目前,下肢助力外骨骼技術已廣泛應用于工業(yè)物資搬運、軍事作戰(zhàn)裝備等領域,成為研究熱點。人-機智能融合方法可以充分發(fā)揮人和外骨骼機器人的優(yōu)勢

。其中,針對下肢外骨骼中人體運動意圖的準確快速識別又是其核心研究內(nèi)容,亟需高穩(wěn)健性及精準度的識別方法。目前主流的外骨骼人體運動意圖的識別方法主要采用生物電信號或力學信號。基于生物電信號的意圖識別可以很好地解決基于力學信號識別帶來的控制滯后的問題,更加真實反映人體運動意圖

。利用腦電信號及肌電信號各自的優(yōu)勢進行腦肌電融合識別下肢運動意圖,相比于單一生物電信號,可以極大地提高識別穩(wěn)健性和準確性,實現(xiàn)對更多運動模式的精準預測。

根據(jù)驅動下肢運動的神經(jīng)傳導通路及運動控制理論,腦肌電傳導路徑的不同導致來自同一運動意圖的腦肌電存在信息上的差別,將影響腦肌電融合識別下肢運動意圖的性能,為下肢外骨骼操控者的安全性帶來較大隱患。有效估計這一傳導時間可以保證腦肌電信息的一致性,提升腦肌電融合準確度,同時對神經(jīng)肌肉傳導通路病理學研究、外設控制優(yōu)化研究有著重要的意義。

目前廣泛用于識別時延的方法是基于估計信號交叉譜密度相位的斜率

,此種方法只能在典型相干頻域內(nèi)進行可靠的時延估計,不能用來估計窄頻帶相干信號的時延,而窄帶相干常出現(xiàn)在人體生理數(shù)據(jù)上。

另一種方法基于大腦與肌肉間關系變化來評估腦肌電信息時延,即皮質-肌肉相干性(cortico-muscular coherence,CMC)。皮質-肌肉相干性是大腦運動感覺皮層與對側肌肉的同步振蕩現(xiàn)象,可以有效量化大腦皮質與肌肉間的耦合程度,已有大量的研究證明在肌肉進行穩(wěn)態(tài)力收縮或等距收縮中,存在較強的皮質-肌肉相干現(xiàn)象,可從對應大腦及肌肉采集獲得的數(shù)據(jù)進行量化評估,如腦電圖(EEG)、腦磁圖(MEG)、肌電圖(EMG)等。采用基于CMC的分析方法,可以有效確定驅動下肢運動中大腦及肌肉信息交流的典型相干中心頻率,并利用其估算信號間的時延。文獻[5-6]設計了等距肌肉收縮實驗,發(fā)現(xiàn)采集得到的感覺運動皮層MEG信號與對側肌肉EMG信號存在beta頻帶的顯著相干性(13～35 Hz)。針對上肢肌肉運動,皮質-肌肉相干性存在顯著對側現(xiàn)象,如文獻[7]中,利用多元自回歸模型(multivariate autoregressive,mvAR)對原始數(shù)據(jù)進行擬合就可以觀測到這一現(xiàn)象。文獻[8]設計了下肢脛骨前肌的穩(wěn)態(tài)收縮運動,當持續(xù)輸出大于30%最大自主收縮力(maximum volumetric contraction,MVC)時,可以發(fā)現(xiàn)腦電信號與肌電信號在14～30 Hz時具有顯著相干性?；谝陨习l(fā)現(xiàn),文獻[9]基于皮質-肌肉相干性分析成功計算了Rossler系統(tǒng)時延,并運用于腦電與肌電時延估算。文獻[10]利用皮質-肌肉的時延反映皮質脊髓束的傳導效率,并設計了上肢穩(wěn)態(tài)等距收縮時延來估算腦電與肌電的時延。文獻[11]采用短時傅里葉變換計算皮質-肌肉相干性,并根據(jù)最大化相干性法則(maximising coherence principle,MCP)進行時延估計?，F(xiàn)有的時延估計方法大多考慮腦電與肌電單一通道的相關,未考慮通道間耦合

。

針對上述問題,本文采用mvAR-MCP進行腦肌電相干性分析以實現(xiàn)腦肌電信息同步化。基于mvAR模型擬合下肢運動過程中的多通道腦電及肌電信號,組合單一被試的所有實驗及通道信號數(shù)據(jù),將認知過程作為整體來考慮,囊括腦肌電信號存在的通道之間耦合的同時,可以在較短時間間隔內(nèi)高精度估算CMC;基于CMC確立腦電及肌電典型相干中心頻率,利用MCP量化驅動下肢運動中腦電及肌電的時延,最后通過實驗對本方法的性能進行驗證。

1 驅動人體下肢運動的腦肌電傳導機制

人體下肢運動是通過對大腦的控制和骨骼肌的動作實現(xiàn),大腦和骨骼肌的活動產(chǎn)生了腦電和肌電信號。腦電是從頭皮或顱內(nèi)記錄到的局部神經(jīng)元電活動及神經(jīng)細胞群突觸后電位的總和。大腦運動中樞首先產(chǎn)生下肢運動意圖,這一神經(jīng)沖動向上傳遞經(jīng)顱骨、頭皮檢測得到腦電信號,其產(chǎn)生機理如圖1所示。

1.1 帶狀整地是呈長條狀翻墾造林地的土壤。在山地帶狀整地方法有∶水平帶狀、水平階、水平溝、反坡梯田、撩壕等;平坦地的整地方法有∶犁溝、帶狀、高壟等。

驅動下肢運動的意圖主要產(chǎn)生于Brodmann大腦皮層分區(qū)的4區(qū)及6區(qū)。運動皮層存在有典型的對側支配與倒立分布的特點,負責下肢運動的皮層又分布于運動皮質的頂部中心,對應前額葉頂部中心區(qū)域。在10-20國際腦電圖標準中,與下肢運動相關的腦電通道為C3、C4、CP1、CP2和Cz通道。

電子商務的便捷、快速、實惠等等優(yōu)勢使得實體經(jīng)濟黯然失色，面對日新月異的網(wǎng)絡銷售，實體經(jīng)濟該如何發(fā)展才能走出困境呢？

運動中樞產(chǎn)生的神經(jīng)沖動一方面向上傳遞至頭皮產(chǎn)生腦電,一方面以電脈沖的形式沿皮質脊髓束向下傳遞產(chǎn)生肌電:沿中腦、延髓、椎體,最后經(jīng)神經(jīng)肌肉接頭傳遞至下肢肌纖維處,如圖1所示。肌肉纖維被不斷激活,引起肌肉收縮、下肢動作。動作電位序列的相互疊加,經(jīng)由皮膚表面的綜合效應形成肌電信號。

式中:

為腦肌電

、

通道的相干性矩陣;

為利用模型系數(shù)估算得出的功率譜矩陣。

2 基于mvAR-MCP的腦肌電時延分析

2.1 mvAR模型擬合的腦肌電相干性分析

相干性分析廣泛運用于研究兩個同時測量信號之間的頻域相關性,可用于檢測兩信號之間的時延并進行同步分析。傳統(tǒng)的基于信號相干性的相位譜估計方法僅在不同頻率上進行信號相干性分析,無法獲得時間維上信號的相干性變化,因此本文基于時窗劃分進行腦肌電時頻相干性分析。

自回歸(AR)模型廣泛用于隨機離散過程的描述

,但其只能用于一維時間序列的擬合。為了更加準確描述同步采集的多通道、多次實驗的腦肌電信號,本文使用一種基于AR模型提升的多變量模型。考慮一個

維通道、

次實驗的腦肌電數(shù)據(jù)同步采集過程,原始數(shù)據(jù)可以重構為集成多次實驗的

×

維高維模型

,此高維數(shù)據(jù)可利用

階mvAR模型進行擬合,如下式所示

El Nio事件:Nio3.4指數(shù)大于等于0.5 ℃持續(xù)5個月或以上記為一次El Nio事件。斷點的處理:若指數(shù)大于等于0.5 ℃間斷兩個月或以上,則認為兩次事件不連續(xù);若間斷一個月,并且該月的Nio3.4指數(shù)的3個月滑動平均值大于等于0.5 ℃則認為前后事件連續(xù),否則不連續(xù)。El Nio爆發(fā)時間:Nio3.4指數(shù)第一次大于等于0.5 ℃的月份的前一個月。El Nio事件分類:SP型:爆發(fā)時間在2—5月;SU型:爆發(fā)時間在6—9月。CPC計算ERSST.v4資料得到的Nio3.4指數(shù),如圖1所示。

(1)

(2)

(3)

式中:

為重構后高維腦肌電數(shù)據(jù)矩陣;

為腦肌電數(shù)據(jù)采樣點,

=1,2,…,

;

()

為第

次實驗的腦肌電數(shù)據(jù);

為腦肌電數(shù)據(jù)通道總數(shù);

為維零均值白噪聲矩陣,噪聲方差矩陣為

;

(-)

為第

-

次實驗的模型系數(shù);

-1

,

-2

,…,

-

為

維mvAR模型系數(shù)矩陣,

為mvAR模型階數(shù)。

2.2 AIC/BIC準則的mvAR模型階數(shù)確定

(1)確定mvAR模型系數(shù)矩陣

如下所示

(

)=2

-

ln(det(

(

)))

(4)

式中:

為所用到構建模型的時間序列樣本量;

為模型階數(shù);本文采集

次實驗數(shù)據(jù),每次實驗數(shù)據(jù)樣本量為

,

=

。

BIC與AIC兩個模型均引入懲罰項控制模型參數(shù),但BIC指標懲罰項較AIC指標更大,如下

(

)=

ln(

)+2ln(det(

(

)))

學生的提問涉及學生的理解能力，根據(jù)學生的提問進行分層解決，不同組的學生對問題的理解能力不一樣，需要保證控制在學生的認知水平范圍內(nèi)進行分層提問，并針對學生的回答及時給予評價，從賞識教育的角度出發(fā)，在回答的問題上，多挖掘學生的閃光點，讓其對積極思考，回答問題產(chǎn)生興趣，久而久之，對學習就培養(yǎng)成一種積極探究的精神，深入思考的意識，逐漸能提高自己的學習能力，解決問題的能力，從而達到學習效果的提升，質量的提高。在分層異步教學中對整個班級涉及不一樣難易程度的問題進行講解，讓學生自己選擇，充分調動學生的積極性。

(5)

AIC和ABIC兩個準則在選擇模型時均兼顧模型的簡潔性及精確性,在選擇模型時取

及

達到最小時的模型階數(shù)。

2.3 帶遺忘因子的遞推最小二乘算法的模型系數(shù)確定

(2)確定mvAR模型數(shù)據(jù)矩陣

如下式所示

在利用mvAR模型進行腦肌電數(shù)據(jù)擬合前,首先需要確定mvAR模型的階數(shù)?？梢愿鶕?jù)赤池信息量準則(Akaike information criterion,AIC)及貝葉斯信息量準則(Bayesian information criterion,BIC)進行確定。AIC建立在熵的概念上,提供一種權衡估計模型的復雜度及擬合程度的標準。運用在本文mvAR模型選擇上的AIC可以表示為模型擬合精度及參數(shù)個數(shù)的加權函數(shù)

(6)

式中:

為mvAR模型階數(shù);

為當前采樣點;

-

計算如式(3)所示。

確定模型階數(shù)后,采用帶遺忘因子的遞推最小二乘算法估算擬合腦肌電數(shù)據(jù)的mvAR模型系數(shù),過程如下。

=(

-1

,

-2

,…,

-

)

(7)

式中:

為最終量化的腦肌電時延;

為腦肌電典型相干的中心頻率。

陳頤磊也知道，這種罵戰(zhàn)對戰(zhàn)局的形勢發(fā)展毫無影響，頂多給自己打打氣罷了。目前，全軍彈藥還能堅持幾天，但八天來傷亡幾千人已讓他捉襟見肘，調兵到了山窮水盡的地步。假如鬼子再發(fā)動一次南門這樣的攻勢，城破或許只是一瞬間的事。

(8)

(9)

式中:

為瞬時誤差估計矩陣,給出期望輸出

與估計輸出之間的誤差;

為當前采樣點;

為累積誤差;

為遺忘因子,0<

<1確保遺忘距離當前時刻較遠的腦肌電數(shù)據(jù)。

(3)用遞歸算法迭代計算

|min(

),確定最終mvAR模型系數(shù)矩陣

,根據(jù)mvAR模型瞬時誤差估計矩陣可計算噪聲協(xié)方差矩陣

,如下式所示

瞬變電磁波場變換與合成孔徑成像技術是近年來發(fā)展相對較快的數(shù)據(jù)處理技術[13-14]，該技術能夠提取出瞬變電磁數(shù)據(jù)中所包含的電性界面的信息[14]，降低體積效應的不利影響，為煤礦井下廢棄巷道的探測提供了思路[15-18]。筆者針對工作面內(nèi)部廢棄巷道的探測問題，開展了基于波場變換的瞬變電磁合成孔徑成像探測技術研究與工程應用。

其次，對于計算機數(shù)據(jù)的保護，我國刑法僅對獲取這一行為進行處罰。而《公約》對于數(shù)據(jù)的保護規(guī)定了兩個罪名：非法干擾計算機數(shù)據(jù)罪和非法攔截計算機數(shù)據(jù)罪。“獲取”與“干擾”“攔截”相比，顯然后者規(guī)定的范圍廣，因此更有利于對計算機數(shù)據(jù)的保護。

(10)

式中:

為當前采樣點;

為實驗次數(shù)。功率譜矩陣如下式所示

旁遮普天津技術大學機械工程專業(yè)應用型人才培養(yǎng)體系研究…………………… 徐超輝，趙 巍，RAMMIZ Ul-hassan，ASMA Bakht，MUHAMMAD Farhan-ejaz（71）

(11)

式中:

為當前腦肌電相干頻率;

為腦肌電采樣頻率;

為mvAR模型系數(shù)矩陣;

為擬合噪聲協(xié)方差矩陣,迭代計算方法如式(10)所示。

根據(jù)采集得到的腦電數(shù)據(jù)及肌電數(shù)據(jù),選擇4～16階mvAR模型對重構腦肌電數(shù)據(jù)進行擬合,并根據(jù)模型參數(shù)個數(shù)及擬合精度計算

及

,可以獲得4位受試者左右腿mvAR模型的

及

隨模型階數(shù)變化曲線,受試者S1的

、

隨模型階數(shù)變化曲線如圖5所示。

右美托咪定聯(lián)合舒芬太尼靜脈自控鎮(zhèn)痛用于食管癌患者術后鎮(zhèn)痛的效果及對機體免疫功能的影響 …… 高彥東等（24）：3427

(12)

由驅動下肢運動的腦肌電傳導機制可知,經(jīng)由頭皮采集得到的腦電信號及下肢肌肉表面采集得到的肌電信號具有不同的傳導機制,同時采集得到的肌電信號蘊含的下肢運動意圖信息滯后于腦電信號,這一時延將減弱腦肌電相干性

,最終影響腦肌電融合的下肢運動意圖識別準確率。同時驅動下肢運動中的腦肌電涉及大腦運動皮層區(qū)域的多通道腦電信號及下肢表面肌肉的多通道肌電信號,僅使用一對一通道相干性分析并不能完整反映人體神經(jīng)傳導及運動控制的機制,應采用高維模型進行腦肌電數(shù)據(jù)擬合,分析多通道間耦合更加符合腦肌電傳導機制的生理基礎,因此本文采用mvAR-MCP方法進行驅動下肢運動的腦肌電相干性分析及時延量化,進而謀求信息同步化方法,以完成驅動下肢運動的腦肌電信號同步化。

根據(jù)以上計算,可得到腦肌電顯著相干出現(xiàn)的中心頻率

及時刻

。

2.4 基于MCP的腦肌電時延估計

傳統(tǒng)時延估計方法主要基于相位譜分析

,采用兩時間序列互譜密度函數(shù)的相位譜斜率預估時間序列間的時延。但是,此種方法只能在信號的典型相關頻帶內(nèi)進行可靠的時延估計,不能用來估計窄頻帶相干信號的時延。驅動下肢運動神經(jīng)傳導通路的不同導致采集腦電及肌電的不同步,根據(jù)mvAR模型獲得的顯著相干中心頻率可以視作皮質與肌電信息交流最顯著的頻帶,時延

的存在導致兩相干序列的相干性下降,在顯著相干時刻及頻帶處人為地將滯后信號隨時間點向前移動,序列相干性將顯著提升

,當

=

時,相干性達最大值,此方法即為MCP方法,通過人為移動腦肌電序列可量化腦肌電之間的時延,如式(13)所示

=max(

(

))

(13)

式中:

-

為重構的腦肌電數(shù)據(jù),如式(2)所示;

為當前采樣點。

2.為錯題本標好頁碼，并在摘抄錯題時按順序為每道題標記題號，方便在做相關題分析、總結關聯(lián)時，可以更快知道某道錯題與錯題本上相關的錯題有哪些和在哪一頁；

3 數(shù)據(jù)采集與處理

3.1 實驗系統(tǒng)

為驗證本文提出的腦肌電同步化方法有效性,本文設計人體下肢穩(wěn)態(tài)力輸出實驗和抵消腦肌電時延后下肢運動意圖識別實驗并搭建相應平臺,以人體下肢穩(wěn)態(tài)力輸出實驗為例,進行實驗并驗證方法。實驗硬件系統(tǒng)如圖2所示,包括肌電采集電腦A、腦電采集電腦B、打標盒A、打標盒B、壓力檢測設備、WIFI、腦電帽及肌電儀。其中腦電帽為博睿康公司生產(chǎn)的32導腦電采集設備,用于采集腦電數(shù)據(jù)。肌電儀為博睿康公司生產(chǎn)的16導肌電采集設備,用于采集肌電數(shù)據(jù)。均自帶24位AD轉換器,共模抑制比為100 dB,采樣頻率為1 000 Hz。實驗開始時,采集獲得的肌電數(shù)據(jù)及腦電數(shù)據(jù)經(jīng)WIFI模塊分別無線傳輸至肌電采集電腦A及腦電采集電腦B,同時打標盒對腦電及肌電進行數(shù)據(jù)對齊,打標盒A及打標盒B分別同時對肌電采集電腦A及腦電采集電腦B進行打標,標記實驗開始及結束時刻。與此同時壓力檢測設備采集受試者足底壓力,傳輸至腦電采集電腦B并進行實時顯示。

穩(wěn)態(tài)力輸出實驗的實驗軟件系統(tǒng)如圖3所示,左邊界面顯示最大自主收縮力

的采集流程及目標壓力為0.8

,右方界面實時采集實驗中受試者足底壓力并進行顯示,上下紅色區(qū)域為根據(jù)最大自主收縮力確定的目標壓力區(qū)間,采集結束后進行數(shù)據(jù)確認,顯示“腦電長度足夠且達標成功”意味著本次實驗數(shù)據(jù)有效,可進行后續(xù)的數(shù)據(jù)保存等步驟。

初中生具有強烈的自我表現(xiàn)欲，為了充分發(fā)揮這種欲望，同時也為了突出英語教學的實踐性和交際性，我們經(jīng)常讓學生排練課本劇，學生對于筆者這種教學方式也很喜歡。每逢我們排練節(jié)目時，他們都能積極完成教師所布置的各項任務。如在筆者的一次公開課上，學生自編自導自演的外星人駕駛飛碟來到地球這一劇情，扮演外星人的學生那夸張怪異的造型以及含混不清的外星語言，加上其他人物的巧妙配合，這一劇情被他們表演得十分滑稽有趣，獲得了聽課同行的一致好評。

3.2 受試者及實驗范式

挑選S1～S4這4位受試者(1位女性、3位男性,平均年齡為(25±1.9)歲)進行下肢穩(wěn)態(tài)力輸出實驗,其中3位有腦電及肌電相關實驗經(jīng)驗;挑選S5～S12這8位受試者(2位女性、6位男性,平均年齡(26±1.5)歲)參加腦肌電融合識別實驗。以上所有受試者均無任何肢體或神經(jīng)系統(tǒng)疾病。實驗中同步采集受試者的腦電及肌電數(shù)據(jù),腦電電極按照國際標準10-20系統(tǒng)放置,采集受試者32導腦電通道信號。肌電采集共計16通道,左右腿各8個通道,所采集的肌肉分布在大腿及小腿上,包括股直肌、股外側肌、股內(nèi)側肌、股二頭肌、半腱肌/半膜肌、脛骨前肌、腓腸肌外側、腓腸肌內(nèi)側在內(nèi)的8塊下肢表面肌肉。

下肢穩(wěn)態(tài)力輸出實驗中,受試者雙目直視屏幕,呈坐姿,臀部接觸椅子且大腿懸空,大腿及小腿呈90度,雙腿分開同肩寬,足底壓力傳感器放置于腳后跟底面,實驗場景如圖4a所示。正式實驗開始前,采集每位受試者左右腿的最大自主收縮力,受試者保持踝部背伸,用腳后跟底面盡力下壓足底壓力傳感器并保持至少10 s,獲得左右腿的下肢足底的最大自主收縮力。根據(jù)左右腿的最大自主收縮力可以獲得左右腿的目標足底力輸出區(qū)間,由于足底壓力傳感器受到除了受試者施加的壓力還包括下肢自身重力,因此目標區(qū)間設置較高,為0.8

±10 N。受試者需完成單腿各10次實驗,每次實驗時長總計20 s。實驗中的腦肌電數(shù)據(jù)同步由打標完成,實驗開始前倒計時3 s,開始時聲音提示受試者進行10 s準備階段,在準備階段,受試者調整相應腿的力輸出,使其位于目標區(qū)間范圍內(nèi),10 s后進入正式腦電及肌電數(shù)據(jù)采集,受試者盡力保持10 s同一力輸出至實驗結束,5次重復實驗后休息5 min。實驗流程如圖4b所示。

3.3 腦電及肌電數(shù)據(jù)預處理

腦電及肌電數(shù)據(jù)采集頻率均為1 000 Hz,腦電數(shù)據(jù)經(jīng)1～100 Hz濾波后,去均值,采用自適應濾波去除50 Hz工頻干擾;肌電經(jīng)1～200 Hz濾波后,去均值,采用自適應濾波去除50 Hz工頻干擾。選擇分布在額葉頂部的初級運動皮層處C3、C4、Cz、Cp1、Cp2腦電通道,以及下肢股直肌、股外側肌、脛骨前肌、腓腸肌外側、腓腸肌內(nèi)側等肌電通道的數(shù)據(jù),單個受試者10次實驗共11通道的數(shù)據(jù)重構成原始高維數(shù)據(jù)

。

4 結果與討論

4.1 mvAR模型階數(shù)確定及腦肌電時頻相干性

(4)利用mvAR模型擬合的腦肌電數(shù)據(jù)

之間的相干性矩陣可用功率譜得出,如式(12)所示

由圖中結果可知,當模型階數(shù)從4增大至16時,模型

及

具有類似的變化規(guī)律,且都會在4～16中間取得最低值,找到

及

最低時對應的模型階數(shù),即可獲得每位受試者左、右腿的模型最終選擇階數(shù),如表1所示。

根據(jù)以上最優(yōu)模型階數(shù),可以對受試者左右腿分別建立mvAR模型進行擬合,并進行腦肌電相干性分析。取500 ms漢寧窗、400 ms重疊,頻率分辨為0.5 Hz,選取時長為5 s的準備階段及其后達到目標輸出且保持下肢穩(wěn)態(tài)力輸出5 s的數(shù)據(jù)段進行相干性分析,可以獲得每位受試者的腦肌電時頻相干譜。分別對比各受試者腦肌電時頻相干性,可以獲得具有顯著相干的腦肌電通道,如圖6所示。受試者S1在左腿的下肢穩(wěn)態(tài)力輸出實驗中,Cz腦電通道與大腿股直肌、股外側肌、股內(nèi)側肌等肌電通道具有顯著相干,同時隨穩(wěn)態(tài)力輸出保持時間的增加,相干也逐步增強。顯著相干頻帶分布于20～40 Hz之間,即對應腦電beta頻段的主要分布區(qū)間,圖中前5 s為準備階段數(shù)據(jù),從0時刻起,后5 s為輸出力達到目標輸出區(qū)間內(nèi)的有效數(shù)據(jù),S1在2.4 s左右時,Cz腦電通道與肌電通道間的相干性達到峰值。計算得到每位受試者所有腦電及肌電通道間的時頻相干譜,并將相關性低于0.1部分置0,可以確定具有顯著相干的腦肌電通道及對應的顯著相干中心頻率和時刻,如圖6所示。

從受試者顯著相干通道間時頻相干譜中可以發(fā)現(xiàn):各受試者在下肢穩(wěn)態(tài)力輸出實驗中,呈顯著性相干的腦電與肌電通道,腦電通道大部分為Cz通道,分布于前額葉頂部初級運動區(qū),為控制下肢運動的運動感覺區(qū)域,與大腦皮層的運動控制理論一致;各受試者的顯著相干頻帶,即皮質-肌肉耦合最強的頻帶,均分布在20～50 Hz范圍內(nèi),出現(xiàn)時刻大多在0時刻以后,具體峰值相干出現(xiàn)的中心頻率與時刻如表2所示。

充分發(fā)揮訴前程序作用。牢牢把握“訴訟不是目的、維護公益才是目的”的價值目標，將工作的重點放在訴前督促整改環(huán)節(jié)，督促行政機關履職。通過發(fā)出檢察建議、約談、走訪、訴前圓桌會議、訴訟風險提示等方式，督促行政機關整改糾錯，全面履行法定職責。三年來，全省檢察機關共向行政機關發(fā)出督促履職檢察建議6577件，各地政府職能部門積極整改、主動履職，訴前整改率從2016年的69%上升到目前的93.4%。

由表2可見,各受試者腦肌電顯著相干中心頻率大分布在20～30 Hz之間,S2受試者在-4.2 s時出現(xiàn)顯著相干,推測為該被試在準備時間內(nèi)即已達到目標區(qū)間力輸出,因此早于其他受試者出現(xiàn)顯著相干。所得到的的顯著相干中心頻率分布區(qū)間與現(xiàn)有研究一致

,例如早在2000年,Gross等就已發(fā)現(xiàn)人體執(zhí)行等長收縮運動時,在20 Hz為中心的頻帶存在較強的皮質肌肉相干現(xiàn)象

。M?ller等使用mvAR模型發(fā)現(xiàn)腦電中的相干性

。2012年,Muthuraman等在beta頻帶發(fā)現(xiàn)較強的腦肌電相干性

。基于表2各受試者通道的顯著相干頻率及時刻,可以使用最大化相干性法則進行腦肌電時延估算。

4.2 最大化相干性法則的時延估算

確認各受試者顯著相干出現(xiàn)的中心頻率及時刻后,使用最大化相干性法則對腦肌電間時延進行估算。根據(jù)人體神經(jīng)傳輸及運動控制等先驗知識,肌電的產(chǎn)生滯后于腦電,因此將每位受試者顯著相干出現(xiàn)的中心頻率及時刻處的腦電及肌電進行50 ms數(shù)據(jù)點人工平移,計算相干性并多次實驗進行平均后,可得到相干性變化曲線。圖7為S1的腦肌電相干性變化曲線。

圖7中,橫坐標0時刻點對應未進行平移時,受試者該次單腿穩(wěn)態(tài)力輸出實驗中,腦肌電的峰值相干性,橫坐標負向代表將滯后肌電數(shù)據(jù)向滯后方向平移,正向代表將滯后肌電數(shù)據(jù)向提前方向平移。根據(jù)圖7所示的腦肌電相干性變化曲線,可以發(fā)現(xiàn)受試者的腦肌電相干性在正向提前方向平移后逐步增加到達峰值后下降;向滯后方向平移肌電數(shù)據(jù)時,腦肌電相干性將顯著降低。這意味著當腦肌電間的滯后時延被抵消時,腦肌電間相干性將達到峰值,而當時延人為增大時,這一相干性又會降至谷值。進行受試者確認峰值相干性對應時刻即可獲得每位受試者單腿的腦肌電時延估算結果,如表3所示。

計算得到受試者的腦肌電時延均分布在20 ms左右,左腿肌電整體平均滯后于腦電(23.3±11.4) ms(平均值±標準差),右腿平均滯后于腦電(19.8±4.8) ms。結果表明,各個受試者之間的腦肌電時延指標并無顯著性差異,具有普遍存在性。

在獲得每位受試者腦肌電時延后,為了驗證時延估計的有效性,選擇S5～S12共8位受試者進行了抵消時延后的腦肌電融合識別下肢運動意圖實驗。實驗中的8位受試者采用腦肌電平均時延進行補償,獲得8位受試者的識別準確率如表4所示。最后,為驗證本算法的穩(wěn)健性,增加滑動時窗長度進行腦肌電融合識別,減少抵消時延部分與腦肌電數(shù)據(jù)的占比,可得到最終結果如表5所示。

結合表4和表5可知,基于腦肌電特征融合下肢運動意圖在抵消腦肌電時延后準確率有部分的提升,在50 ms時窗劃分數(shù)據(jù)進行識別時,S5～S12這8位受試者的意圖識別準確率平均提升了1.42%±0.68%(

=0.48),受試者腦肌電總體時延越大,時延補償后提升效果越顯著。當分類的分割時窗長度變長時,抵消時延部分占比減小,提升效果有所降低,但仍可提升原始腦肌電包含的驅動下肢運動信息,考慮到抵消時延數(shù)據(jù)量相對用于整體識別的腦肌電數(shù)據(jù)量較小,帶來的部分準確率提升可視為有效。時窗長度變化后,本方法均可提升腦肌電融合識別下肢運動意圖的準確率,抵消時延數(shù)據(jù)量相對用于整體識別的腦肌電數(shù)據(jù)量越大,提升效果越明顯,因此本文所提出方法可有效同步腦肌電中的下肢運動意圖信息,同時提升腦肌電融合識別穩(wěn)定性。

教學內(nèi)容是開展體育課堂教學的前提和基礎，因此構建生活化的課堂教學，自然要引進生活化的教學內(nèi)容。對于體育課堂教學，教師不能一成不變，要積極尋求新的亮點，尋找新穎和新奇，激發(fā)學生的學習興趣，吸引學生的眼球，讓學生積極踴躍參與體育運動。在小學的體育教學中，有很多基礎知識對于小學階段的學生來講理解比較困難，因此教師就要引進生活化的教學內(nèi)容，來進一步提高小學生的學習自信心。

對比現(xiàn)有的針對皮質肌肉相干性展開的研究,Muthuraman等基于離散傅里葉變換進行腦肌電相干性時頻分析,確定了多通道腦肌電的典型相干頻帶

,但采用離散傅里葉變化分析精度有限。Anirban Chwodhury等采用手部運動中腦肌電相干性作為控制外設的信號源,采用信號互譜密度函數(shù)直接計算通道信號相干性

,此種方法可以快速進行兩通道信號相干性的分析,但缺失了時間分辨率。Xu等采用短時傅里葉變換進行腦肌電相干性分析,并使用最大化相干性法則進行了腦肌電時延估算,得到腦肌電時延估算值約為25 ms的結果

,與本文估算結果類似,但短時傅里葉變換無法同時保證高精度的時間分辨率及頻率分辨率。以上研究大多針對上肢所展開,且大部分只進行了腦肌電相干性的定性分析,并未進行腦肌電的時延量化。本文所提出的方法使用高維模型擬合同一被試所有實驗及通道的腦肌電數(shù)據(jù),可以在高精度的時間分辨率及頻率分辨率的前提下進行腦肌電相干性分析,并在此基礎上實現(xiàn)了腦肌電的時延量化。

目前,國內(nèi)外采用腦肌電融合進行意圖識別的研究仍處于信號組合的簡單應用階段,且缺乏理論研究。但已有研究證明了腦肌電中蘊含的運動意圖信息不一致這一現(xiàn)象,如Liu等利用肌電進行下肢運動的標記,使用腦電檢測運動意圖,在運動真實發(fā)生的時刻以前即可采用腦電檢測到運動意圖信息

。同樣在Eileen Lew、Mads Jochumsen等多個團隊的研究中同樣發(fā)現(xiàn)了腦肌電的這一特點

。由于同一運動意圖誘發(fā)的腦肌電在時間上不一致,導致直接使用同步采集得到的腦肌電進行運動意圖識別在理論基礎上存在缺陷,而通過本文的研究證明了腦肌電的響應時間差,雖然這一時延并不大,但是在肌肉或精神疲勞狀態(tài)下,這一時延帶來的影響同樣會增大,那么消除二者之間的時間差所帶來的性能提升就會被放大。綜上所述,本文所提出的方法實現(xiàn)了腦肌電運動意圖信息的同步,最終使整體融合識別正確率有部分提升,在時窗變化時仍然保持了提升效果,不僅有限效增加了腦肌電融合識別的穩(wěn)定性,也同時提升了腦肌電融合識別這一方法的邏輯性。

5 結 論

針對下肢運動意圖驅動下肢運動中腦肌電信息不同步、現(xiàn)有的下肢運動特定腦肌電時延研究不充分的缺點,本文提出一種采用mvAR模型擬合驅動下肢運動多通道腦電及肌電信號,并基于計算獲得的CMC采用MCP量化腦肌電時延的方法。通過腦肌電時延抵消實現(xiàn)了驅動下肢運動腦肌電信息同步化,并設計實驗對方法的性能進行研究和驗證,得出以下主要結論:①mvAR模型可以有效擬合多通道多次實驗的腦肌電數(shù)據(jù),進行高精度的時頻相干性分析;②人體在進行穩(wěn)態(tài)力輸出時,腦肌電在beta頻段具有顯著相干現(xiàn)象。實驗結果表明,S1～S4這4名受試者的左腿平均時延為(23.3±11.4) ms,右腿平均時延為(19.8±4.8) ms;③抵消腦肌電時延可以有效同步化腦肌電運動信息同時也增加了識別系統(tǒng)的穩(wěn)定性。當采集時窗為50 ms時,S5～S12這8位受試者抵消時延后的腦肌電較未抵消時延的識別準確率提升了(1.55±0.86)%,且隨時窗長度變大,仍可保持提升效果。本文方法及結論可提升腦肌電融合穩(wěn)定性,同時為驅動下肢運動的神經(jīng)肌肉傳導通路研究、以腦肌電作為信息源的外設控制優(yōu)化研究奠定基礎。

由于偽跡信號以及信號的時變、微弱特性,腦肌電融合識別下肢運動意圖的準確率依舊較低,還需要更加精準的濾波方法以及識別算法進行性能上的提升。同時,還需驗證本文方法在不同類型受試者(如士兵、下肢功能障礙患者等)上的穩(wěn)健性。以上研究內(nèi)容將在研究的下一階段中進行補充完善。

:

[1] 張騰, 張小棟, 張英杰, 等. 引入深度強化學習思想的腦-機協(xié)作精密操控方法 [J]. 西安交通大學學報, 2021, 55(2): 1-9.

ZHANG Teng, ZHANG Xiaodong, ZHANG Yingjie, et al. A precise control method for brain-computer cooperation with deep reinforcement learning [J]. Journal of Xi’an Jiaotong University, 2021, 55(2): 1-9.

[2] 李瀚哲, 張小棟, 李睿, 等. 利用運動準備電位的人體下肢自主運動意圖預先感知方法 [J]. 西安交通大學學報, 2019, 53(10): 16-23.

LI Hanzhe, ZHANG Xiaodong, LI Rui, et al. A preperception method for voluntary movement intention of lower limb using readiness potential [J]. Journal of Xi’an Jiaotong University, 2019, 53(10): 16-23.

[3] BROWN P, FARMER S F, HALLIDAY D M, et al. Coherent cortical and muscle discharge in cortical myoclonus [J]. Brain, 1999, 122(3): 461-472.

[4] LINDEMANN M, RAETHJEN J, TIMMER J, et al. Delay estimation for cortico-peripheral relations [J]. Journal of Neuroscience Methods, 2001, 111(2): 127-139.

[5] CONWAY B A, HALLIDAY D M, FARMER S F, et al. Synchronization between motor cortex and spinal motoneuronal pool during the performance of a maintained motor task in man [J]. The Journal of Physiology, 1995, 489(3): 917-924.

[6] SALENIUS S, PORTIN K, KAJOLA M, et al. Cortical control of human motoneuron firing during isometric contraction [J]. Journal of Neurophysiology, 1997, 77(6): 3401-3405.

[7] XIFRA-PORXAS A, KOSTOGLOU K, LARIVIERE S, et al. Identification of time-varying cortico-cortical and cortico-muscular coherence during motor tasks with multivariate autoregressive models [C]∥2018 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, NJ, USA: IEEE, 2018: 1024-1027.

[8] HASHIMOTO Y, USHIBA J, KIMURA A, et al. Correlation between EEG-EMG coherence during isometric contraction and its imaginary execution [J]. Acta Neurobiologiae Experimentalis, 2010, 70(1): 76-85.

[9] GOVINDAN R B, RAETHJEN J, KOPPER F, et al. Estimation of time delay by coherence analysis [J]. Physica: A Statistical Mechanics and Its Applications, 2005, 350(2/3/4): 277-295.

[10]MENG Fei, TONG Kaiyu, CHAN S T, et al. Cerebral plasticity after subcortical stroke as revealed by cortico-muscular coherence [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2009, 17(3): 234-243.

[11]XU Yuhang, MCCLELLAND V M, CVETKOVIC Z, et al. Corticomuscular coherence with time lag with application to delay estimation [J]. IEEE Transactions on Biomedical Engineering, 2017, 64(3): 588-600.

[12]鄭行. 上肢運動的皮層肌肉耦合及分析方法 [D]. 杭州: 杭州電子科技大學, 2019: 13-23.

[13]MIMA T, STEGER J, SCHULMAN A E, et al. Electroencephalographic measurement of motor cortex control of muscle activity in humans [J]. Clinical Neurophysiology, 2000, 111(2): 326-337.

[14]MIMA T, HALLETT M. Electroencephalographic analysis of cortico-muscular coherence: reference effect, volume conduction and generator mechanism [J]. Clinical Neurophysiology, 1999, 110(11): 1892-1899.

[15]崔冬. 多通道腦電信號建模及同步分析 [D]. 河北秦皇島: 燕山大學, 2011.: 11-16

[16]楊芳梅. 基于神經(jīng)肌肉功能耦合的腦肌電多尺度同步分析方法研究 [D]. 河北秦皇島: 燕山大學, 2017: 13-24.

[17]MENG Fei, TONG Kaiyu, CHAN S T, et al. Study on connectivity between coherent central rhythm and electromyographic activities [J]. Journal of Neural Engineering, 2008, 5(3): 324-332.

[19]DING Mingzhou, BRESSLER S L, YANG Weiming, et al. Short-window spectral analysis of cortical event-related potentials by adaptive multivariate autoregres-sive modeling: data preprocessing, model validation, and variability assessment [J]. Biological Cybernetics, 2000, 83(1): 35-45.

[20]CHWODHURY A, RAZA H, DUTTA A, et al. A study on cortico-muscular coupling in finger motions for exoskeleton assisted neuro-rehabilitation [C]∥2015 37th Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, NJ, USA: IEEE, 2015: 4610-4614.

[21]GROSS J, TASS P A, SALENIUS S, et al. Cortico-muscular synchronization during isometric muscle contraction in humans as revealed by magnetoencephalography [J]. The Journal of Physiology, 2000, 527(3): 623-631.

[22]M?LLER E, SCHACK B, ARNOLD M, et al. Instantaneous multivariate EEG coherence analysis by means of adaptive high-dimensional autoregressive models [J]. Journal of Neuroscience Methods, 2001, 105(2): 143-158.

[23]LIU Dong, CHEN Weihai, LEE K, et al. EEG-based lower-limb movement onset decoding: continuous classification and asynchronous detection [J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2018, 26(8): 1626-1635.

[24]LEW E, CHAVARRIAGA R, ZHANG Huaijian, et al. Self-paced movement intention detection from human brain signals: invasive and non-invasive EEG [C]∥2012 Annual International Conference of the IEEE Engineering in Medicine and Biology Society. Piscataway, NJ, USA: IEEE, 2012: 3280-3283.

[25]JOCHUMSEN M, ROVSING C, ROVSING H, et al. Classification of hand grasp kinetics and types using movement-related cortical potentials and EEG rhythms [J]. Computational Intelligence and Neuroscience, 2017, 2017: 7470864.