第一讲 EEG信号基础
基于多尺度符号转移熵的脑电信号分析
基于多尺度符号转移熵的脑电信号分析杨孝敬;焦清局;王乙婷【摘要】无论从全局还是局部的角度出发,采用多尺度转移熵表示全局和局部两类脑电(electroencephalography, EEG)信号,并分析其动态和不对称信息.采用比例系数从1到199、步长为2的多尺度方法处理正常人和癫痫病患者的脑电信号;然后采用维度为3的全局排列方法表示序列.将正向和反向符号序列作为转移熵的输入.比例因子的间隔和全局路径分别为(37,57)和(65,85),分析发现两组EEG信号的熵值在该处较容易区分.当比例系数为67时,健康对照组和癫痫病患者的转移熵值分别为0.113 7和0.102 8,差异最大.在比例系数是165时,全局变量的相应值为0.064 1和0.060 1.研究结果表明,合适的排列有助于更好的区分脑电数据信息,采用多尺度符号转移熵分析EEG信号更加有效.%From both global and local perspectives, two kinds of EEG were symbolized and analyzed their dy-namic and asymmetrical information using multi-scale transfer entropy.Multi-scale process with scale factor from 1 to 199 and step size of 2 is applied to EEG of healthy people and epileptic patients, and then the permutation with embedding dimension of 3 and global approach are used to symbolize the sequences.The forward and reverse sym-bol sequences are taken as the inputs of transfer entropy.Scale factor intervals of permutation and global way are (37, 57) and (65, 85) where the two kinds of EEG have satisfied entropy distinctions.When scale factor is 67, transfer entropy of the healthy and epileptic subjects of permutation, 0.113 7 and 0.102 8, have biggest differ-ence.And the corresponding values of the global symbolization is 0.064 1 and 0.060 1 which lies in the scale fac-tor of 165.Research results show that permutation which takes contribution of local information has better distinc-tion and is more effectively applied to our multi-scale transfer entropy analysis of EEG.【期刊名称】《科学技术与工程》【年(卷),期】2018(018)016【总页数】5页(P181-185)【关键词】符号化;排列;转移熵;多尺度;癫痫病【作者】杨孝敬;焦清局;王乙婷【作者单位】安阳师范学院计算机与信息工程学院,安阳 455000;北京工业大学国际WIC研究院,北京100124;安阳师范学院计算机与信息工程学院,安阳 455000;上海交通大学电子信息与电气工程学院,上海200240;安阳师范学院计算机与信息工程学院,安阳 455000【正文语种】中文【中图分类】R741.044;TM921.5脑电图是一个典型的多组分的系统，是一种重要的生物信号并受多种因素[1]影响。
基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究
第42卷第5期自动化学报Vol.42,No.5 2016年5月ACTA AUTOMATICA SINICA May,2016基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究邹凌1严永1杨彪1李文杰1潘昌杰2周仁来3摘要脑电(Electroencephalography,EEG)与功能磁共振成像(Functional magnetic resonance imaging,fMRI)为脑科学研究提供了互补的时空信息.为研究大脑在对情绪图片采取认知重评策略时的神经活动,基于同步采集的EEG-fMRI数据,应用典型相关分析、经验模态分解及k-均值聚类等算法对融合情绪数据进行交叉关联和盲源分离,得到空间上的fMRI图像和与之对应的EEG时间演变信号.结果表明:时域上,CCA分离出的脑电成分在认知重评状态下有明显的晚期正电位(Late positive potential,LPP)(潜伏期200ms∼900ms)出现,而且认知重评策略诱发下的LPP波幅明显小于观看负性诱发的LPP波幅(F(1,224)=28.72,P<0.01),而大于观看中性诱发的LPP波幅(F(1,224)=63.32,P<0.01);与之对应的空域上,可以明显地看出和情绪调节相关的扣带回,额叶、颞叶等区域有明显激活区,采用情绪认知重评策略时的脑区激活强度明显小于观看负性状态,而大于观看中性,且观看中性状态下被激活的与情绪相关的区域相对较少.研究表明,这种融合数据分析技术通过计算两种模态数据之间潜在的线性相关性,可以有效地分离出大脑在时空上神经活动情况,达到了同时描绘出大脑神经活动的时间信息与空间信息的效果.关键词脑电,功能磁共振成像,典型相关分析,认知重评,特征融合引用格式邹凌,严永,杨彪,李文杰,潘昌杰,周仁来.基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究.自动化学报,2016,42(5):771−781DOI10.16383/j.aas.2016.c150545Feature Fusion Analysis of Simultaneously Recorded EEG-fMRI inEmotion Cognitive ReappraisalZOU Ling1YAN Yong1YANG Biao1LI Wen-Jie1PAN Chang-Jie2ZHOU Ren-Lai3Abstract Electroencephalography(EEG)and functional magnetic resonance imaging(fMRI)provide complementary spatio-temporal information for brain function study.In order to study the neural activity during the process of cognitive reappraisal strategy when emotional images are taken,canonical correlation analysis(CCA),empirical mode decomposition (EMD)and k-means clustering algorithms are used tofinish the steps of cross-correlation and blinded source separate for simultaneously acquired EEG-fMRI emotion data.Spatial maps for fMRI data and the corresponding temporal evolution features of EEG signals are thus obtained.The results show that EEG components separated by CCA in cognitive reappraisal state have obviously late positive potential(LPP),with latency from200ms∼900ms,meanwhile the amplitudes of LPP evoked by taking cognitive reappraisal strategy are less than that evoked by watching negative images (F(1,224)=28.72,P<0.01),but more than that evoked by watching neutral images(F(1,224)=63.32,P<0.01).The corresponding spatial regions have apparent activation regions,such as cingulate,frontal,temporal lobe and other regions related to emotion regulation.What is more,the activation intensity evoked by taking cognitive reappraisal strategy is significantly less than that evoked by watching negative images,while it is more than that evoked by watching neutral images.The activated areas related to emotion are small when participants are watching neutral images.This fusion data processing technology computes the potential linear correlation between two modal data,which can effectively separate neural activities of the brain both in spatial and temporal domains,and can achieve the effects of obtaining temporal and spatial information of the brain activity at the same time.Key words Electroencephalography(EEG),functional magnetic resonance imaging(fMRI),canonical correlation anal-ysis,cognitive reappraisal,feature fusionCitation Zou Ling,Yan Yong,Yang Biao,Li Wen-Jie,Pan Chang-Jie,Zhou Ren-Lai.Feature fusion analysis of simultaneously recorded EEG-fMRI in emotion cognitive reappraisal.Acta Automatica Sinica,2016,42(5):771−781收稿日期2015-09-02录用日期2016-01-25Manuscript received September2,2015;accepted January25, 2016国家自然科学基金项目(61201096,51307010),常州市科技项目(CE20145055),江苏省青蓝工程资助Supported by National Natural Science Foundation of China (61201096,51307010),Science and Technology Program of Changzhou(CE20145055),Qing Lan Project of Jiangsu Province本文责任编委潘泉Recommended by Associate Editor PAN Quan1.常州大学信息科学与工程学院常州2131642.南京医科大学附772自动化学报42卷在近一个世纪的大脑功能研究中,脑电(Elec-troencephalography,EEG)研究和功能磁共振成像(Functional magnetic resonance imaging,fMRI)研究一直处于非常重要位置.EEG信号是一种神经点活动,它是由大脑的椎体细胞产生的,其毫秒级别的时间分辨率为神经元活动提供了合适的时序动态.而EEG信号在空间分布上有很大的局限性,由于大脑中的脑脊髓液、头皮、颅骨等导体的作用,所记录到的任意一点的EEG信号都有可能是多个脑区中神经活动的混合过程,通过EEG信号反演出大脑神经活动的具体位置是国际上公认的难题.因此,EEG信号具有较低的空间分辨率,但具有很高的时间分辨率.fMRI测量的是大脑脱氧血红蛋白和含氧血红蛋白的磁化率变化引起的血氧水平依赖(Blood oxygenation level-dependent, BOLD)信号.当施加外界的刺激时,在T2加权成像上BOLD信号随之增大.fMRI所用到的空间体素大小通常为50mm3,因此在空间上为脑科学研究提供了更高的空间分辨率[1].但BOLD信号一般响应时间在1s∼5s,所以在时间分辨率上有很大的劣势.随着脑科学研究的不断深入,科学家们发现脑科学的单模态研究在时空上有很强的单方面制约性,人们希望通过对大脑的时间和空间两方面信息的整合来实现多模态观测,这对研究精神类疾病的发病机制和认知科学的研究都起到了至关重要的作用,而EEG与fMRI在时空上的互补性为两种模态研究提供了融合的可行性[2−3].该研究也为人机融合控制系统研究[4]提供了理论和实践依据,为医疗康复领域的快速发展提供动力.EEG-fMRI融合框架大致可以分为三种:1)空间约束,即基于fMRI空间约束的EEG源成像[5].该融合框架是通过对fMRI空间信息的研究,使用fMRI空间信息约束EEG信号中的源位置.其方法通常是采用独立成分分析(Independent component analysis,ICA)算法从fMRI中提取大脑功能网络的感兴趣区域(Region of interest,ROI)并以之作为EEG源定位的先验信息,其核心思想就是利用fMRI的空间先验信息来提高EEG源定位的精确度[6].2)时间预测,即基于EEG时间先验信息的fMRI成像研究.这种框架在EEG-fMRI融合研究中得到广泛应用,采用的是以EEG信息作为预测的基础上对fMRI时间进程进行建模,根据神属常州市第二人民医院影像科常州213003 3.南京大学社会学院心理系南京2100231.School of Information Science and Engineering,Changzhou University,Changzhou2131642.Department of Radiology, the Second People s Hospital of Changzhou,Affiliated of Nan-jing Medical University,Changzhou2130033.Department of Psychology,Nanjing University,Nanjing210023经活动的EEG时间信息的强度,对BOLD信号解卷积,得到和生理假设更贴切的血氧动力学函数(Hemodynamic response function,HRF).该方法通常采用ICA算法提取EEG数据中的单次试验(Trail)ERP特征作为先验信息,然后对fMRI信号进行HRF重建[7].3)融合框架为对称融合,即EEG-fMRI时空对称融合.该方法采用共同的构造模型来融合两种模态的数据,通常采用ICA算法对EEG与fMRI数据分别在时间和空间上做独立成分分解,之后基于EEG和fMRI的独立成分,分别在空间模式和时间过程上建模.时空对称融合方法结合空间约束和时间预测两种模型并进行时空的并行整合来达到时间和空间上的融合[8].典型相关分析(Canonical correlation analysis,CCA)方法基于线性混合模型从各组数据中分别提取相关的典型相关成分(EEG的时间信息、fMRI的空间信息),通过寻找两种模态数据的最大共变性确定数据集中成分之间的相关性,并计算相关系数.可以通过这种方法确定与EEG波形相类似的fMRI激活区域的动力学响应.与使用单一变量确定EEG一个潜伏期内特征和单个fMRI激活区域之间关系的方法不同,这种方法可以确定若干潜伏期的波形特征和一些fMRI激活区域之间的关系.因此CCA方法可以更好应用于研究脑功能区域定位和神经元之间的功能连接,应用到多被试、多模态的数据处理之中[9].近年来情绪认知重评的研究越来越热门,已经成为认知神经学、临床医学、社会学等诸多领域的热门话题.认知重评是先行关注策略的一种发生在个体情绪产生的早期,就是要通过转变认知视角以调整情绪事件对自身的影响,通常通过对类似恶心、恐惧、自卑等负性事件的重新看待来淡化负性情绪的影响以此达到认知重评的目的[10].在情绪认知重评的国内外研究中,通常对单一模态数据单独进行分析.通过对情绪调节过程中所产生的EEG信号的研究,发现事件相关电位(Event related potential,ERP)的一个重要成分—晚期正电位(Late positive potential,LPP)反映了对情绪的调节作用[11].LPP波幅会在300ms左右呈现一个正向的波形并在300ms∼800ms达到最大值,之后逐渐降低[12−13].fMRI技术也是情绪认知研究的重要方法,fMRI技术能够从空间角度描述大脑中哪些脑区参与了情绪的调节.研究表明,在使用调节策略时,大脑的扣带回、额叶、颞叶等区域会发生不同程度的激活,基于这一情况来研究大脑内部的神经活动[14].本文采用经典情绪认知重评视觉刺激实验范式,通过同步EEG-fMRI采集技术,获得EEG和fMRI 数据,结合EEG较高的时间分辨率和fMRI较高5期邹凌等:基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究773的空间分辨率的优势,从时域和空域两个角度同时研究大脑在认知重评时的神经活动.首先,对采集到的数据进行预处理,去除EEG信号中在核磁环境下所产生梯度场噪声和心电、眼电、肌电等噪声,对fMRI图像进行时间校准、头动校正、空间标准化、空间平滑等预处理;然后,分别对预处理之后EEG 与fMRI数据做特征提取,提取EEG中ERP潜伏期内的波幅特征并使用HRF函数对EEG时间序列进行卷积,运用聚类的方法和标准脑模板—自动解剖图集(Anatomical automatic labeling,AAL)提取fMRI中的感兴趣区域;最后,使用CCA算法计算这两种模态数据之间的相关性,找出相关系数较大的成分,并研究其时间信息与空间信息,观察LPP时,空间上的激活区域是否与情绪变化相关.研究表明,通过CCA融合框架得到的LPP成分在500ms达到最大,并且采用认知重评策略的LPP 波幅低于观看负性的LPP波幅而高于观看中性的LPP波幅;在fMRI激活区域方面,在降低负性状态下参与情绪加工的杏仁核、额叶和扣带回等感兴趣区域的激活强度明显低于观看负性的感兴趣区域,并且高于观看中性的感兴趣区域.因此,CCA融合框架可以准确地获得情绪认知重评EEG-fMRI时间和空间上的融合信息.1方法融合框架的原理图如图1所示.EEG信号通过预处理、经验模态分解(Empirical mode decompo-sition,EMD)等算法提取相应特征之后得到特征矩阵Y EEG,是不同试次的时间序列与HRF函数卷积之后的矩阵,行表示单个试验的时间序列,列表示试验数.同样地,使用聚类算法提取fMRI数据特征之后,得到特征矩阵Y fMRI,包括不同扫描次数的感兴趣区域.矩阵的行表示每次扫描的感兴趣区域,列表示扫描次数.即EEG的试验数与fMRI的扫描次数相对应,EEG的单个试次时间序列与fMRI的每次扫描感兴趣区域相对应之后,通过多模态数据试验之间(Trail to trail)的变化计算得到最大相关矩阵M,最后得到分解出来的相关成分C.在此框架中,每个成分都有且只有一个在另外一种模态数据中与之相关的成分.总体模型通过式(1)得到,Y k=M k C k,k=1,2,3,···,N(1)式中,Y k∈R T×V k,M k∈R T×D,C k=R D×V k, T是Y k时间点数,k表示模态数,V k是Y k中的变量数量(fMRI中的脑区个数或者是EEG中单个Trail的时间点数),D是矩阵Y k的秩的最小值.对每种模态数据而言,相关矩阵M k中第i列矩阵(M(i)k,i=1,2,···,D)满足以下属性:1)典型变量处于同一组中互不相关,即每一个数据矩阵M k中的M(i)k之间不相关,每一个数据集都有零均值和单位方差.2)仅仅在相应的指标中,相关矩阵M(i)k才有非零的相关系数,并且相关系数r(i)k,l=M(i)TkM(i)l.这里的相关矩阵M是可以由下一节介绍的典型相关分析算法获得.图1EEG-fMRI数据融合框架Fig.1Framework of EEG-fMRI data fusion1.1经验模态分解EMD算法可以将任何复杂的数据集分成一系列的固有模态函数(Intrinsic mode function,IMF)之和.EMD分解过程如下:1)设输入信号为X(t),找出X(t)的所有局部极大值和局部极小值.2)计算输入信号的上包络线e u(t)与下包络线e l(t),并计算其均值曲线m(t).3)根据IMF约束条件从X(t)中计算出第一个IMF分量IMF1(t).4)把分离出第一个IMF分量之后的剩余信号记为r1(t).如果r1(t)大于一个零值点,就将r1(t)作为一个新的原始信号返回第1)步重新计算出下一个IMF.如此循环计算,直到最后一个剩余信号r n(t)没有经过零点的值或者是r n(t)有足够小的频率以至于不能再进行IMF分解.因此,原始信号可774自动化学报42卷表示为:X(t)=nk=1IMF k(n)+r n(t)(2)1.2k-均值聚类算法k-均值聚类(k-means clustering)算法是比较常用的一种聚类算法.其主要原则是一个对象要划分到一个类中,是通过多次的反复迭代,使得相同簇内的元素具有尽可能高的相似度、不同簇之间的相似度尽可能低.具体步骤为:1)对于数据对象集,任意选取K个对象作为初始的类中心;2)根据类中对象的平均值,将每个对象重新赋给最相似的类;3)更新类的平均值,即计算每个类中对象的平均值;4)重复第2)步、第3)步直到不再发生变化.1.3典型相关分析(CCA)算法设有两组零均值随机变量X与Y,令X= [x1,x2,···,x n]与Y=[y1,y2,···,y n],CCA的目标在于寻找一对投影向量u和v,满足z1=u T X 和z2=v T Y之间具有最大的相关系数,其准则函数为:arg maxu,v v ρ=w T S xy v√u T S xx u×v T S yy v(3)其中,矩阵S xx和S yy分别代表的是矩阵X和Y 的协方差,S xy表示的是X和Y之间的互协方差矩阵,可令u T S xx u=v T S yy v=1,求出一对矢量(u1和v1)并作为第一对投影矢量;当得到前k−1对投影矢量(u i和v i)(i=1,···,k−1)后,第k对投影矢量满足如下约束条件:u Tk S xx u k=v TkS yy v k=1u T i S xx u k=v TiS yy v k=0,i=1,2,···,k−1(4)利用Lagrange乘数法,可得两个广义本征方程:S xy S−1yyS yx u=λ2S xx uS yx S−1xx S xy v=λ2S yy v(5)记w=[u T,v T]T,λ=[λ1,λ2,···,λd,λd+1,···,λi]为特征值,且λ=0,与非零特征值λi相对应的特征向量为u i和v i,这里i=1,···,d,则典型变量M i可由特征向量变化得到,并根据M i计算各随机变量的相关成分C i与典型相关系数r i:C i=(M Ti M i)−1M Tix ir(i) x,y =M(i)TxM iy(6)2实验设计2.1实验对象本实验共采集25名健康成年人的EEG-fMRI数据,20男5女,年龄在19岁至24岁之间(平均22岁),所有被试都是右利手,都没有神经系统及眼科疾病.所有实验均通过常州大学伦理委员会批准且签署被试知情同意书.2.2实验设备同步采集系统结构图如图2所示.系统分为两部分:MR控制及EEG数据采集室和MR扫描室.MR控制及EEG数据采集室主要构成如下:Net-station采集回放分析软件(含特殊去噪功能)、E-prime呈现刺激电脑、放大器时钟同步接收盒、转换器、响应盒、数据线、系统时钟接口、TR事件接口及其他附属配件.扫描室有fMRI扫描仪、放大器屏蔽系统(Field isolation containment sys-图2同步EEG-fMRI数据采集系统结构图Fig.2Constructional detail of simultaneouslyEEG-fMRI data acquisition system5期邹凌等:基于同步EEG-fMRI采集的情绪认知重评数据特征融合分析研究775tem,FICS)、响应盒及刺激呈现装置(如投影仪).同步EEG-fMRI实验在常州市第二人民医院影像科进行.脑电设备采用了美国EGI公司的64导核磁型脑电采集系统,电极位置遵循国际10-10电极系统空间分布,参考电极为Cz电极,采集软件是Net-station,采样频率为250Hz,每个电极处的头皮电阻抗低于50kΩ.核磁设备为Philips公司的3.0T超导型功能磁共振成像系统,fMRI扫描参数: TR=2000ms,TE=35ms,翻转角(Flip angle)为90°,视野(FOV)=230mm×180mm,层厚4mm,连续扫描24层,实验采用无间隔顺序扫描的扫描方式.融合实验通过时钟同步盒使EEG与fMRI数据采集的时间达到同步.2.3实验范式本次实验采用视觉刺激实验范式[11],单次实验共有120张刺激图片,包含40张中性图片(如日常生活用品、景观、食物等)和80张负性图片(伤残、暴力、灾难等).试验中所选的刺激图片均来自国际情绪图片库(International affective picture system,IAPS).情绪图片的唤醒度(中性图片:M= 2.91,SD=1.93;负性图片:M=5.71,SD=2.61).实验用E-Prime软件进行流程化设计,实验总共进行4次时钟循环,每个循环有30次试验,共120次试验;其中,观看中性40次,观看负性40次和降低负性40次,图片均为随机呈现.单次试验的流程为:首先是在屏幕上会出现4秒的情绪调节提示词(包括“降低”和“观看”),之后是2秒的空屏,接下来是6秒的任务态(“观看”提示词后面是负性图片和中性图片随机出现,“降低”提示词后面出现的是负性图片),最后是4秒的放松时间.实验范式如图3所示.实验开始之前会对被试进行一个简单的训练,主要目的是确保被试在实验时可以根据研究所要求的方式调节情绪.实验要求当出现“观看”提示词时,被试应该以正常的心态观看后面出现的负性图片或者中性图片,这一部分要求被试不需要进行情绪调节,被试看到图片时是什么样的情绪状态就表现出这样的情绪状态.当出现“降低”提示词时,紧接着出现的是负性刺激图片,这一部分要求被试使用情绪调节策略完成实验,如以第三者的心态观看图片或者想象这种负性的场景是电影中的场景.3数据处理认知重评EEG-fMRI实验数据分析主要包括三个部分:数据的预处理、特征提取和基于CCA算法的数据融合,图4为数据处理总体框图.由于同步采集到的原始EEG信号与fMRI数据或多或少都会存在各种各样的噪声,比如,梯度场噪声、心电噪声、肌电、头动等噪声,因此,首先要进行预处理及标准化处理.使用Net-station软件和EEGLAB 软件预处理EEG数据,使用SPM等工具箱预处理fMRI数据,并分别对两种数据模态进行标准化使其保持零均值与单位方差;然后分别提取EEG信号与fMRI图像的特征.其中,在EEG特征方面,提取脑电信号的LPP潜伏期内的波幅作为EEG时间特征;在fMRI特征方面,提取基于AAL模板的90个感兴趣区域(ROIs)并分别计算每个ROI上的均值作为fMRI空间特征.最后对EEG时间特征与fMRI空间特征做相关分析并计算其最大相关系数,寻找其相关性.图3情绪认知重评实验范式Fig.3Experimental paradigm3.1EEG预处理首先对采集到的情绪认知重评核磁环境下EEG数据在Net-station软件上进行预处理,其目的在于去除EEG信号中的梯度场、心电、工频干扰等噪声.处理步骤依次为:梯度场去噪、滤波:滤波范围(0.01Hz∼40Hz)、心电去噪、分段(−200ms∼1500ms)、伪迹检测、坏通道替换、基线校准.由于Net-station预处理之后的信号还残留一些肌电、工频、眼动等噪声,本文使用EEGLAB 工具箱,首先对单个被试EEG信号做平均重参考,之后进行独立成分分析[15],最后使用ADJUST (Automatic EEG artifact detector based on the joint use of spatial and temporal features)插件去除EEG信号中的噪声成分.3.2fMRI预处理在采集时,由于被试在核磁室中总会出现如头动等状况,会导致fMRI信号发生漂移,所以在对fMRI数据进行特征提取之前先做预处理.本776自动化学报42卷次数据预处理是在Matlab 中的SPM8(Statisticalparametric mapping)工具包以及REST (Resting-state fMRI data analysis toolkit)工具箱中完成.预处理主要包括时间层校正(Slice time)、头动校正(Realignment)、空间标准化(Normalize)、空间平滑(Smooth)及滤波.图4EEG-fMRI 融合分析具体步骤Fig.4Specific steps for of EEG-fMRI fusion analysis3.3EEG 特征提取对于经过预处理及标准化后的EEG 信号,提取具有LPP 特征的潜伏期波幅作为后续融合分析的脑电特征.首先,选取情绪调节研究中LPP 波幅特征明显的Poz 电极脑电信号.由于LPP 潜伏期为200ms ∼900ms,对于情绪认知重评中三种情绪刺激状态数据(每种情绪状态有40个Trails 数据),选取刺激呈现之后的900ms (225个连续不断的采样)信号波幅作为特征;接着,使用EMD 算法分别对每个试验的信号去噪[16].为了和fMRI 数据的时间进程保持一致,首先分别对EEG 数据中三种不同情绪刺激下的40个Trails 进行补零操作,把EEG 数据的一个Trail 变成5个Trails,此时每种情绪刺激状态下Trails 个数为40×5.之后分别把每个潜伏期的动态信息和HRF 函数卷积得到格式为Trails (200)×Latencies (225)的数据.3.4fMRI 特征提取预处理及标准化后的单个被试fMRI 数据为四维矩阵(一维的时间点和三维的空间体素(Vox-els)),需要将其中的三维空间体素降维到一维.由于BOLD 信号往往有4s ∼8s 的延迟[17],因此,每个试次(Trails)中取刺激呈现之后的5个时间点.即每种刺激状态下的时间维度为扫描次数(Trails ×5=200).根据实验范式分别提取与EEG 信号相对应的不同情绪状态下的fMRI 数据.为了提取更准确的和情绪相关的感兴趣区域,对上述操作之后的数据做了k -means 聚类处理,并以此制作Mask,并根据此Mask 去掉数据中一些和研究无关的背景.使用SPM 软件,根据AAL 模板对每个时间点计算出全脑90个感兴趣区域的均值来表示每个感兴趣区域.3.5数据融合为了消除个体间的差异,把所有被试经过特征提取后的EEG 和fMRI 特征叠加平均之后作为CCA 的输入信号.输入信号都是200行的矩阵,其中EEG 数据每行有225个采样点,fMRI 数据每行有90个脑区均值.两种模态数据经过CCA 计算相关系数,并通过交叉验证的方法计算出变换矩阵M,并根据融合框架部分介绍的重构方法通过变换矩阵M 及式(6)得到时域和空域上的相关成分.4结果及分析图5为某个被试在降低负性状态下的EEG 及fMRI 特征提取之后某个Trial 结果.其中5(a)为EEG 特征提取之后的某个Trail 的波形;5(b)为聚类算法制作掩膜之后,掩膜降低了fMRI 数据复杂度,并得到其中一幅脑区激活图.从图5可以看出,经过EMD 去噪和特征提取之后的EEG 数据与认知重评的LPP 成分接近.基于聚类的fMRI 特征提5期邹凌等:基于同步EEG-fMRI 采集的情绪认知重评数据特征融合分析研究777取结果可以得到包含与情绪认知重评相关的额叶、颞叶、扣带回等脑区,为后续EEG-fMRI 融合研究奠定基础.(a)EEG 特征提取之后的一个Trail的波形(a)Waveform of a trail after the EEG featureextraction(b)使用fMRI 掩膜之后的一幅激活图(b)An activation image by using fMRI mask图5某个被试降低负性状态下EEG-fMRI 特征提取结果Fig.5Outcome of EEG-fMRI feature extraction indecrease-negative condition by one subject采用CCA 算法对情绪认知重评实验范式下的EEG 、fMRI 两种模态数据之间的相关性计算,得到90个相关成分.本文主要关注EEG 中试次之间的时间变化与fMRI 空间感兴趣区域之间具有较大相关性的EEG-fMRI 相关成分.通过计算相关系数贡献率P i (P i >90%,P i =r i /r i )的方法选取贡献率大于90%的相关成分(见表1).其中,观看中性有5个相关成分,观看负性有7个相关成分,降低负性有6个相关成分;然后分别叠加平均每种情绪刺激状态下的EEG 与fMRI 相关成分,图6∼8为所有被试在三种情绪状态下的EEG-fMRI 相关成分叠加平均的结果,其中(a)为Poz 电极处同一种情绪状态下时域上的相关成分叠加平均结果图,横坐标为时间,单位为毫秒(ms),纵坐标为幅值(由于得到的是时域上的相关成分,只能反映潜伏期的波形趋势,不能反映电压大小,因此无量纲);(b)为同一种状态下空域上的相关成分叠加平均结果图,图中显示大脑16层切片,彩色部分为激活区域,右边彩色条为激活强度经过Z 变换的结果.如图6(a)为观看中性状态下5个EEG 典型相关成分叠加平均波形,结果表明被试在中性图片呈现后300ms ∼600ms 出现LPP 成分,且在500ms 时达到最大.图7(a)为观看负性状态下7个EEG 典型相关成分叠加平均,结果表明被试在负性图片呈现表1三种情绪状态下具有较大相关性EEG-fMRI相关成分Table 1Correlation component of EEG-fMRI which hashigher correlation by three emotion conditions相关成分相关系数观看中性观看负性降低负性成分10.9440.9660.913成分20.8880.9470.801成分30.8410.8770.731成分40.7410.8160.716成分50.6810.7650.606成分6N/A 0.6600.537成分7N/A0.584N/A(a)观看中性状态下EEG 相关成分平均结果(a)Average outcome of EEG correlation componentsby look-neutral condition(b)观看中性状态下EEG 相关成分平均结果(b)Average outcome of EEG correlation componentsby look-neutral condition图6观看中性状态下EEG-fMRI 相关成分平均结果Fig.6Average outcome of EEG-fMRI correlation components by look-neutral condition778自动化学报42卷(a)观看负性状态下EEG 相关成分平均结果(a)Average outcome of EEG correlation components bylook-negative condition(b)观看负性状态下EEG 相关成分平均结果(b)Average outcome of EEG correlation components bylook-negative condition图7观看负性状态下EEG-fMRI 相关成分平均结果Fig.7Average outcome of EEG-fMRI correlation components by look-neutral condition后100ms ∼700ms 出现LPP 成分,且在400ms 时达到最大.图8(a)为降低负性状态下6个EEG 典型相关成分叠加平均,结果表明被试在采用认知重评策略后200ms ∼700ms 出现LPP 成分,且在450ms 时达到最大.图9为上述三种情绪EEG 曲线对比图,使用SPSS 软件对三种情绪状态的EEG 平均相关成分进行统计学分析,得到观看负性与观看中性的均差值为21,F (1,224)=236.79(P <0.01);观看负性与降低负性的均差值为9,F (1,224)=28.72(P <0.01);降低负性与观看中性的均差值为11.99,F (1,224)=63.32(P <0.01).统计分析结果显示三种情绪状态下的LPP 有明显差异.采用认知重评策略时的LPP 波幅低于观看负性时的LPP 波幅,而且明显高于观看中性的LPP 波幅.该结果与文献所报道的结论基本一致[18].图6(b)为观看中性状态下5个fMRI 典型相关成分叠加平均,结果表明被试在观看中性图片时情绪相关脑区(如杏仁核、海马、颞叶等)有少量激活,多数激活区域分布在与情绪反应无关的脑区,且激活强度相对较小.图7(b)和图8(b)分别为观看负性降低负性状态下7个和6个fMRI 典型相关成分叠加平均,结果表明被试在这两种情绪状态下,情绪相关脑区(如杏仁核、海马、颞叶等)被大量激活,且激活强度相对较大.通过对三种情绪状态下的fMRI 相关成分分别叠加平均可以清楚得看出,观看负性状态下在大脑的颞叶、额叶、扣带回等和情绪相关区域有明显地激活(如表3,图7(b)所示).同样的降低状态下在杏仁核、颞叶、扣带回、额叶、海马等情绪相关区域有很明显的激活,而且杏仁核、海马和扣带回在情绪调节过程中起到很重要的作用(如表4,图8(b)所示).从激活强度(Z score)角度分析,采用认知重评策略的降低状态下的脑区(特别是直接参与情绪加工的杏仁核(41区)、眶部额下回(15区)和前扣带和旁扣带回(31区))激活强度明显弱于观看负性状态.而在观看中性状态下,这些脑区激活强度最小(a)降低负性状态下EEG 相关成分平均结果(a)Average outcome of EEG correlation componentsby decrease-negative condition(b)降低负性状态下EEG 相关成分平均结果(b)Average outcome of EEG correlation componentsby decrease-negative condition图8降低负性状态下EEG-fMRI 相关成分平均结果Fig.8Average outcome of EEG-fMRI correlation components by decrease-negative condition。
EEG数据信号的Matlab滤波仿真设计分析研究
＼ ． 邮电大学 通信与信 ｉ程学 院， ２ 南京 ｇ ， 江苏 南京 ２００ ／ １ ３ ０
摘
要 ： 处理脑 电图（ ｌｃ ｏｎ ｅｈｌ ｒｍ，Ｅ ） 在 Ｅｅｔ ｅｃｐ ａｏ ａ Ｅ Ｇ 过程 中， 采集到脑 电信号 的预处理特 别重要 。文 中利 用信 号 ｒ ｇ 对
分析与处理知识， Ｍａａ 在 ｌ ｆｂ软件 平台上仿真分析 了不 同小波基 函数 对脑 电信号 分解和重 构的影响 ， 以及 利用 ｄ５ ｂ 小波基函数对 Ｅ Ｇ进行 ５层 多尺度分解和重构 ， Ｅ 仿真信号颤动情况 。通过采用不 同阂值进行降噪和与低通滤波器 的消噪仿 真比较 ， 对特定频带仿 真结果进行 分析和研 究。研 究结果表 明： 小波分析在 Ｅ Ｇ信号预 处理 降噪 中可有 Ｅ 效地提取 脑电微信 号， Ｅ Ｇ在更广的领域里发挥作 用具 有实用意义。 对 Ｅ
Ｐ Ａ） 独立 分量 分析 （ｎ ｅ ｅ ｄｎ ｏ ｏｅ ｔ ｎ ｌ Ｃ 、 Ｉｄ ｐｎ ｅｔ ｍｐｎ ｎ Ａ ａ — Ｃ ｙ
窗 口不 一样 ， 因为 仅仅 影 响 窗 口在相 平 面 时 间 轴 上 的位 置 ， ０不仅 影 响窗 口在频 率轴 上 的位 置 ， 而 也
影 响 窗 口的形状 。这样 小波 变换对 不 同 的频 率在 时
丰富的信息， 因而有效提取脑电微信号并加以研究分 析具有重要 的实用意 义 ， 是研究人 生理和心 理状态 也
的一种有效 的途径 。随着 现代科 学 的进 展 ， 人们 通过 脑电图描记仪将脑 自身微弱 的生物 电放大并 记录成为
易受到外界环境的影响 ， 再加上受检者 自身的各种因
素 ， 电信号是一种微弱 （ Ｖ级 ）的电生理信 号 ， 而脑 Ｉ ｘ 主
关键词 ： 小波 变换 ； 电 图 ； 脑 消噪 ； ｔ ｂ Ｍａａ ｌ
脑电信号基础介绍的书
脑电信号基础介绍的书
以下是几本关于脑电信号基础介绍的书籍：
1. "Principles of Neural Science" by Eric R. Kandel, James H. Schwartz, and Thomas M. Jessell - 这本书是神经科学的经典教材，其中有关于脑电信号基础的讲解。
2. "Introduction to Biomedical Engineering" by John D. Enderle, Susan M. Blanchard, and Joseph D. Bronzino - 这本书介绍了生物医学工程的基础原理，其中包括脑电信号的测量和分析。
3. "Analyzing Neural Time Series Data: Theory and Practice" by Mike X Cohen - 这本书提供了关于脑电信号数据分析的详细介绍，包括如何处理、分析和解释脑电图数据。
4. "Introduction to EEG- and Speech-Based Emotion Recognition" by Christian Mühl - 这本书专注于情绪识别，讲解了脑电信号在情绪识别中的应用。
5. "EEG Signal Processing" by Saeid Sanei and Jonathon A. Chambers - 这本书详细介绍了脑电信号的处理和分析方法，包括滤波、时频分析和特征提取等。
这些书籍可以帮助您了解脑电信号的基础知识和相关应用。
请根据您的兴趣和需求选择适合的书籍进行学习。
生物医学信号处理 (2)
1992年，比利时女数学家I.Daubechies撰写的 《小波十讲（Ten Lectures on Wavelets）》对 小波的普及起了重要的推动作用。
1994年, AT&T公司Bell实验室的Wim Swelden
提出的提升方案Lifting Scheme，即第二代小
波。
34
Who’s who in Wavelet!
1
0.5
0
-0.5
-1
-1.5
0
0.2 0.4 0.6 0.8
1
数学模型
N 1
y[n] 1/ N x[n k] k 0
26
滤除噪声—低通滤波法
Signal 1.5
1
0.5
0
-0.5
-1
-1.5
0
0.2 0.4 0.6 0.8
1
Wn=0.8 1.5
1
0.5
0
-0.5
-1
-1.5
0
0.2 0.4 0.6 0.8
（Gauss）等人把这一成果带入电
学中去。
10
傅立叶变换 Fourier Transform
傅里叶变换的基本思想是将信号分解成 一系列不同频率的连续正弦波的叠加，或 者从另外一个角度来说是将信号从时间域 转换到频率域。
f (t) Ak coskt k 0
11
傅立叶变换的定义
待处理的信号
1
Signal+Noise 1.5
1
0.5
0
-0.5
-1
-1.5
0
0.2 0.4 0.6 0.8
1
Wn=0.3 1.5
1
蝶骨电极位 -回复
蝶骨电极位-回复什么是蝶骨电极位？如何应用在生物医学领域中？蝶骨电极位（butterfly electrode placement）是一种用于脑电图（Electroencephalography，EEG）检测的电极放置方法。
所谓的蝶骨电极位是将电极以蝶骨状方式放置在头皮上，以便获取更全面和准确的脑电信号信息。
本文将详细介绍蝶骨电极位的步骤和其在生物医学领域中的应用。
首先，让我们了解一下蝶骨电极位的步骤。
这种电极放置方法主要包括以下几个步骤：1. 头皮准备：在放置电极之前，需要将头部的头发清洗干净，以确保电极与头皮之间接触良好。
可以使用洗发水或湿巾清洁头部，干净的头皮能够提高电极的粘附性。
2. 电极选择：根据研究或临床需要，选择适当数量和类型的电极。
蝶骨电极位通常涉及到多个电极的放置，这些电极涵盖了脑部重要的功能区域。
3. 电极贴附：将电极放置在指定的位置上，确保电极粘贴良好。
在使用粘贴剂固定电极时，需要注意不要太紧或太松，以免影响电极的信号捕捉能力。
4. 导线连接：将电极的连接线与放大器或数据收集系统连接，确保信号的传输和记录。
接下来，我们来探讨蝶骨电极位在生物医学领域中的应用。
1.临床诊断：蝶骨电极位常用于脑电图检查，通过记录脑电信号，医生可以评估脑电活动的频率、振幅和时域特征，以辅助诊断多种神经系统疾病，如癫痫、脑血管疾病等。
2.认知研究：蝶骨电极位可以用于研究人类认知过程。
通过记录脑电信号，研究人员可以了解特定任务或刺激对特定脑区活动的影响，进而揭示认知功能的神经机制。
3.脑机接口：蝶骨电极位还可以用于脑机接口技术。
脑机接口是一种通过直接记录和解读脑电信号来实现与计算机或其他设备进行交互的技术。
蝶骨电极位的应用可以提供更准确和全面的脑电信号，为脑机接口的实现提供了更好的基础。
4.神经反馈治疗：蝶骨电极位也可以用于神经反馈治疗。
神经反馈治疗是一种通过实时监测和调节脑电活动来改善神经系统功能的治疗方法。
脑机接口简介演示
脑控智能家居系统展示
家居设备控制
通过脑机接口，用户可以用意念控制家中的照明、空调、窗帘等设备，实现智能家居的便捷和个性化 控制。
安全监控
脑机接口还可应用于家居安全监控，当用户处于危险或紧急状态时，系统能够实时检测并触发报警， 通知家人或相关部门采取救援措施。ຫໍສະໝຸດ THANKS感谢观看
侵入性技术。这种电活动是由大脑神经元之间的同步放电产生的。
02 03
电极放置
在EEG测量中，多个电极被放置在头皮的特定位置，以便捕获来自大脑 不同区域的电信号。这些电极能够记录微小的电位变化，并将其转换为 可分析的数据。
时间分辨率
EEG具有较高的时间分辨率，能够捕捉到毫秒级的脑电活动变化，适用 于研究大脑的动态过程。
家居控制
脑机接口技术可用于智能家居领域，用户可以通过脑电信号控制家电设备的开 关、模式等，实现家居环境的个性化调整。
机器人控制
利用脑机接口技术，用户可以直接通过脑电信号控制机器人的运动、操作等， 使得机器人更加智能化、人性化。这将极大地方便人们的生活和工作。
04
脑机接口的挑战与前景
技术挑战
解码算法与模型
脑机接口在虚拟现实中的应用
沉浸式体验
脑机接口可用于捕捉用户在虚拟现实中的意图，通过实时解析大脑信号，实现更 加自然和沉浸式的交互体验，如用意念控制虚拟角色的动作、方向等。
康复训练
在虚拟现实中，脑机接口可用于监测和分析用户在康复训练过程中的大脑活动， 为康复师提供客观、准确的评估指标，从而制定更加个性化的康复方案。
基于脑机接口的残疾人辅助设备
肢体运动辅助设备
利用脑机接口技术，识别残疾人的意念信号，转化为肢体运 动指令，从而驱动外骨骼或机器人执行相应动作，辅助残疾 人完成行走、抓握等日常任务。
生物医学工程中的电生理信号处理
生物医学工程中的电生理信号处理生物医学工程是一门交叉学科，旨在将工程技术应用于医学领域，以满足医疗保健的需求，并提高医学检测、诊断和治疗的效率。
电生理信号是指从心脏、大脑、肌肉和其他组织中获取的电信号。
这些信号是生物电流，其强度和时间变化能够提供关于器官或组织中的生理活动的信息。
因此，生物医学工程师利用这些信号来发展出各种疾病的诊断和治疗方法。
本文将讨论生物医学工程中的电生理信号处理的应用。
电生理信号处理可用于各种医学领域，其中包括但不限于神经科学、生物医学工程、临床诊断以及心理学。
神经科学中，为了研究脑的功能和结构，科学家利用大脑中的神经元产生的电信号进行研究。
生物医学工程中，许多设备如心脏起搏器、心电图仪器、睡眠检测仪器和神经电刺激器利用电生理信号进行诊断、监测和治疗。
临床诊断中，医生可以通过采集病人的脑电图和心电图等信号来监测疾病的状况，建立出疾病的诊断和治疗方案。
在心理学领域中，电生理信号可以用来评估病人的认知和情感状态。
最常见和最典型的电生理信号处理技术是脑电图（EEG）和心电图（ECG）。
EEG记录大脑皮层神经元的电活动，ECG记录心脏的动作电位。
处理这些信号的方法包括：信号干扰去除、滤波、三角化和计算等。
这些处理都是非常重要的，因为电生理信号数据是相对较弱且噪音较多的。
信号干扰去除处理是对信号中的干扰信号进行去除或减小，从而保护信号的完整性。
例如，头皮在进行EEG实验时会产生许多噪音，如心电波、Muscle波等。
信号干扰去除技术包括迭代算法和基于组分分析的方法等。
信号滤波处理是对信号进行平滑和去除高频或低频噪音的过程。
滤波方法有低通滤波、带通滤波和高通滤波。
人们可以根据实验需求和信号类型选择相应的滤波方式。
将信号进行三角化是将多个电极位脑电图信号或心电图信号进行连线转化为三角形，然后根据形态和幅值方便地分析信号。
同时，三角化将多个信号合并为一个统一的信号有助于减少噪音干扰。
计算是对处理后的信号进行进一步分析，包括信号的功率谱、频率特征等，最终达到对信号的量化描述。
神经元信号转导
类型：和
25
. 动作电位
由钠通道和钾通道协同作用产生，其主要特点是全或 无( )。传导速度大约为
动作电位的跳跃式传导
博尔特： ～
26
（二）神经元化学信号转导
5
设计理念
从结构入手，逐步剖析
? 一个重点：跨突触信号转导 ? 两个过程：突触前、后传递过程 ? 三个结合：形态与功能、静态与动态、基础与临床
6
一．神经元信息传递的突触机制
二．神经元电信号传导
三．神经元化学信号转导
四．跨突触的神经元信号转导
五．突触前过程
六．突触后过程
7
一、神经元信息传递的突触机制
.
神经元信号转导是指胞外环境条件（包括神经递 质、激素、细胞因子等）作用于神经元引起细 胞反应的过程。
8
包括两个过程：
突触前过程
突触后过程ຫໍສະໝຸດ 电信号 Ca2+内流 递质释放
化学信号
化学信号
电信号 （IPSP/EPSP ）
胞内化学信号 （第二信使、第三信使）
9
10
根据其特性可分为生物电反应过程和生物化 学反应过程，因此神经元信号传导可相应 地分为：
20
由四种不同亚单位 (αβγδ)构成的五聚体
每一亚单位含四个跨膜片段 ()
21
电压门控离子通道与化学门控离子通道的比较
特性 通道类型 电压性
刺激源
膜电位
离子选择
高
电导
不稳定
化学性 化学物质 低 稳定
22
. 静息膜电位
经穴电刺激诱发的脑-肌电信号相干性研究
经穴电刺激诱发的脑-肌电信号相干性研究乔晓艳;王飞【摘要】为探索自主动作和穴位电刺激诱发的大脑皮层活动与肌肉收缩之间的功能耦合作用,设计穴位电刺激和自主动作两种实验模式,分别采集对应的脑电信号和表面肌电信号,对信号进行预处理得到纯净的诱发脑电和肌电信号.然后进行小波变换,获得信号的小波谱和小波交叉谱,计算小波相干系数,分析脑电和肌电信号的时-频相干特性.结果表明:穴位电刺激诱发的脑-肌电相干性主要集中在15～25 Hz信号频段,对应于大脑β节律;而自主动作下的脑-肌电相干性集中在30～36 Hz频段,对应于大脑y节律;不同导联的脑-肌电信号相干特性,表明穴位电刺激诱发的腕部肌肉动作与对侧大脑运动区相干性最强.该研究为运动功能康复和智能假肢开发奠定了基础.【期刊名称】《测试技术学报》【年(卷),期】2016(030)003【总页数】7页(P191-197)【关键词】经穴电刺激;脑电信号;肌电信号;小波相干系数【作者】乔晓艳;王飞【作者单位】山西大学物理电子工程学院,山西太原030006;山西大学物理电子工程学院,山西太原030006【正文语种】中文【中图分类】TP391经皮穴位电刺激,是将电刺激技术与传统中医穴位理论相结合，利用电刺激装置产生电流，刺激人体穴位，通过人体经络线传导，激活与穴位相连通的可兴奋运动神经元，从而调节机体活动. 脑电信号(EEG)和肌电信号(EMG)分别反映大脑神经元的活动状态和神经肌肉的活动状态，包含了躯体运动控制信息和肌肉对大脑控制意图的功能响应信息，能够直接反应运动神经系统的功能状态. 穴位较周围组织存在更多的感觉神经末梢及血管，刺激穴位会增强神经系统的功能. 因此，研究EEG-EMG信号相干性，可以探索穴位电刺激下的大脑皮层与肌肉收缩之间的功能耦合作用，通过提取信号特征参数，反映相应组织的活动信息[1,2].目前，关于EEG-EMG信号相干性分析方法大多基于傅里叶变换或短时傅里叶变换，通过研究相干性来探索皮质下中风、帕金森症等运动机制或相关疾病的病理机制. Fabrizio V 和Claudio Del Percio等[3]通过对精英、普通运动员和非运动员进行比较，分析脑-肌电信号相干性，探讨不同握力产生的肌电与脑电信号的关联性； Braun等人[4]要求中风患者进行一个精细的抓握动作，对EEG-EMG信号相干性研究表明：脑电和肌电之间的相干性主要出现在10～23 Hz；吴瑛、马海峰等[5]进行穴位和非穴位的刺激实验，观察下肢运动神经传导速度的差异，表明穴位刺激能对人体神经传导产生良性影响；马培培[6]等人对中风康复运动中EEG和EMG信号进行分析，表明中风运动功能障碍患者在康复训练过程中随着运动功能的恢复其相干特征逐渐趋于显著.以上这些相干分析是基于时域相关或者傅里叶变换的频域相关，无法同时获得时频相关信息. 小波变换是一种时频分析方法，其变焦距特性，容易将类别间的差异部分突出表现，它将信号分解成一系列小波函数的叠加，小波窗口大小随频率改变. 在低频段，时间分辨率较低而频率分辨率较高；在高频段，时间分辨率较高而频率分辨率较低. 由于小波变换的多分辨率特点，更适合处理非平稳的脑电和肌电信号. 本文设计了自主手腕外旋和经穴电刺激诱发的手腕外旋两种动作模式，通过记录手腕运动过程中的EEG和EMG信号，利用小波相干分析方法，从时频域研究自主动作和经穴电刺激诱发的EEG-EMG信号相干性，分析大脑皮层与肌肉运动的信息传输和相互作用，对于探索大脑控制肌肉活动机制，合理设计康复训练方法和运动性疲劳恢复具有重要的指导作用.1.1 实验对象被试者为8名健康大学生( 女性2名，男性6名)，年龄20～22岁. 所有被试者均理解实验内容并且同意参加实验，无相关的肌肉、骨骼、神经疾病. 实验前24 h内未做剧烈运动，以排除过度运动肌肉残余疲劳对实验结果的影响. 8名受试者均参加了穴位刺激和自主动作的实验.1.2 实验系统实验系统如图 1 所示，主要由低频电刺激仪、脑电仪、肌电仪、同步发生器和数据处理计算机组成. 低频电刺激作用于受试者曲池穴和内关穴，同步采集FC3，C3， CP3， FC4， C4， CP4等6个导联的脑电信号和桡侧腕屈肌的表面肌电信号，分别通过USB 接口和无线收发器传送至计算机进行数据处理.低频电刺激仪采用恒流刺激方式，可以输出单个或一串电脉冲，刺激强度、脉冲宽度及刺激频率等参数均可进行控制调节. 另外，该低频电刺激仪带有穴位探测功能，将两个探穴电极构成测量回路，通过穴位的低阻效应可以获得穴位的相应位置.采用Neuroscan公司40导脑电仪以及Delsys 公司16通道表面肌电测量仪，该肌电仪对肌电信号检测有较高可靠性，并且操作较简单. 电极传感器间的延迟小于500 μs，有较强的抗干扰能力，实验中，脑电采样频率选为1 kHz，肌电采样频率为2 kHz.1.3 实验方法受试者静坐在椅子上，身体自然放松，前臂平放在实验台上. 首先，用乙醇和生理盐水对电极安放处的皮肤进行清洁，以降低皮肤与电极的接触阻抗；其次，采用国际10～20导联标准安放脑电电极，表面肌电电极置于桡侧腕屈肌肌腹处，平行于肌纤维的方向放置；再次，设定人体经穴电刺激的电流强度，由于存在个体差异，先对受试者施加3次电刺激来确定腕关节达到外旋时的刺激强度，整个实验过程保持该电刺激强度不变. 最后，启动同步发生器，当电刺激仪刺激人体相应穴位时，同步采集记录相关电极上的脑电信号和肌电信号.穴位电刺激诱发腕部外旋(刺激组)实验时，电刺激仪的电极片分别置于人体曲池穴和内关穴处，采用不同频率的连续波电刺激，以及连续波、断续波、疏密波3种不同模式的电刺激，均刺激穴位30 s，同步采集并记录相应的脑电信号和肌电信号.自主腕部外旋动作(对照组)实验时，通过E-prime软件编写实验范式，即屏幕上的左、右箭头以一定频率出现，向受试者指示腕部的外旋动作，右箭头出现时，被试者做腕部外旋动作，左箭头出现时，被试者停止腕部外旋，采集并记录30 s的脑电信号和肌电信号.1.4 数据预处理EEG和EMG是一种随机性很强的非平稳微弱信号，极易被各种噪声干扰污染，必须对采集的原始信号进行预处理. EEG和EMG作为电生理信号，具有不同的特征：诱发EEG信号幅值一般只有50 μV左右，频率范围0.5～50 Hz; EMG信号幅值一般为100～2 000 μV，频率范围50～500 Hz. 因此，需要通过自适应陷波器滤除50 Hz工频干扰；通过数字带通滤波，获得有用频带的脑电信号与肌电信号，同时去除直流漂移；通过小波阈值去噪方法消除测量中的伪迹和噪声. 数据预处理后，可以得到纯净的诱发脑电和肌电信号.由于刺激组和对照组实验，各导联上的脑电信号和肌电信号预处理方法相同，这里仅以2 Hz频率经穴刺激下的C3导联脑电信号为例. 图 2(a)，图 2(b)分别为经穴电刺激模式下，采集的C3导联原始EEG信号和预处理之后的EEG信号.从图 2(a)，图 2(b)可知，原始脑电信号存在基线漂移和工频干扰，经过自适应陷波和小波阈值去噪之后，有效地去除了基线漂移和50 Hz的工频干扰，获得了有用频带的信号.信号x(t)的连续小波变换是由信号与小波内积得到的频率f和时间τ的函数式中：ψτ,f为小波基函数，本文采用Daubechies类的db5小波.假设X是某导联的脑电信号,Y 是肌电信号，那么信号 X 和 Y 在频率上的小波谱和小波交叉谱可表示为式中：为[t-δ/2, t+δ/2]时间段内的周期个数，一般来说，对于短时间序列， ncy 取比较小的数值[7].小波相干系数表达式为用小波变换的实部来量化给定尺度下的小波交叉谱和小波谱，更简单方便，可表示为：对每一组脑电和肌电实验数据进行相干性分析，则平均小波相干系数能量表示为式中：为参与小波相干分析的数据段数目，本实验中L=80.脑-肌电信号相干的显著程度可以用相干显著性CL描述，计算公式为式中：α为置信水平(设置为0.95). 超过显著性阈值CL，表明相干性显著[8].以C3导联的脑电信号和桡侧腕屈肌的肌电信号进行小波相干分析仿真，具体实现过程为：1) 求脑电和肌电信号的连续小波变换，并进行二进制离散化；2) 计算脑电和肌电信号各自的小波谱以及它们的小波交叉谱；3) 利用平均小波相干系数能量式(6)，计算脑电-肌电信号的平均小波相干系数能量.图 3 和图 4 分别为自主动作和经穴电刺激下的脑-肌电信号的小波相干系数能量时-频图.比较自主动作和2 Hz经穴电刺激诱发的脑-肌电信号小波相干特性. 从图3可知：自主动作下的脑-肌电相干性集中在30～35Hz信号频段，对应于大脑γ节律. 从时-频谱上还可以看出：随着时间的推移，相干程度先增大，然后逐渐减小. 由于大脑γ节律反映了局部运动，当肢体开始动作时，控制肌肉运动的大脑神经活跃，对肌肉的局部控制逐渐增强，并且肌肉收缩程度较强，从而导致脑-肌电相干性逐渐增大；当手腕动作一段时间后，控制肌肉运动的大脑神经兴奋性降低，同时肌肉发生疲劳且收缩程度降低，导致脑-肌电信号相干性减小.从图 4 可知，经穴电刺激下，脑-肌电小波相干系数能量主要集中在15～18 Hz, 22～25 Hz，这两个频段，对应于大脑β节律. 此外，脑-肌电小波相干系数能量还较少分布在30～33 HZ， 38～40 Hz的频段，对应于大脑γ节律. 从时-频谱上可以看出：穴位电刺激较自主动作下的脑-肌电信号小波相干系数能量增大，相干频率段增多，推测是由于经穴电刺激引起了肌神经以及大脑皮层特定功能区兴奋，诱发更强更同步的脑电信号和肌电信号.肢体运动是神经系统和肌肉组织信息交流而产生的，必须受大脑皮层的控制. 脑-肌电的时频相干分布图可以进一步揭示大脑功能区和信息传输方向的选择. 自主动作是大脑运动皮层发出指令，经过中枢神经系统(脑、脊髓)，沿着运动传导通路支配肢体完成一定的肌肉运动，图3表明大脑运动皮层通过γ节律信号控制腕部肌肉动作；而经穴电刺激是一种逆向的传输方向，即电刺激导致肢体产生动作，沿感觉神经传导通路反馈回大脑，在大脑皮层的运动区和感觉区进行综合，使肌肉准确地完成动作，图4则表明了手腕肌肉动作的反馈信息主要通过脑电β节律信号将动作信息传回大脑.4.1 不同频率连续波电刺激下的脑-肌电信号相干性分析采用连续波经穴电刺激模式，以2 Hz， 4 Hz， 8 Hz， 10 Hz， 15 Hz， 20 Hz的频率刺激内关穴和曲池穴，采集桡侧腕屈肌的肌电信号和FC3， C3， CP3，FC4， C4， CP4等6个导联的脑电信号，采用小波相干方法对脑-肌电信号的相干性进行分析. 图 5 为不同频率经穴电刺激，不同导联脑电信号与桡侧腕屈肌的肌电信号的小波相干系数变化趋势图.由图 5 可知， 10 Hz经穴电刺激时，脑-肌电信号小波相干系数达到最高. 此外，右侧导联(FC4， C4,CP4)脑-肌电信号小波相干值是负相关，而左侧导联(FC3，C3， CP3)小波相干值是正相关. 表明经穴电刺激腕部动作过程中，左侧导联对应的脑区是活跃的，同时C3导联脑电信号与肌电信号的相干性最为显著. 这是因为经穴电刺激实验是刺激右手穴位，使右手腕发生外旋动作，导联FC3， C3，CP3分布于大脑皮层的左侧，FC4，C4,CP4分布在右侧，表明右手运动过程中，右手腕部肌肉活动与对侧(左侧)大脑运动区相干性强，激发了对侧大脑皮层运动神经元的兴奋性同时抑制了同侧大脑运动皮层的神经元兴奋性.4.2 三种经穴电刺激模式下的脑-肌电信号相干性比较在10 Hz的连续波、断续波以及疏密波经穴电刺激下，采集C3导联脑电信号和桡侧腕屈肌的肌电信号，计算小波相干系数，经t检验进行显著性差异(P<0.05)分析. 图 6 所示为三种经穴电刺激模式下，不同频率段的脑-肌电信号小波相干系数.从图 6 中可以看出，β波段脑-肌电相干性最强，α波段脑-肌电相干性最弱. 三种电刺激模式下，疏密波电刺激诱发的脑-肌电相干程度最显著. 因此，采用疏密波进行经穴电刺激，在大脑的β波段可以更好的实现与肌肉活动的同步化.对经穴刺激诱发和手腕自主外旋动作下，同步采集脑电和肌电信号进行小波相干分析，研究穴位电刺激诱发手腕外旋动作下的大脑活动与相关肌肉活动的关系. 研究结果较好地阐明了经穴电刺激可以引起与穴位相关的运动神经元兴奋，使肌肉的激活程度提高；脑-肌电相干性主要集中在信号15～25 Hz的β节律频段以及30～36 Hz的γ节律频段；大脑运动皮层通过脑电γ节律信号控制手腕肌肉运动，而经穴电刺激产生手腕外旋的反馈信息通过β脑电节律传回大脑；不同导联脑-肌电信号的相干性分析，表明穴位电刺激诱发的腕部动作与对侧大脑运动区相干性最强，疏密波电刺激诱发的脑-肌电相干程度最显著. 该研究可以应用于运动康复工程和仿生机器人中.【相关文献】[1] Danna-Dos-Santos A, Boonstra T W, Degani A M. et al. Multi-muscle control during bipedal stance: An EMG-EMG analysis approach[J]. Experimental Brain Research, 2014,232(1): 75-87.[2] 纪仲秋, 李旭龙. 电刺激穴位按摩对局部运动疲劳后姿势控制能力恢复的影响[J]. 医用生物力学, 2013, 28(3): 284-290.Ji Zhongqiu, Li Xulong. Recovery effect of postural control by electrical stimulation acupointmassage after local muscle fatigue[J]. Journal of Medical Biomechanics, 2013,28(3): 284-290. (in Chinese)[3] Fabrizio V, Claudio Del Percio, Nicola Marzano, et al. Functional cortico-muscular coupling during upright standing in athletes and nonathletes[J]. ACoherence Electroencephalographic-Electromyographic Study. Behavioral Neuroscience, 2008, 122(1): 917-927.[4] Braun C, Staudt M, Schmitt C, et al. Crossedcortico-spinal motor control after capsular stroke[J]. The European journal of neuroscience, 2007, 25(9): 2935-2945.[5] 吴瑛, 马海峰. 穴位和非穴位刺激影响运动员神经传导速度的实验研究[J]. 上海体育学院学报, 2008(3): 46-48+66.Wu Ying, Ma Haifeng. Experimental research on effect of acupuncture pointand non-acupuncture point stimulations on athletes motorius conduction velocity[J]. Journal of Shang hai Universit y of Sport, 2008(3): 46-48+66. (in Chinese)[6] 马培培, 陈迎亚, 杜义浩, 等. 中风康复运动中脑电-肌电相干性分析[J]. 生物医学工程学杂志, 2014(5)： 971-977.Ma Peipei, Cheng Yingya, Du Yihao, et al. Analysis of corticomuscular coherence during rehabilitation exercises after stroke[J]. Journal of Biomedical Engineering, 2014(5)： 971-977. (in Chinese)[7] Tuncel D, Dizibuyuk A, Kiymik M K, et al. Time frequency based coherence analysisbetween EEGand EMG activities in fatigue duration[J]. J Med Syst., 2010, 34: 131-138.[8] 崔若飞. 汽车驾驶员脑氧信号的近红外光谱法检测及小波相干性分析[D]. 济南：山东大学, 2014.。