｒｅｎｔｇｒｉｐｆｏｒｃｅｓ.Ｋｅｙｗｏｒｄｓ:ＥＥＧ￣ＥＭＧꎻｆｕｎｃｔｉｏｎａｌｃｏｒｔｉｃｏｍｕｓｃｕｌａｒｃｏｕｐｌｉｎｇꎻｍｕｌｔｉｖａｒｉａｔｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎꎻｔｒａｎｓｆｅｒｅｎｔｒｏｐｙ㊀ＥＥＡＣＣ:７２３０㊀㊀㊀㊀ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１００４－１６９９.２０１８.０６.０１６基于多元经验模态分解－传递熵的脑肌电信号耦合分析∗马鹏刚ꎬ佘青山∗ꎬ高云园ꎬ张启忠ꎬ罗志增(杭州电子科技大学智能控制与机器人研究所ꎬ杭州３１００１８)摘㊀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ꎬ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ꎮ将多元经验模态分解(ＭＥＭＤ)与传递熵(ＴＥ)结合ꎬ构建出ＭＥＭＤ￣ＴＥ模型ꎬ应用于脑㊁肌间耦合分析ꎮ首先对同步采集的脑电(ＥＥＧ)和肌电(ＥＭＧ)信号进行预处理ꎬ然后采用多元经验模态分解算法对信号进行时－频尺度化ꎬ最后计算不同尺度上的传递熵值ꎬ分析各个尺度不同耦合方向(ＥＥＧңＥＭＧ及ＥＭＧңＥＥＧ)上的非线性耦合特征ꎮ采集了１０名受试者静态握力(５ｋｇ㊁１０ｋｇ㊁２０ｋｇ)下脑㊁肌电信号ꎬ实验结果表明:脑电对肌电的ＭＥＭＤ￣ＴＥ值在高频段(４０Ｈｚ~７５Ｈｚ)上高于肌电对脑电的ＭＥＭＤ￣ＴＥ值ꎬ皮层肌肉功能耦合具有双向性ꎬ且不同方向和频段上的耦合强度有所差异ꎬ显著性校验反映了不同力度下脑电对肌电的ＭＥＭＤ￣ＴＥ值没有显著性差别ꎮ关键词:脑肌电信号ꎻ皮层肌肉功能耦合ꎻ多元经验模态分解ꎻ传递熵中图分类号:ＴＰ３９１㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀文章编号:１００４－１６９９(２０１８)０６－０９０４－１１㊀㊀生理系统是跨越多尺度时空进行相互作用的复杂结构[１]ꎮ运动神经系统通过神经振荡传递运动控制信息ꎬ该振荡活动可以反映多层次的皮层－肌肉功能耦合ＦＣＭＣ(ＦｕｎｃｔｉｏｎａｌＣｏｒｔｉｃｏｍｕｓｃｕｌａｒＣｏｕ￣ｐｌｉｎｇ)的连接信息[２]ꎮ耦合分析研究可以探索大脑皮层和肌肉组织间的相互作用[３]ꎬ代表了运动系统第６期马鹏刚ꎬ佘青山等:基于多元经验模态分解－传递熵的脑肌电信号耦合分析㊀㊀内部的信息流动ꎬ与大脑皮层向肌肉收缩的传入反馈有关ꎬ因而有助于了解大脑如何控制肌肉组织以及肌肉组织对脑功能的影响ꎬ更利于理解皮层－肌肉的功能耦合及信息传递[４－６]ꎮ研究多时空层的脑肌电耦合信息ꎬ关键是要提取不同尺度上的脑电ＥＥＧ(Ｅｌｅｃｔｒｏｅｎｃｅｐｈａｌｏｇｒａｍ)和肌电ＥＭＧ(Ｅｌｅｃｔｒｏｍｙｏｇｒａｐｈｉｃ)信息ꎮ经验模态分解ＥＭＤ(ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ)是一种用于分析非线性和非平稳性时间序列的自适应数据处理和挖掘算法[７－８]ꎬ本质上是对数据序列的平稳化处理ꎮ该方法使用一种筛选方法把信号分解为若干本征模态函数ＩＭＦ(ＩｎｔｒｉｎｓｉｃＭｏｄｅＦｕｎｃｔｉｏｎ)[９]ꎬ每个ＩＭＦ分量包含了原信号在不同尺度上的局部特征信号ꎮ但是ꎬＥＭＤ存在两点问题:一是只能处理一元时间序列ꎬ不能够同时处理多元时间序列ꎬ并且ＩＭＦ数量不固定ꎻ二是对于复杂的数据ꎬ数据间歇性不仅在时频域造成了严重性的模态混叠ꎬ而且单个ＩＭＦ分量的物理意义不清晰ꎮ为了解决上述问题ꎬＨｕａｎｇ等[１０－１１]提出了一种噪声辅助的信号处理方法 集合经验模态分解ＥＥＭＤ(ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ)ꎮ该方法本质上是在原有信号中加入高斯白噪声来平滑脉冲干扰ꎬ从而在一定程度上避免了模态混叠ꎬ但其计算量繁琐ꎬ并且无法对多元时间序列同时分解[１２]ꎮＤｒａｇｏｍｉｒｅｔｓｋｉｙ等[１３]提出了一种变分模态分解ＶＭＤ(ＶａｒｉａｔｉｏｎａｌＭｏｄｅＤｅｃｏｍｐｏ￣ｓｉｔｉｏｎ)方法ꎬ可以同时分解多个通道ꎬ提取信号中具有中心频率的窄带分量ꎮ然而ꎬ该方法不适合处理非稳态信号ꎬ其频谱会随时间发生较大的变化ꎬ也会导致信号的混叠ꎮ最近ꎬＭａｎｄｉｃ等[１４]提出了多元经验模态分解ＭＥＭＤ(ＭｕｌｔｉｖａｒｉａｔｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅ￣ｃｏｍｐｏｓｉｔｉｏｎ)方法ꎬ不仅能够同时处理多元时间序列的多尺度分解ꎬ而且可以较好地消除模态混叠现象ꎮ目前ꎬ该方法被应用到脑肌电信号的多尺度分析中ꎬ自适应地提取不同频率段的窄带分量[１５－１７]ꎬ取得了较好的实验结果ꎮ传递熵是概率论函数的一种信息理论函数ꎬ用于度量信号之间的信息交换ꎬ已经被证明非常适用于分析时间序列ꎬ并且在可预测性和信息传递的基础上探索其因果关系[１８]ꎮ由于传递熵考虑的是变量间的信息量传递ꎬ而不需要假定变量间具有特定形式的关系ꎬ因此比Ｗｉｅｎｅｒ￣Ｇｒａｎｇｅｒ因果分析方法具有更好的适用性ꎬ尤其是对于非线性系统[１９]ꎮ为了定量研究不同尺度上脑肌电信号之间的非线性同步耦合特征及其信息传递ꎬ本文结合多元经验模态分解与传递熵方法ꎬ构建了多元经验模态分解－传递熵ＭＥＭＤ￣ＴＥ(ＭｕｌｔｉｖａｒｉａｔｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎＴｒａｎｓｆｅｒＥｎｔｒｏｐｙ)模型ꎬ用于脑电㊁肌电耦合分析ꎮ首先采用低通滤波的方法对脑电㊁肌电信号进行预处理ꎬ其次对处理过的脑电㊁肌电信号采用ＭＥＭＤ方法进行时－频尺度化ꎬ然后计算脑电㊁肌电不同时频段的传递熵值ꎬ最后得到各个尺度上脑电㊁肌电之间的功能耦合特征ꎮ在不同静态握力(５ｋｇ㊁１０ｋｇ㊁２０ｋｇ)下进行抓握过程中ꎬ研究不同尺度上的脑电㊁肌电耦合ꎬ定量描述脑电㊁肌电信号间耦合特征和信息传递方向ꎬ为进一步探索运动功能障碍的产生机理及康复过程中的运动功能评价方法提供依据ꎮ１㊀实验数据采集和预处理１.１㊀实验数据采集人类在做动作时需要大脑皮层运动和感觉区的参与和协调ꎬ研究表明运动皮质区呈左右交叉㊁上下颠倒的模式支配身体所有的运动和控制方式ꎬ即某一侧掌管的是对侧的肢体运动功能ꎬ比如左脑与右手动作相关ꎬ右脑与左手动作相关[２０]ꎮ因此本文重点对Ｃ３与右手部分肌肉和Ｃ４与左手部分肌肉进行了实验分析ꎮ本实验共有１０名受试者(６名健康人Ｓ１~Ｓ６ꎬ均为右利手ꎬ２５岁ꎻ４名脑卒中患者Ｓ７~Ｓ１０ꎬ其中Ｓ８为左利手ꎬ其余均为右利手ꎬ４６.５ʃ１.０岁)ꎬ１０人均被告知实验详情ꎬ签署了知情同意书ꎮ本实验采用１２８导ＢｒａｉｎＡｍｐＤＣ脑电采集系统同步采集ＥＥＧ和ＥＭＧ信号ꎬ记录了３２路ＥＥＧ信号ꎬ以及左右手桡侧腕屈肌ＦＥＲ(ＦｌｅｘｏｒＥａｒｐｉＲａｄｉａｌｉｓ)和肱三头肌ＴＢ(ＴｒｉｃｅｐｓＢｒａｃｈｉｉ)处的ＥＭＧ信号ꎬ实验采集环境如图１所示ꎮ图１㊀实验采集环境在电极安放之前ꎬ头皮必须要吹洗干净ꎬ皮肤表面也需要用酒精擦拭干净ꎬ采样频率为１０００Ｈｚꎬ采样时间为５秒ꎮ６名健康受试者左右手分别进行五组５ｋｇ㊁１０ｋｇ和２０ｋｇ的抓握ꎬ而对于４名患者ꎬ考虑５０９传㊀感㊀技㊀术㊀学㊀报ｗｗｗ.ｃｈｉｎａｔｒａｎｓｄｕｃｅｒｓ.ｃｏｍ第３１卷到其身体状况ꎬ因此只进行了左右手五组５ｋｇ㊁１０ｋｇ的抓握ꎮ实验中ꎬ每一次抓握工作完成后均会有１５ｓ的休息时间ꎬ防止肌肉疲劳对ＥＭＧ信号造成干扰ꎮ１.２㊀ＥＥＧ和ＥＭＧ的数据预处理由于ＥＥＧ和ＥＭＧ信号十分微弱ꎬ极易受到干扰ꎬ本文利用数字滤波器对脑肌电信号分别进行０~７５Ｈｚ[２１]的低通滤波ꎬ用于脑电㊁肌电同步分析[２２－２３]ꎮ２㊀脑肌电信号的多元经验模态分解－传递熵分析为了研究不同时频尺度间的脑电㊁肌电非线性同步耦合特征ꎬ本文构建了多元经验模态分解－传递熵模型ꎬ应用于脑电㊁肌电信号的耦合分析中ꎮ首先对脑电㊁肌电信号进行多元经验模态分解得到不同频率成分的尺度信息ꎬ然后使用传递熵的分析方法ꎬ计算出脑电和肌电之间的传递熵值ꎬ得到不同频段上脑电㊁肌电信号的功能耦合特征ꎮ２.１㊀多元经验模态分解ＭＥＭＤ可以实现多元信号振荡模式的多通道同步联合分析ꎬ获得不同通道的共同模式ꎬ确保了本征模态函数分量在数量上和尺度上匹配ꎬ解决了多通道信号的模式校准问题ꎮ对于一个ｎ维向量数据{ｖ(ｔ)}Ｔｔ＝１＝{ｖ１(ｔ)ꎬｖ２(ｔ)ꎬ ꎬｖｎ(ｔ)}ꎬ表示一个ｎ元信号ꎬ信号的长度为Ｔꎬｘθｋ＝[ｘｋ１ꎬｘｋ２ꎬ ꎬｘｋｎ]表示在(ｎ－１)维球面上对应角θｋ＝{θｋ１ꎬθｋ２ꎬ ꎬθｋｎ－１}的方向向量集ꎬ如果要在球面上建立Ｋ个方向向量ꎬ那么ｋ＝１ꎬ２ꎬ３ꎬ ꎬＫꎮ以上述定义ꎬＭＥＭＤ算法的步骤[１４]如下:①采用Ｈａｍｍｅｒｓｌｅｙ序列采样法ꎬ在ｎ－１维球面上获得适宜的维空间的方向向量[２４]ꎻ②计算输入信号{ｖ(ｔ)}Ｔｔ＝１在第ｋ个方向向量ｘθｋ上的投影为{ｐθｋ(ｔ)}Ｔｔ＝１ꎬｋ为方向向量的总数ꎻ③找到方向向量的投影信号{ｐθｋ(ｔ)}Ｋｋ＝１极值对应的瞬时时刻{ｔθｋｉ}Ｋｋ＝１ꎬｉ表示极值点位置ꎬｉɪ[１ꎬＴ]ꎻ④用多元样条差值函数差值极值点[ｔθｋｉꎬｖ(ｔθｋｉ)]得到Ｋ个多元包络{ｅθｋ(ｔ)}Ｋｋ＝１⑤对于球空间Ｋ个方向向量ꎬ局部均值可由下式计算ｍ(ｔ)＝１ＫðＫｋ＝１ｅθｋ(ｔ)(１)⑥通过ｄ(ｔ)＝ｖ(ｔ)－ｍ(ｔ)提取固有模态函数ｄ(ｔ)ꎬ如果ｄ(ｔ)满足多元模态函数ＩＭＦ判断标准[２５]ꎬ那么就将ｖ(ｔ)－ｍ(ｔ)代入第２步当作输入信号ꎬ从第２步开始到第６步提取新的多元ＩＭＦ分量ｄ(ｔ)ꎮ经过多次ＭＥＭＤ分解ꎬ原始的ｎ元信号{ｖ(ｔ)}Ｔｔ＝１＝{ｖ１(ｔ)ꎬｖ２(ｔ)ꎬ ꎬｖｎ(ｔ)}被分解为一系列ＩＭＦ分量{ｄ(ｔ)}ｑｉ＝１和余量ｒ(ｔ)的和ꎬ如下式:ｖ(ｔ)＝ðｑｉ＝１ｄｉ(ｔ)＋ｒ(ｔ)(２)式中:ｑ表示ＩＭＦ的个数ꎬｄｉ(ｔ)＝{ｄｉꎬ１(ｔ)ꎬｄｉꎬ２(ｔ)ꎬꎬｄｉꎬｎ(ｔ)}ꎬｒｉ(ｔ)＝{ｒｉꎬ１(ｔ)ꎬｒｉꎬ２(ｔ)ꎬ ꎬｒｉꎬｎ(ｔ)}分别对应于ｎ元信号的ｎ组ＩＭＦ分量和ｎ个余量ꎮｎ元信号每一元变量对应的ＩＭＦ在各通道中按频率尺度对齐ꎬ形成多元ＩＭＦꎮ２.２㊀传递熵在信息熵的基础上[２６]ꎬＳｃｈｒｅｉｂｅｒ提出了传递熵ꎬ用来度量两个时间序列之间有向信息的传递ꎮＡ到Ｂ的传递熵实质为Ａ的信息对于Ｂ不确定性大小的改变ꎬ即Ａ传递给Ｂ的信息量的大小ꎮ假设存在一组一元ＥＥＧ信号的时间序列为Ｘ＝{ｘ１ꎬｘ２ꎬ ꎬｘＴ}ꎬ一组一元ＥＭＧ信号的时间序列为Ｙ＝{ｙ１ꎬｙ２ꎬ ꎬｙＴ}ꎬＴ为时间序列的长度ꎬ对上述两组时间序列进行ＭＥＭＤ分解ꎬ得到与时频尺度对应的时间序列分别为{Ｘｋ}(ｋ＝１ꎬ２ꎬ ꎬｑ)和{Ｙｋ}ꎬ其中ｑ代表ＥＥＧ与ＥＭＧ信号分解所得的ＩＭＦ分量的个数ꎮ熵率表示为下一次观测值Ｘ的值所需要的附加信息[２７]ꎬ在给定两组时间信号下ꎬ观测值Ｘ的熵率定义如下:ｈ１＝－ðｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎｐ(ｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎ)ｌｏｇｐ(ｘｋｎ＋ｔ｜ｘｋｎꎬｙｋｎ)(３)在ｘｋｎ＋ｔ和ｙｋｎ独立的情况下ꎬ定义另一组熵率ꎬｈ２＝－ðｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎｐ(ｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎ)ｌｏｇｐ(ｘｋｎ＋ｔ｜ｘｋｎ)(４)式中:ｎ为离散的时间指标ꎬｔ为预测时间ꎬｘｋｎꎬｙｋｎ分别为Ｘ和Ｙ的第ｋ个分量的延迟向量ꎬｐ( )为变量之间的联合概率ꎮ从Ｙｋ到Ｘｋ的传递熵为:ＴＹｋңＸｋ＝ｈ２－ｈ１＝ðｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎｐ(ｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎ)ｌｏｇｐ(ｘｋｎ＋ｔ｜ｘｋｎꎬｙｋｎ)ｐ(ｘｋｎ＋ｔ｜ｘｋｎ)æèçöø÷＝㊀ðｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎｐ(ｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎ)ｌｏｇｐ(ｘｋｎ＋ｔꎬｘｋｎꎬｙｋｎ)ｐ(ｘｋｎ)ｐ(ｘｋｎ＋ｔꎬｘｋｎ)ｐ(ｘｋｎ＋ｔꎬｙｋｎ)(５)式中:ＴＹｋңＸｋ表示ＥＭＧ的第ｋ个分量到ＥＥＧ的第ｋ个分量的传递熵值ꎮ同理ꎬ从Ｘｋ到Ｙｋ的传递熵为:ＴＸｋңＹｋ＝ðｙｋｎ＋ｔꎬｙｋｎꎬｘｋｎｐ(ｙｋｎ＋ｔꎬｙｋｎꎬｘｋｎ)ｌｏｇｐ(ｙｋｎ＋ｔꎬｙｋｎꎬｘｋｎ)ｐ(ｙｋｎ)ｐ(ｙｋｎ＋ｔꎬｙｋｎ)ｐ(ｙｋｎꎬｘｋｎ)(６)式中:ＴＸｋңＹｋ表示ＥＥＧ的第ｋ个分量到ＥＭＧ的第ｋ个分量的传递熵值ꎮ该传递熵值的大小说明了该频段内皮层肌肉耦合的强弱ꎮ６０９第６期马鹏刚ꎬ佘青山等:基于多元经验模态分解－传递熵的脑肌电信号耦合分析㊀㊀３ 实验结果与分析本文采用基于多元经验模态分解－传递熵方法对同步采集的ＥＥＧ和ＥＭＧ信号进行功能耦合分析ꎮ对１０位受试者(Ｓ１~Ｓ１０)同步采集的脑电㊁肌电信号ꎬ分别采用ＥＭＤ㊁ＥＥＭＤ和ＭＥＭＤ方法进行分解ꎮ其中ꎬＥＥＭＤ方法的参数选择按照文献[１０]进行ꎬ经过多次试验ꎬ添加的白噪声序列的幅值系数为０.０５ꎬ算法执行总次数为１００次ꎮ图２所示为受试者Ｓ１脑电㊁肌电(ＥＥＧ信号Ｃ４㊁左手肱三头肌㊁左手桡侧腕屈肌)共３个通道的分解结果ꎮ７０９传㊀感㊀技㊀术㊀学㊀报ｗｗｗ.ｃｈｉｎａｔｒａｎｓｄｕｃｅｒｓ.ｃｏｍ第３１卷８０９第６期马鹏刚ꎬ佘青山等:基于多元经验模态分解－传递熵的脑肌电信号耦合分析㊀㊀图２㊀受试者Ｓ１的脑电㊁肌电信号分解结果㊀㊀由图２可见ꎬＥＭＤ和ＥＥＭＤ适合处理单通道数据ꎬ但是不能同时分析多通道信号ꎮ在图２(ａ)中可以清晰看出ＥＭＤ方法对于三路信号的分解所产生的ＩＭＦ分量完全不相同ꎬ由图２(ｂ)可以看出ＥＥＭＤ９０９传㊀感㊀技㊀术㊀学㊀报ｗｗｗ.ｃｈｉｎａｔｒａｎｓｄｕｃｅｒｓ.ｃｏｍ第３１卷分解虽然产生了相同的ＩＭＦ分量个数ꎬ但是其不适合多通道同时分解ꎬ因此可能会存在同一尺度ＩＦＭ分量脑肌电信号频段不一致的问题ꎮ由图２(ｃ)可以看出ꎬＭＥＭＤ可以同时分析多通道信号ꎬ并且ＩＭＦ分量的个数相同ꎮ由于本文研究重点为０~７５Ｈｚ频段内的皮层肌肉耦合关系ꎬ因此在频段外ＩＭＦ分量不再考虑ꎮ图４给出了３种方法对受试者Ｓ１脑电信号Ｃ４的时频分析结果ꎬ其中奇数列为ＩＭＦ分量ꎬ偶数列为其对应的频谱图ꎮ由图３(ａ)㊁３(ｂ)可见ꎬＥＭＤ和ＥＥＭＤ假的低频分量ꎮ图３(ｃ)为ＭＥＭＤ分解结果ꎬ该方法可以分解出按先后顺序由高到低排列的多元ＩＭＦ频率分量ꎬ有效抑制了模态混叠现象ꎮ考虑到脑电㊁肌电耦合分析中存在信息流延迟的问题ꎬ因此最终结果分析之前还需要进行传递熵预测时间参数的选择ꎬ即式(５)和式(６)中的ｔ值ꎮ研究发现在脑电㊁肌电耦合相关分析中ꎬ信息流延迟时间主要在２０ｍｓ~３０ｍｓ之间[２８]ꎬ传递熵峰值出现的地方就是所对应预测时间的最优参数ꎮ本文分析了在不同静态握力下６名健康受试者和４名脑卒中患者的平均传递熵值随预测时间ｔ的变化规律ꎬ结果如表１所示ꎮ图３㊀受试者Ｓ１的脑电信号Ｃ４的时频分解结果表１㊀预测时间参数的确定受试者Ｓ１Ｓ２Ｓ３Ｓ４Ｓ５Ｓ６Ｓ７Ｓ８Ｓ９Ｓ１０Ｌ５－ＦＥＲ２３２０２９２７２８２９２０３０２３２７Ｌ１０－ＦＥＲ２２２０２１２２２９２８２３２１２６２４Ｌ２０－ＦＥＲ２６２８２８２０２３２０Ｒ５－ＦＥＲ２２２７２４２１２１２５２８２０２４２９Ｒ１０－ＦＥＲ２０２１２１２４２２２５２１２９２９２０Ｒ２０－ＦＥＲ２２２１２５２９２９２６Ｌ５－ＴＢ２８２７２７２３２３２０２１２１２６２３Ｌ１０－ＴＢ２９２６２４２０２１２９２６２５２２２８Ｌ２０－ＴＢ２３３０３０３０３０２６Ｒ５－ＴＢ２１２０２２２０２２２６２６２１２３２０Ｒ１０－ＴＢ２６２３２６３０２０２５２４２１２９２５Ｒ２０－ＴＢ２８２９２３２８２０２６㊀㊀为了进一步探究ＥＥＧ和ＥＭＧ在不同耦合方向(ＥＥＧңＥＭＧꎬＥＭＧңＥＥＧ)上㊁不同频段间的耦合特征ꎬ根据式(５)和式(６)计算出６名受试者脑电㊁肌电信号不同尺度间的ＭＥＭＤ￣ＴＥ值ꎮ对受试Ｓ１~Ｓ６的ＥＥＧ和ＥＭＧ信号分别进行ＭＥＭＤ分解ꎬ得到各个ＩＭＦ分量的带宽及其所对应的功能频段ꎮ以受试者Ｓ２为例ꎬ对５ｋｇ力度下左手抓握动作时所采集的信号进行分解ꎬ得到的ＩＭＦ分量的带宽和对应频段结果列于表２ꎮ从表２中可以看出ꎬ三路信号分解得到的ＩＭＦ数量相同ꎬ尺度大小依次对应ꎬ物理意义明确ꎮ０１９第６期马鹏刚ꎬ佘青山等:基于多元经验模态分解－传递熵的脑肌电信号耦合分析㊀㊀图４㊀健康受试者Ｓ２不同尺度下的ＴＥ值表２㊀受试者Ｓ１ＭＥＭＤ分解后各分量的带宽及其所对应的功能频段信号分量带宽范围/Ｈｚ对应功能频段信号分量带宽范围/Ｈｚ对应功能频段信号分量带宽范围/Ｈｚ对应功能频段ＩＭＦ１４０~７５ｇａｍｍａＩＭＦ１４５~７０ｇａｍｍａＩＭＦ１４５~７０ｇａｍｍａＩＭＦ２２０~４０ＩＭＦ２２０~４０ＩＭＦ２２０~４０ＩＭＦ３１３~２５ｂｅｔａＩＭＦ３１３~２５ｂｅｔａＩＭＦ３１３~２５ｂｅｔａＣ４ＩＭＦ４８~１５ＴＢＩＭＦ４８~１５ＦＥＲＩＭＦ４８~１５ＩＭＦ５４~１０ｔｈｅｔａＩＭＦ５４~９ｔｈｅｔａＩＭＦ５４~９ｔｈｅｔａＩＭＦ６２~５ｄｅｌｔａＩＭＦ６２~６ｄｅｌｔａＩＭＦ６２~６ｄｅｌｔａＩＭＦ７１~３ＩＭＦ７１~３ＩＭＦ７１~３㊀㊀为进一步比较所有受试者皮层肌肉频段间耦合的差异性ꎬ提取所有受试者ＥＥＧңＥＭＧ㊁ＥＭＧңＥＥＧ方向上各频段间耦合的ＭＥＭＤ￣ＴＥ值ꎮ图４给出了受试者Ｓ２(健康)和Ｓ８(脑卒中)的左手动作时脑电㊁肌电耦合的ＭＥＭＤ￣ＴＥ值与ＥＥＭＤ￣ＴＥ值(其他受试者的结果与此相似)ꎮ由图４和图５可见ꎬ在本文研究频段内ꎬ受试者皮层肌肉耦合及信息传递特征具有相似性ꎬ皮层肌肉功能耦合是双向的ꎬ这与１１９传㊀感㊀技㊀术㊀学㊀报ｗｗｗ.ｃｈｉｎａｔｒａｎｓｄｕｃｅｒｓ.ｃｏｍ第３１卷文献[２８]的研究结果一致ꎬ共同体现了特定运动模式下皮层－肌肉的控制环路特征ꎬ皮层的运动指令下行到达肌肉ꎬ同时也伴随着来自收缩肌肉的传入神经反馈过程[２９]ꎮ同时发现ꎬ无论是左手动作还是右手动作ꎬ无论是健康人还是病人ꎬ在高频段(４０Ｈｚ~７５Ｈｚ)脑电对肌电的耦合强度大于肌电对脑电的耦合强度ꎬ如图中的黑色方框内所示ꎮ这可能是由于在维持恒定握力输出过程中ꎬ运动皮层需要进行信息整合并将其传递至肌肉ꎬ体现了感觉反馈与运动控制机理之间的方向性同步震荡的差异性ꎮ图４和图５中虚线为ＥＥＭＤ分解结果ꎬ可以看出该方法结果与ＭＥＭＤ分解出的结果曲线类似ꎬ但是在高频段ＥＥＭＤ并不能正确表征脑电㊁肌电的耦合特性ꎬ如图中红色框内所示ꎮ图５㊀脑卒中受试者Ｓ８不同尺度下的ＴＥ值㊀㊀接下来ꎬ分别对６名健康人和４名患者(Ｂ表示脑卒中患者)的脑电㊁肌电耦合结果进行统计分析ꎮ首先对６名健康人做不同力度的左手动作时脑电(Ｃ４)㊁右手动作时脑电(Ｃ３)与肌电(ＦＥＲꎬＴＢ)信号在高频段上的ＭＥＭＤ￣ＴＥ值取平均和方差ꎻ然后对４名患者的数据做相同的处理ꎬ所得结果如图６所示ꎮ可以发现在高频段无论是左手动作还是右手动作ꎬ脑电对肌电的ＭＥＭＤ￣ＴＥ值均大于肌电对脑电的ＭＥＭＤ￣ＴＥ值ꎬ再次验证了上述文中结果ꎮ为进一步说明不同力度下ＭＥＭＤ￣ＴＥ关系的差异ꎬ将引入一个新的变量ＭＥＭＤ￣ＴＥ比ꎬ指的是某个尺度的ＭＥＭＤ￣ＴＥ值占整个研究频谱ＭＥＭＤ￣ＴＥ值总和的百分比ꎬ可用如下公式表示:ｐ＝ＴＸｄңＹｄðｑｋ＝１ＴＸｋңＹｋ(７)式中:ＴＸｄңＹｄ可由式(５)和式(６)得到ꎬ表示在尺度ｄ上ꎬＸ对Ｙ的ＭＥＭＤ￣ＴＥ值ꎻðｑｋ＝１ＴＸｋңＹｋ表示所研究尺度和的ＭＥＭＤ￣ＴＥ值ꎮ对表３中数据进行显著性校验ꎬ四组数据的方差齐性检验Ｆ值依次为０.８３５㊁０.５２９㊁０.１５４㊁０.７８３ꎬ可见大于０.０５ꎬ说明不同力度下方差基本一致ꎮ再进一步进行单因素方差分析ꎬＰ值依次为０.１０３㊁图６㊀高频段上不同受试者不同力度时的脑电㊁肌电耦合特性０.１２８㊁０.０７３㊁０.０８１ꎬ因此认为脑电信号对肌电信号的ＭＥＭＤ￣ＴＥ值在不同力度下没有显著性差别ꎬ这与本文图４和文献[３０]研究结果基本一致ꎮ２１９第６期马鹏刚ꎬ佘青山等:基于多元经验模态分解－传递熵的脑肌电信号耦合分析㊀㊀表３㊀Ｇａｍａ频段上脑电信号对肌电信号的ＭＥＭＤ￣ＴＥ值比受试者左手:Ｃ４ңＦＥＲ５ｋｇ１０ｋｇ２０ｋｇ右手:Ｃ３ңＦＥＲ５ｋｇ１０ｋｇ２０ｋｇＳ１０.２３６００.１９０２０.１９３３０.２２７８０.２３３５０.１７０９Ｓ２０.２１８８０.２６５４０.２０７４０.２１７８０.１４６２０.１８９６Ｓ３０.２１５１０.２１４１０.２２６３０.２５９５０.２３９４０.１７８８Ｓ４０.２０２６０.１９７９０.２４５５０.２３９００.２４９００.２２４９Ｓ５０.３１３３０.１４８１０.１７９７０.２９６３０.２２７００.２４４９Ｓ６０.２７４５０.１９８８０.１８６３０.２４０９０.２７６６０.２００４受试者左手:Ｃ４ңＴＢ５ｋｇ１０ｋｇ２０ｋｇ右手:Ｃ３ңＴＢ５ｋｇ１０ｋｇ２０ｋｇＳ１０.２４５７０.２０３６０.１７０９０.２１１００.２４０３０.１８０４Ｓ２０.２５０００.２４７８０.１８９６０.２５０１０.１８０３０.２３２８Ｓ３０.２１３４０.２０６５０.１７８８０.２８７７０.２０７２０.２２４９Ｓ４０.２２３２０.２０１１０.１８０１０.２４５４０.２１８１０.２５２１Ｓ５０.２２９４０.２２０２０.２００４０.２７５６０.２１３１０.１８２１Ｓ６０.２３９６０.３１６３０.２４４９０.２３０００.２４６１０.２２４５４㊀结论本文将多元经验模态分解运用到脑电㊁肌电同步耦合分析之中ꎬ并且与传递熵结合建立了多元经验模态分解－传递熵(ＭＥＭＤ￣ＴＥ)分析模型ꎬ不仅便于提取脑肌电信号的时频特征ꎬ而且可以对不同频段上皮层肌肉耦合进行分析ꎮ将多元经验模态分解－传递熵应用于健康人和病人静态握力输出条件下脑电㊁肌电信号的同步分析ꎬ结果表明ꎬ静态握力输出时ꎬ皮层肌肉功能耦合是双向的ꎬ进一步研究发现在高频段(４０Ｈｚ~７５Ｈｚ)ꎬ脑电对肌电的耦合强度大于肌电对脑电的耦合强度ꎬ体现了感觉反馈与运动机理之间的方向性同步震荡的差异性ꎮ并且对不同力度下脑肌电耦合情况进行了分析ꎬ发现不同力度对于脑电对肌电的传递熵没有显著影响ꎮ因此ꎬ本文提出的多元经验模态分解－传递熵方法对于研究不同尺度间脑肌电相互作用和信息传递起到了一定作用ꎬ可以增进对神经元通信的了解ꎬ有助于运动障碍和康复相关的临床研究ꎮ参考文献:[１]㊀ＣｏｓｔａＭꎬＧｏｌｄｂｅｒｇｅｒＡＬꎬＰｅｎｇＣＫ.ＢｒｏｋｅｎＡｓｙｍｍｅｔｒｙｏｆｔｈｅＨｕ￣ｍａｎＨｅａｒｔｂｅａｔ:ＬｏｓｓｏｆＴｉｍｅＩｒｒｅｖｅｒｓｉｂｉｌｉｔｙｉｎＡｇｉｎｇａｎｄＤｉｓｅａｓｅ[Ｊ].ＰｈｙｓｉｃａｌＲｅｖｉｅｗＬｅｔｔｅｒｓꎬ２００５ꎬ９５(１９):１９８１０２(１)－１９８１０２(４).[２]ＸｕＹꎬＭｃｃｌｅｌｌａｎｄＶＭꎬＣｖｅｔｋｏｖｉ'ｃＺꎬｅｔａｌ.ＣｏｒｔｉｃｏｍｕｓｃｕｌａｒＣｏｈｅｒ￣ｅｎｃｅｗｉｔｈＴｉｍｅＬａｇｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｔｏＤｅｌａｙＥｓｔｉｍａｔｉｏｎ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＢｉｏｍｅｄｉｃａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０１７ꎬ６４(３):５８８－６００.㊀[３]ＣｈｉａｎｇＪꎬＷａｎｇＺＪꎬＭｃｋｅｏｗｎＭＪ.ＡＭｕｌｔｉｂｌｏｃｋＰＬＳＭｏｄｅｌｏｆＣｏｒｔｉｃｏ￣ＣｏｒｔｉｃａｌａｎｄＣｏｒｔｉｃｏｍｕｓｃｕｌａｒＩｎｔｅｒａｃｔｉｏｎｓｉｎＰａｒｋｉｎｓｏｎ ｓＤｉｓｅａｓｅ[Ｊ].Ｎｅｕｒｏｉｍａｇｅꎬ２０１２ꎬ６３(３):１４９８－１５０９.[４]ＢａｂｉｌｏｎｉＣꎬＶｅｃｃｈｉｏＦꎬＢａｒｅｓＭꎬｅｔａｌ.ＦｕｎｃｔｉｏｎａｌＣｏｕｐｌｉｎｇＢｅｔｗｅｅｎＡｎｔｅｒｉｏｒＰｒｅｆｒｏｎｔａｌＣｏｒｔｅｘ(ＢＡ１０)ａｎｄＨａｎｄＭｕｓｃｌｅＣｏｎｔｒａｃｔｉｏｎＤｕｒｉｎｇＩｎｔｅｎｔｉｏｎａｌＡｎｄＩｍｉｔａｔｉｖｅＭｏｔｏｒＡｃｔｓ[Ｊ].Ｎｅｕｒｏｉｍａｇｅꎬ２００８ꎬ３９(３):１３１４－１３２３.[５]ＪｏｓｅｐｈＪＶＪ.ＯｎｔｈｅＲｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎＣｏｒｔｉｃｏｍｕｓｃｕｌａｒ(ＥＥＧ￣ＥＭＧ)ＰｈａｓｅＣｏｕｐｌｉｎｇａｎｄＭｕｓｃｕｌａｒＦａｔｉｇｕｅ[Ｄ].ＣａｐｅＴｏｗｎ:ＵｎｉｖｅｒｓｉｔｙｏｆＣａｐｅＴｏｗｎ２０１５.[６]ＹａｎｇＹꎬＳｏｌｉｓ￣ＥｓｃａｌａｎｔｅＴꎬＲｕｉｔＭＶＤꎬｅｔａｌ.ＮｏｎｌｉｎｅａｒＣｏｕｐｌｉｎｇＢｅｔｗｅｅｎＣｏｒｔｉｃａｌＯｓｃｉｌｌａｔｉｏｎｓａｎｄＭｕｓｃｌｅＡｃｔｉｖｉｔｙｄｕｒｉｎｇＩｓｏｔｏｎｉｃＷｒｉｓｔＦｌｅｘｉｏｎ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＣｏｍｐｕｔａｔｉｏｎａｌＮｅｕｒｏｓｃｉｅｎｃｅꎬ２０１６ꎬ１０(１２６):１－１１.[７]ＨｕａｎｇＮＥꎬＳｈｅｎＺꎬＬｏｎｇＳＲꎬｅｔａｌ.ＴｈｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍ￣ｐｏｓｉｔｉｏｎＭｅｔｈｏｄａｎｄｔｈｅＨｉｌｂｅｒｔＳｐｅｃｔｒｕｍｆｏｒＮｏｎ￣ＳｔａｔｉｏｎａｒｙＴｉｍｅＳｅｒｉｅｓＡｎａｌｙｓｉｓ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＲｏｙａｌＳｏｃｉｅｔｙｏｆＬｏｎｄｏｎꎬ４５４Ａ(１９９８)９０３－９９５.[８]ＬｉＳꎬＺｈｏｕＷꎬＹｕａｎＱꎬｅｔａｌ.ＦｅａｔｕｒｅＥｘｔｒａｃｔｉｏｎａｎｄＲｅｃｏｇｎｉｔｉｏｎｏｆＩｃｔａｌＥＥＧＵｓｉｎｇＥＭＤａｎｄＳＶＭ[Ｊ].ＣｏｍｐｕｔｅｒｓｉｎＢｉｏｌｏｇｙａｎｄＭｅｄｉｃｉｎｅꎬ２０１３ꎬ４３(７):８０７－８１６.[９]孟宗ꎬ戴桂平ꎬ刘彬.基于ＥＭＤ时频分析方法的性能研究[Ｊ].传感技术学报ꎬ２００６ꎬ１９(４):１０２９－１０３２.[１０]ＷｕＺꎬＨｕａｎｇＮＥ.ＥｎｓｅｍｂｌｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ:ＡＮｏｉｓｅ￣ＡｓｓｉｓｔｅｄＤａｔａＡｎａｌｙｓｉｓＭｅｔｈｏｄ[Ｊ].ＡｄｖａｎｃｅｓｉｎＡｄａｐｔｉｖｅＤａｔａＡｎａｌｙｓｉｓꎬ２００９ꎬ１(０１):１－４１.[１１]ＧöｔｚＴꎬＳｔａｄｌｅｒＬꎬＦｒａｕｎｈｏｆｅｒＧꎬｅｔａｌ.ＡＣｏｍｂｉｎｅｄｃＩＣＡ￣ＥＥＭＤＡｎａｌｙｓｉｓｏｆＥＥＧＲｅｃｏｒｄｉｎｇｓｆｒｏｍＤｅｐｒｅｓｓｅｄｏｒＳｃｈｉｚｏｐｈｒｅｎｉｃＰａ￣ｔｉｅｎｔｓｄｕｒｉｎｇＯｌｆａｃｔｏｒｙＳｔｉｍｕｌａｔｉｏｎ[Ｊ].ＪｏｕｒｎａｌｏｆＮｅｕｒａｌＥｎｇｉｎｅｅｒ￣ｉｎｇꎬ２０１７ꎬ１４(１):０１６０１１(１)－０１６０１１(１７).[１２]ＷｕＺꎬＨｕａｎｇＮＥꎬＣｈｅｎＸ.ＴｈｅＭｕｌｔｉ￣ＤｉｍｅｎｓｉｏｎａｌＥｎｓｅｍｂｌｅＥｍ￣ｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎＭｅｔｈｏｄ[Ｊ].ＡｄｖａｎｃｅｓｉｎＡｄａｐｔｉｖｅＤａｔａＡｎａｌｙｓｉｓꎬ２００９ꎬ１(０３):３３９－３７２.[１３]ＤｒａｇｏｍｉｒｅｔｓｋｉｙＫꎬＺｏｓｓｏＤ.ＶａｒｉａｔｉｏｎａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇꎬ２０１４ꎬ６２(３):５３１－５４４.[１４]ＲｅｈｍａｎＮꎬＭａｎｄｉｃＤＰ.ＭｕｌｔｉｖａｒｉａｔｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉ￣ｔｉｏｎ[Ｊ].ＰｒｏｃｅｅｄｉｎｇｓＭａｔｈｅｍａｔｉｃａｌＰｈｙｓｉｃａｌａｎｄＥｎｇｉｎｅｅｒｉｎｇＳｃｉ￣ｅｎｃｅｓꎬ２０１０ꎬ４６６(２１１７):１２９１－１３０２.[１５]ＳｈｅＱＳꎬＧａｎＨＴꎬＭａＹＬꎬｅｔａｌ.Ｓｃａｌｅ￣ＤｅｐｅｎｄｅｎｔＳｉｇｎａｌＩｄｅｎｔｉｆｉ￣ｃａｔｉｏｎｉｎＬｏｗ￣ＤｉｍｅｎｓｉｏｎａｌＳｕｂｓｐａｃｅ:ＭｏｔｏｒＩｍａｇｅｒｙＴａｓｋＣｌａｓｓｉｆｉ￣ｃａｔｉｏｎ[Ｊ].ＮｅｕｒａｌＰｌａｓｔｉｃｉｔｙꎬ２０１６ꎬ２０１６(１):１－１５.[１６]韩笑ꎬ佘青山ꎬ高云园ꎬ等.基于ＮＡ￣ＭＥＭＤ和互信息的脑电特征提取方法[Ｊ].传感技术学报ꎬ２０１６ꎬ２９(８):１１４０－１１４８.[１７]ＨａｏＨꎬＷａｎｇＨＬꎬＲｅｈｍａｎＮＵ.ＡＪｏｉｎｔＦｒａｍｅｗｏｒｋｆｏｒＭｕｌｔｉｖａｒｉ￣ａｔｅＳｉｇｎａｌＤｅｎｏｉｓｉｎｇＵｓｉｎｇＭｕｌｔｉｖａｒｉａｔｅＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏ￣ｓｉｔｉｏｎ[Ｍ].ＥｌｓｅｖｉｅｒＮｏｒｔｈ￣ＨｏｌｌａｎｄꎬＩｎｃ.２０１７:２６３－２７３.[１８]ＭｕｒａｒｉＡꎬＰｅｌｕｓｏＥꎬＧｅｌｆｕｓａＭꎬｅｔａｌ.ＡｐｐｌｉｃａｔｉｏｎｏｆＴｒａｎｓｆｅｒＥｎ￣ｔｒｏｐｙｔｏＣａｕｓａｌｉｔｙＤｅｔｅｃｔｉｏｎａｎｄＳｙｎｃｈｒｏｎｉｚａｔｉｏｎＥｘｐｅｒｉｍｅｎｔｓｉｎＴｏｋａｍａｋｓ[Ｊ].ＮｕｃｌｅａｒＦｕｓｉｏｎꎬ２０１６ꎬ５６(２):０２６００６.[１９]ＢａｒｎｅｔｔＬꎬＢａｒｒｅｔｔＡＢꎬＳｅｔｈＡＫ.ＧｒａｎｇｅｒＣａｕｓａｌｉｔｙａｎｄＴｒａｎｓｆｅｒＥｎｔｒｏｐｙａｒｅＥｑｕｉｖａｌｅｎｔｆｏｒＧａｕｓｓｉａｎＶａｒｉａｂｌｅｓ[Ｊ].ＰｈｙｓｉｃａｌＲｅｖｉｅｗＬｅｔｔｅｒｓꎬ２００９ꎬ１０３(２３):２３８７０１(１)－２３８７０１(４).[２０]应基光ꎬ王行愚.基于ＥＭＤ的左右手运动想象脑电信号分析研究[Ｊ].生物医学工程学进展ꎬ２００９ꎬ３０(３):１２５－１３０.[２１]高云园ꎬ任磊磊ꎬ张迎春ꎬ等.基于相干性的多频段脑肌电信号３１９传㊀感㊀技㊀术㊀学㊀报ｗｗｗ.ｃｈｉｎａｔｒａｎｓｄｕｃｅｒｓ.ｃｏｍ第３１卷双向耦合分析[Ｊ].传感技术学报ꎬ２０１７ꎬ３０(１０):１４６５－１４７０. [２２]ＶａｎｅｓｓａＫꎬＣｌａｕｄｉａＷꎬＭａｒｔｉｎＳꎬｅｔａｌ.Ｃｏｒｔｉｃｏ￣ＭｕｓｃｕｌａｒＣｏｕｐｌｉｎｇａｎｄＭｏｔｏｒＰｅｒｆｏｒｍａｎｃｅａｒｅＭｏｄｕｌａｔｅｄｂｙ２０ＨｚＴｒａｎｓｃｒａｎｉａｌＡｌｔｅｒ￣ｎａｔｉｎｇＣｕｒｒｅｎｔＳｔｉｍｕｌａｔｉｏｎ(ｔＡＣＳ)ｉｎＰａｒｋｉｎｓｏｎ ｓＤｉｓｅａｓｅ[Ｊ].ＦｒｏｎｔｉｅｒｓｉｎＨｕｍａｎＮｅｕｒｏｓｃｉｅｎｃｅꎬ２０１４ꎬ７(７):１－１０.[２３]ＢｒｏｗｎＰ.ＣｏｒｔｉｃａｌＤｒｉｖｅｓｔｏＨｕｍａｎＭｕｓｃｌｅ:ＴｈｅＰｉｐｅｒａｎｄＲｅｌａｔｅｄＲｈｙｔｈｍｓ[Ｊ].ＰｒｏｇｒｅｓｓｉｎＮｅｕｒｏｂｉｏｌｏｇｙꎬ２０００ꎬ６０(１):９７－１０８. [２４]ＣｕｉＪꎬＦｒｅｅｄｅｎＷ.ＥｑｕｉｄｉｓｔｒｉｂｕｔｉｏｎｏｎｔｈｅＳｐｈｅｒｅ[Ｍ].ＳｏｃｉｅｔｙｆｏｒＩｎｄｕｓｔｒｉａｌａｎｄＡｐｐｌｉｅｄＭａｔｈｅｍａｔｉｃｓꎬ１９９７:５９５－６０９.[２５]ＲｉｌｌｉｎｇＧꎬＦｌａｎｄｒｉｎＰꎬＧｏｎｃａｌｖｅｓＰ.ＯｎＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏ￣ｓｉｔｉｏｎａｎｄＩｔｓＡｌｇｏｒｉｔｈｍｓ[Ｊ].ＩＥＥＥ￣ＥＵＲＡＳＩＰＷｏｒｋｓｈｏｐｏｎＮｏｎ￣ｌｉｎｅａｒＳｉｇｎａｌａｎｄＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２００３ꎬ３(３):８－１１.[２６]ＳｈａｎｎｏｎＣＥＡ.ＡＭａｔｈｅｍａｔｉｃａｌＴｈｅｏｒｙｏｆＣｏｍｍｕｎｉｃａｔｉｏｎ.ＡＴ＆ＴＴｅｃｈＪ[Ｊ].ＡｃｍＳｉｇｍｏｂｉｌｅＭｏｂｉｌｅＣｏｍｐｕｔｉｎｇａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎｓＲｅｖｉｅｗꎬ２００１ꎬ５(１):３－５５.[２７]ＳｈａｏＳꎬＧｕｏＣꎬＬｕｋＷꎬｅｔａｌ.ＡｃｃｅｌｅｒａｔｉｎｇＴｒａｎｓｆｅｒＥｎｔｒｏｐｙＣｏｍ￣ｐｕｔａｔｉｏｎ[Ｃ]//ＰｒｏｃｅｅｄｉｎｇｏｆＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＦｉｅｌｄ￣ＰｒｏｇｒａｍｍａｂｌｅＴｅｃｈｎｏｌｏｇｙ.ＩＥＥＥꎬ２０１５:６０－６７.[２８]ＷｉｔｈａｍＣＬꎬＲｉｄｄｌｅＣＮꎬＢａｋｅｒＭＲꎬｅｔａｌ.ＣｏｎｔｒｉｂｕｔｉｏｎｓｏｆＤｅ￣ｓｃｅｎｄｉｎｇａｎｄＡｓｃｅｎｄｉｎｇＰａｔｈｗａｙｓｔｏＣｏｒｔｉｃｏｍｕｓｃｕｌａｒＣｏｈｅｒｅｎｃｅｉｎＨｕｍａｎｓ[Ｊ].ＴｈｅＪｏｕｒｎａｌｏｆｐｈｙｓｉｏｌｏｇｙꎬ２０１１ꎬ５８９(１５):３７８９－３８００.㊀[２９]ＳｃｈｅｌｔｅｒＢꎬＴｉｍｍｅｒＪꎬＥｉｃｈｌｅｒＭ.ＡｓｓｅｓｓｉｎｇｔｈｅＳｔｒｅｎｇｔｈｏｆＤｉｒｅｃｔｅｄＩｎｆｌｕｅｎｃｅｓＡｍｏｎｇＮｅｕｒａｌＳｉｇｎａｌｓＵｓｉｎｇＲｅｎｏｒｍａｌｉｚｅｄＰａｒｔｉａｌＤｉｒｅｃｔｅｄＣｏｈｅｒｅｎｃｅ[Ｊ].Ｊｏｕｒｎａｌｏｆｎｅｕｒｏｓｃｉｅｎｃｅｍｅｔｈｏｄｓꎬ２００９ꎬ１７９(１):１２１－１３０.[３０]荣瑶.大脑皮层与上肢肌肉间功能耦合与信息传输的研究[Ｄ].北京:北京工业大学ꎬ２０１３.马鹏刚(１９９２－)ꎬ男ꎬ山西长治人ꎬ硕士ꎬ从事脑肌电信号处理与分析方面的研究ꎬ９１６３０２８７４＠ｑｑ.ｃｏｍꎻ佘青山(１９８０－)ꎬ男ꎬ湖北荆州人ꎬ副教授ꎬ博士ꎬ从事生物信息处理与分析㊁机器学习㊁模式识别等领域的研究ꎬ２８９３９５７８＠ｑｑ.ｃｏｍꎮ４１９。
论文答辩通用模板
论文答辩通用模板目录一、内容概要 (2)1. 论文研究背景与意义 (3)2. 论文目的与要求 (4)3. 论文结构安排 (5)二、文献综述 (5)1. 国内外研究现状概述 (6)2. 研究空白与不足 (7)3. 研究创新点与价值 (9)三、研究方法 (10)1. 研究设计 (11)实验设计 (11)数据收集方法 (13)样本选择 (14)2. 研究步骤 (15)数据处理流程 (16)统计分析方法 (18)3. 研究假设与预期结果 (19)四、实验设计与实施 (19)1. 实验材料准备 (20)2. 实验过程记录 (21)3. 实验异常情况处理 (22)五、数据分析与结果 (23)1. 数据描述性统计 (24)2. 数据方差分析等 (24)3. 结果可视化展示 (26)4. 结果讨论与解释 (26)六、结论与建议 (28)1. 研究结论总结 (28)2. 对实践的启示与建议 (30)3. 研究局限性与未来展望 (31)一、内容概要引言部分简要介绍了本文的研究背景、研究意义、研究目的和研究范围。
首先明确研究的领域或主题背景，强调当前背景下研究课题的重要性及研究必要性。
文献综述部分详细介绍了相关领域的研究现状和发展趋势，以及本文的研究切入点和创新点。
回顾国内外关于该研究领域的理论研究成果和实验数据，概括当前研究的不足之处以及本文研究的目的和意义。
研究方法部分介绍了本文所采用的研究方法和技术路线。
包括实验设计、数据来源、研究方法的选择依据以及具体的技术流程等。
同时强调研究的可行性和可靠性。
实验结果部分详细描述了实验数据和分析结果。
通过图表和文字阐述研究结果，以直观、简明的方式呈现研究成果。
结合实验数据和文献对比，揭示结果背后的原理和机制。
讨论部分对实验结果进行深入分析和讨论。
提出可能的解释和推测，强调研究的价值和意义，同时指出研究中存在的局限性以及未来研究方向。
结论部分总结了本文的主要研究成果和结论，以及对相关领域的启示和未来展望。
文献综述 基于熵的脑电信息图对音乐感知能力神经的可塑性分析
燕山大学本科毕业设计（论文）文献综述课题名称：基于熵的脑电信息图对音乐感知能力神经可塑性研究学院（系）：信息科学与工程学院年级专业08级通信工程学生姓名：李菲菲指导教师：崔冬完成日期：2012年3月20日一、课题国内外现状近年来，研究者相继运用事件相关电位(ERP)、脑电图(EEG)、脑磁图(MEG)、正电子断层扫描(PET)以及功能性磁共振成像(functional magnetic resonance imaging，FMRI)等脑成像技术进行了大量的音乐知觉神经机制方面的研究，并取得了并取得了突破性的进展和丰硕的成果。
具体而言，国外相关研究内容和研究对象等方面主要涉及一下几个方面：1.研究内容涉及音乐句法和音乐语义的研究这些运用音乐句法违例的实验范式进行的音乐家与普通人的行为研究表明，群体之间的差异不显著或没有差异。
这都表明西方音乐的句法结构可以通过被动的学习过程或日常生活的接触而获得。
对于音乐语义的研究表明音乐信息可以预先表达意义概念的表征，同时音乐对语义加工具有系统的影响。
2.对于被试变量差异的研究①音乐专家与普通人之间的对比研究大部分实验研究中音乐专家与普通人音乐感知能力的差异证实了音乐感知能力的神经可塑性，但是在大部分实验中也表明普通人对音乐的神经知觉类似于专门接受过音乐训练的人，因此研究者认为人类普表具有音乐能力。
②年龄差异的音乐感知研究在对没有接受过正规训练的成人和儿童的观察中表明，人类具有容易的获得复杂音乐知识，并且根据这个知识(即在日常生活的倾听中获得内隐的音乐规则知识)更快、更准确的加工音乐信息的能力。
③不同性别的对比研究在已有的音乐知觉的研究中，有关性别对比的研究很少，但是一个有趣的发现表明，男孩子的早前负极性(ERAN)表现在左半球，而女孩子的这种效应表现在双侧性。
对成人而言，最近的研究结果显示，男性的早前负极性(ERAN)具有明显的右半球偏侧性，而女性是双侧分布的。
基于变尺度符号传递熵的多通道脑肌电信号耦合分析
基于变尺度符号传递熵的多通道脑肌电信号耦合分析高云园;任磊磊;周旭;张启忠;张迎春【摘要】在运动控制中,脑肌电耦合强度可以反映大脑皮层和运动肌肉之间的联系.传统的时间序列符号化方法容易混淆原始信号,丢失信号的动态特性.因此,提出可变尺度参数的符号传递熵,对上肢不同握力下的皮层脑电和表面肌电信号进行多通道耦合性分析,进而提出一种耦合强度的表示方法,对脑肌电耦合强度进行定量分析.首先,分析并比较尺度参数对脑肌电传递熵的影响,并选择优化的尺度进行符号化传递熵的计算;其次,针对不同握力下多通道脑肌电信号的分析,验证大脑运动区C3、C4通道的脑电在运动控制中占主导地位以及大脑的对侧控制机制.实验中还发现,随着握力的增强,肌电到脑电的传递熵有增大趋势,右手(惯用手)脑电到肌电的传递熵较左手的高,同时随着输出力量的增强,脑肌电的双向平均耦合强度也增大.结果分析显示:5、10、20 kg握力下,EMG→EEG方向的左手耦合强度分别为0.033 0±0.005 8、0.037 3±0.0040、0.045 1±0.005 5,右手耦合强度分别为0.0352±0.0029、0.0432±0.0035、0.0603±0.001 8,除左手5和10 kg握力间不存在显著性差异,其余都具有显著性差异(P＜0.05);EEG→EMG方向左手耦合强度分别为0.0253±0.0047、0.037 9±0.002 6、0.048 1土0.006 8,右手耦合强度分别为0.033 3±0.004 1、0.051 0±0.005 7、0.064 9±0.008 5,不同握力间均有显著性差异.研究结果表明:皮层肌肉功能耦合具有双向性,而且耦合强度在通道和握力不同时有差异.变尺度传递熵可用于定量描述大脑皮层与神经肌肉组织之间的非线性同步特征及信息交互.%The coupling strength (CS) of the electroencephalogram (EEG) and electromyogram (EMG) reflects the connection between the cerebral cortex and active muscles in motion control.Conventional symbolic transfer entropy analysis (STE) methods arelimited to effectively reveal the dynamic characteristics.In order to quantitatively analyze multi-channel EEG and EMG coupling,a variable scale symbolic transfer entropy (VSP-STE) analysis approach was proposed in this paper,and a CS expressive method was presented to quantitatively measure the corticomuscular CS of EEG and EMG signals during grip tasks.The influence of the scale parameter on EEG-EMG transfer entropy was first analyzed and compared at different grip force levels.The optimized scale parameter was then applied to the STE calculation in experimental data analysis.Results demonstrated the dominance of the C3 and C4 EEG channels in motion control,as well as the contralateral control mechanism of the brain.In addition,the premotor cortex (FC5 and FC6) also played an important role in corticomuscular coupling.Results showed that the EMG→EEG transfer entropy increased as the grip force increased (5,10,20 kg),and the right hand (dominant hand) showed higher EEG→EMG transfer entropy than the left hand in all the 3 subjects.The two-way (EEG→EMG,EMG→EEG) coupli ng strengths were also increased as the grip force increased.The statistical analysis showed that at 5,10,20 kg grip force levels,EMG→ EEG coupling strength of left hand was 0.0330 ±0.0058,0.0373 ± 0.0040,0.0451 ± 0.0055 respectively,and that of right han d was 0.0352 ± 0.0029,0.0432 ± 0.0035,0.0603 ± 0.0018 respectively.There was a significant difference (p ＜ 0.05) of coupling strength,except for that between 5 kg and 10 kg of grip force in left hand.For EEG→EMG,coupling strength of left hand is 0.0253 ± 0.0047,0.0379 ±0.0026,0.0481±0.0068,and that of right hand is 0.0333 ±0.0041,0.0510±0.0057,and 0.0649 ±0.0085 respectively.The difference of coupling strength was significant for all.In conclusion,our results show that corticomuscular coupling is a two-way process and the coupling strength varies with different channels and gripping strength.VSP-STE can be used to describe the nonlinear synchronizing characteristics and information interaction of the cerebral cortex and neuromuscular tissue.【期刊名称】《中国生物医学工程学报》【年(卷),期】2018(037)001【总页数】9页(P8-16)【关键词】耦合;多通道;符号传递熵;脑肌电信号【作者】高云园;任磊磊;周旭;张启忠;张迎春【作者单位】杭州电子科技大学自动化学院机器人研究所,杭州310018;杭州电子科技大学自动化学院机器人研究所,杭州310018;杭州电子科技大学自动化学院机器人研究所,杭州310018;广东省工伤康复中心,广州510900;杭州电子科技大学自动化学院机器人研究所,杭州310018;广东省工伤康复中心,广州510900;休斯顿大学生物医学工程系,美国休斯顿77204【正文语种】中文【中图分类】R318引言脑电信号(electroencephalogram, EEG)是通过电极记录到的大脑神经群自发或者节律性活动所产生的信号，它反映了大脑功能区神经细胞群活动时的电位变化。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文献综述
综述 1
Innovation
点击此处添加 “标题内容”
您的内容打在这里，或者通过复制您的文本后，在此框中选择 粘贴，并选择只保留文字。您的内容打在这里，或者通过复制 您的文本后您的内容打在这里，您的内容打在这里，或者通过 复制您的文本后，在此框中选择粘贴，并选择只保留文字。
2
点击此处添加 “标题内容”
您的内容打在这里，或者通过复制 您的文本后，在此框中选择粘贴
总结：基于多尺度互模式熵的脑电信号 耦合分析
内容123 基于多尺度互模式熵的脑电信号耦合分析基于多尺度互模式熵的脑电信号耦合 分析基于多尺度互模式熵的脑电信号耦合分析基于多尺度互模式熵的脑电信号 耦合分析 基于多尺度互模式熵的脑电信号耦合分析基于多尺度互模式熵的脑电信号耦合 分析基于多尺度互模式熵的脑电信号耦合分析 308874
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。 您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。
第 10 页
主要贡献与创新
01
您的内容打在 这里，或者通过复 制您的文本后，在 此框中选择粘贴， 并选择只保留文字。
02
您的内容打在 这里，或者通过复
理论基础 贝尔模型 集群品牌形象特点 相关文献资料
第 13 页
研究思路
01 添加标题内容
您的内容打在这里，或者 通过复制您的文本后，在 此框中选择粘贴，并选择
02 添加标题内容
1
2
您的内容打在这里，或者 通过复制您的文本后，在 此框中选择粘贴，并选择 只保留文字。
只保留文字。
03 添加标题内容
您的内容打在这里，或者 通过复制您的文本后，在 此框中选择粘贴，并选择 只保留文字。
您的内容打在这里，或者通过复制您的文本后，在此框中选择 粘贴，并选择只保留文字。您的内容打在这里，或者通过复制 您的文本后您的内容打在这里，您的内容打在这里，或者通过 复制您的文本后，在此框中选择粘贴，并选择只保留文字。
主要贡献与创新
添加标题内容
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。您的内容打在这里，或者通过 复制您的文本后，在此框中选择粘贴，并选择只保留文字。
03
您的内容打在 这里，或者通过复
04
您的内容打在这 里，或者通过复制
制您的文本后，在 此框中选择粘贴， 并选择只保留文字。
制您的文本后，在 此框中选择粘贴， 并选择只保留文字。
您的文本后，在此 框中选择粘贴，并 选择只保留文字。
第 11 页
过渡页
Part
2
思路与方法
2-1 研究思路 2-2 研究方法 2-3 可行性说明
选题背景
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。您的内容打在这里， 或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。您的内容打在这里，或者通过复制您的
文本后，在此框中选择粘贴，并选择只保留文字。您的内容打在这里，或者通过复制您的文本后，在此框中
选择粘贴，并选择只保留文字。
内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。
国外 现状
单击此处添加标题
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留 文字。在此录入上述图表的综合描述说明，在此录入上述图表的综合描述说明您的
内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留文字。
添加标题
您的内容打在这里，或者通 过复制您的文本后，在此框 中选择粘贴，并选择只保留
添加标题 标题
您的内容打在这里，或者通 过复制您的文本后，在此框 中选择粘贴，并选择只保留
研究意义
添加标题
您的内容打在这里，或者通过复制您的文本后，在此框中选择 粘贴，并选择只保留文字。在此录入上述图表的综合描述说明。
基于多尺度互模式熵的脑电信号耦合分析
副标题：XX学位研究生论文答辩材料 汇报人：××× 编号： 345928
目录
CONTENTS
研究成果与应用
研究方法与思路
关键技术与实践难点 绪论
相关建议与论文总结
过渡页
Part
1
绪论
1-1 选题背景 1-2 研究意义 1-3 理论基础 1-4 贡献创新
选题背景
研究 意义
添加标题
您的内容打在这里，或者通过复制您的文本后，在此框中选择 粘贴，并选择只保留文字。
添加标题
您的内容打在这里，或者通过复制您的文本后，在此框中选择 粘贴，并选择只保留文字。在此录入上述图表的综合描述说明。
国内外相关研究综述
国内 现状
单击此处添加标题
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选择只保留 文字。在此录入上述图表的综合描述说明，在此录入上述图表的综合描述说明您的
理论基础与文献综述
01 输入内容 02 输入内容 03 输入内容 04 输入内容 05 输入内容
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选 择只保留文字。您的内容打在这里，在此框中选择粘贴，并选择只保留文字。
您的内容打在这里，或者通过复制您的文本后，在此框中选择粘贴，并选 择只保留文字。您的内容打在这里，在此框中选择粘贴，并选择只保留文字。
添加标题内容五
您的内容打在这里，或者通过复制 您的文本后，在此框中选择粘贴
添加标题内容四
您的内容打在这里，或者通过复制 您的文本后，在此框中选择粘贴
添加标题内容三
您的内容打在这里，或者通过复制 您的文本后，在此框中选择粘贴
添加标题内容二
您的内容打在这里，或者通过复制 您的文本后，在此框中选择粘贴
添加标题内容一
第 12 页
研究思路
数据来源 上海 杭州 宁波等地 山核桃产业相关机构
数 据 整 理 参 考
数据来源 上海 杭州 宁波等地 山核桃产业相关机构
四项维度 产品形象 文化传承 区位环境 产业形象
结 论
分 析
建议
理论基础 贝尔模型 集群品牌形象特点 相关文献资料
理论基础 贝尔模型 集群品牌形象特点 相关文献资料
3
4
04 添加标题内容
您的内容打在这里，或者 通过复制您的文本后，在 此框中选择粘贴，并选择 只保留文字。
第 14 页
基于多尺度互模式熵的脑电信号耦合分析工作内容阐述: 994815
添加相关内容： 815644基于多尺度互模式熵的脑电信号耦合分析基于多尺 度互模式熵的脑电信号耦合分析 907785基于多尺度互模式熵的脑电信号耦合分析基于多尺 度互模式熵的脑电信号耦合分析基于多尺度互模式熵的脑 电信号耦合分析 904981基于多尺度互模式熵的脑电信号耦 合分析基于多尺度互模式熵的脑电信号耦合分析基于多尺 度互模式熵的脑电信号耦合分析