腦電-肌電信號(hào)樣本熵與小波熵分析*

喬曉艷，胡文龍

(山西大學(xué) 物理電子工程學(xué)院，山西 太原 030006)

?

腦電-肌電信號(hào)樣本熵與小波熵分析*

喬曉艷，胡文龍

(山西大學(xué) 物理電子工程學(xué)院，山西 太原 030006)

摘要:為了探索自主動(dòng)作和電刺激產(chǎn)生動(dòng)作兩種不同模式下的大腦運(yùn)動(dòng)皮層活動(dòng)與肌肉收縮之間的關(guān)系，搭建了腦電和肌電實(shí)驗(yàn)測(cè)量平臺(tái)，設(shè)計(jì)了自主腕部外旋和穴位電刺激兩種實(shí)驗(yàn)動(dòng)作模式，同步采集不同動(dòng)作模式誘發(fā)的腦電信號(hào)和表面肌電信號(hào)，計(jì)算和分析信號(hào)的樣本熵與小波熵. 結(jié)果發(fā)現(xiàn)穴位電刺激模式下，腦電信號(hào)樣本熵增大，肌電信號(hào)樣本熵減小，腦-肌電的平均互樣本熵增大，肌電信號(hào)的小波熵明顯減小. 表明穴位電刺激使大腦活動(dòng)復(fù)雜性提高，肌肉活動(dòng)的有序性增強(qiáng)，出現(xiàn)了優(yōu)勢(shì)節(jié)律，腦-肌電協(xié)同性提高.

關(guān)鍵詞:樣本熵； 小波熵； 腦電信號(hào)； 肌電信號(hào)； 經(jīng)穴電刺激

0引言

經(jīng)穴電刺激是將中醫(yī)穴位方法與電刺激技術(shù)相結(jié)合，通過刺激人體穴位，激活與穴位相連通的可興奮運(yùn)動(dòng)神經(jīng)元，引起中樞神經(jīng)興奮，從而調(diào)節(jié)機(jī)體活動(dòng). 腦電(EEG)和肌電(EMG)是一種非常復(fù)雜的非線性隨機(jī)信號(hào)，非線性特征(信息熵)可以很好地揭示EEG和EMG信號(hào)的復(fù)雜性和有序性[1]. 樣本熵可以量化時(shí)間序列復(fù)雜性和研究時(shí)間序列特性，小波熵是度量信號(hào)能量在子空間分布無序程度的重要工具，樣本熵和小波熵近年來廣泛應(yīng)用于生物醫(yī)學(xué)信號(hào)分析[2-3]. 因此，分析EEG和EMG信號(hào)的樣本熵和小波熵，可以探索經(jīng)穴電刺激下的腦電信號(hào)和肌電信號(hào)的復(fù)雜性和有序性.

目前，對(duì)于樣本熵和小波熵的研究，大多集中于對(duì)單一腦電或肌電信號(hào)的分析. Guo Lei等人在磁刺激穴位研究針灸的理論中使用樣本熵，提高了信息傳輸速率[4]； N Sriraam等人通過對(duì)腦電小波和小波包的分析，發(fā)現(xiàn)小波熵可以作為一個(gè)鑒別癲癇發(fā)作的潛在指標(biāo)[5]； Jiufu Liu等人利用小波熵探討酒精對(duì)大腦復(fù)雜度的影響，發(fā)現(xiàn)飲用者的腦電小波熵顯著大于正常人群的小波熵，并且腦電復(fù)雜度提高[6]. 這些研究從一定層面反映了樣本熵和小波熵在分析腦電信號(hào)復(fù)雜性和有序性方面的潛力.

本文以自主手腕外旋以及電刺激穴位產(chǎn)生手腕外旋作為兩種實(shí)驗(yàn)動(dòng)作模式，同步采集兩種動(dòng)作模式誘發(fā)的EEG和EMG信號(hào)，研究EEG和EMG信號(hào)的信息熵，探索自主腕部外旋以及經(jīng)穴電刺激模式下的腦電和肌電信號(hào)的復(fù)雜性和協(xié)同性，為腦認(rèn)知科學(xué)、人工智能、康復(fù)工程等領(lǐng)域的研究奠定基礎(chǔ)并提供科學(xué)依據(jù).

1實(shí)驗(yàn)方法與信號(hào)采集

經(jīng)穴電刺激誘發(fā)腦電-肌電信號(hào)實(shí)驗(yàn)測(cè)量系統(tǒng)如圖1 所示. 首先，低頻電刺激分別作用于受試者曲池穴和內(nèi)關(guān)穴，電刺激開始后，觸發(fā)同步發(fā)生器，同時(shí)向40導(dǎo)腦電儀和16通道表面肌電儀發(fā)送同步標(biāo)記信號(hào)，利用電極同步采集FC3, C3, CP3, FC4, C4, CP4 6個(gè)導(dǎo)聯(lián)的腦電信號(hào)和橈側(cè)腕屈肌的表面肌電信號(hào)，并通過USB 接口傳送至計(jì)算機(jī)軟件平臺(tái)進(jìn)行顯示和數(shù)據(jù)處理.

圖1　經(jīng)穴電刺激誘發(fā)腦電-肌電實(shí)驗(yàn)測(cè)量系統(tǒng)框圖Fig.1　The system diagram of acupoint electrical stimulation evoked EEG-EMG measurement

實(shí)驗(yàn)測(cè)試選用 8 名健康大學(xué)生，均無相關(guān)的肌肉、骨骼、神經(jīng)疾病，測(cè)試前24 h 內(nèi)未做劇烈運(yùn)動(dòng)，以排除過度運(yùn)動(dòng)肌肉殘余疲勞對(duì)測(cè)試結(jié)果的影響. 實(shí)驗(yàn)測(cè)試時(shí)，受試者靜坐在椅子上，身體自然放松，前臂平放在實(shí)驗(yàn)臺(tái)上. ① 用乙醇和生理鹽水對(duì)電極安放處的皮膚進(jìn)行清潔，以降低皮膚與電極的接觸阻抗； ② 采用國(guó)際10～20導(dǎo)聯(lián)標(biāo)準(zhǔn)安放腦電電極，表面肌電電極置于橈側(cè)腕屈肌肌腹處，平行于肌纖維的方向放置； ③ 設(shè)定人體經(jīng)穴電刺激的電流強(qiáng)度，由于存在個(gè)體差異，先對(duì)受試者施加3次電刺激來確定腕關(guān)節(jié)達(dá)到外旋時(shí)的刺激強(qiáng)度，實(shí)驗(yàn)過程保持該電刺激強(qiáng)度不變. ④ 啟動(dòng)同步發(fā)生器，當(dāng)電刺激人體相應(yīng)穴位時(shí)，同步采集記錄相關(guān)電極上的腦電信號(hào)和肌電信號(hào).

穴位電刺激產(chǎn)生腕部外旋動(dòng)作(刺激組)實(shí)驗(yàn)時(shí)，電刺激儀的刺激電極片分別置于人體曲池穴和內(nèi)關(guān)穴處，采用2Hz頻率連續(xù)波電刺激穴位30 s，同步采集并記錄相應(yīng)的腦電信號(hào)和肌電信號(hào).

自主腕部外旋動(dòng)作(對(duì)照組)實(shí)驗(yàn)時(shí)，當(dāng)屏幕上呈現(xiàn)右箭頭時(shí)，受試者開始執(zhí)行腕部外旋和回復(fù)動(dòng)作，外旋到最大位置，回復(fù)到自然位置，5 s執(zhí)行8次動(dòng)作. 每隔5 s重復(fù)執(zhí)行這一過程，采集并記錄30 s的腦電信號(hào)和肌電信號(hào). 腦電信號(hào)的采樣頻率為200 Hz，肌電信號(hào)采樣頻率為1 kHz.

圖2 和圖3 分別為自主腕部外旋采集的C3導(dǎo)聯(lián)原始腦電信號(hào)和橈側(cè)腕屈肌的表面肌電信號(hào).

圖2　自主腕部外旋動(dòng)作的C3導(dǎo)聯(lián)原始腦電信號(hào)Fig.2　The original EEG signal of independent wrist supination in C3 lead

圖3　自主腕部外旋動(dòng)作的橈側(cè)腕屈肌原始表面肌電信號(hào)Fig.3　The original sEMG signal of independent wrist supination in flexor carpi radialis

2信號(hào)分析方法

由于EEG和EMG是一種隨機(jī)性很強(qiáng)的非平穩(wěn)微弱信號(hào)，極易被各種噪聲干擾污染，在進(jìn)行信息熵分析之前，必須對(duì)采集的原始信號(hào)進(jìn)行預(yù)處理. 通過自適應(yīng)陷波器濾除50 Hz工頻干擾； 通過數(shù)字帶通濾波，獲得有用頻帶的腦電信號(hào)與肌電信號(hào)，同時(shí)去除直流漂移[7]； 通過小波閾值去噪方法消除測(cè)量中的偽跡和噪聲[8-9]. 數(shù)據(jù)預(yù)處理后，可以得到純凈的誘發(fā)腦電和肌電信號(hào).

2.1樣本熵方法

樣本熵是一種復(fù)雜測(cè)量非線性分析方法，通過分析信號(hào)的復(fù)雜度，反映它的非線性特征. 樣本熵值越大，信號(hào)時(shí)間序列的復(fù)雜度越高，產(chǎn)生新信息的速率越高，該方法尤其適合分析非平穩(wěn)非線性的腦電信號(hào)和肌電信號(hào)[10]. 其具體算法步驟如下：

1) 設(shè)腦電信號(hào)時(shí)間序列為X(N)，肌電信號(hào)時(shí)間序列為Y(N)，N為時(shí)間序列長(zhǎng)度. 將其按順序組成m維矢量，即

(1)

(2)

式中：Xm(i),Ym(j)表示從第i點(diǎn)開始，連續(xù)m個(gè)x(i)，y(j)的值.

2) 計(jì)算每組矢量Xm(i)和Ym(i)之間的距離，定義d[Xm(i),Ym(j)]為兩者對(duì)應(yīng)元素中差值最大的一個(gè)，即

(3)

(4)

4) 對(duì)所有i求平均值

(5)

5) 將維數(shù)加1，組成m+1維矢量，重復(fù)步驟1)～4)，得到Bm+1(r).

6) 計(jì)算互樣本熵值

(6)

利用上述方法，計(jì)算腦電信號(hào)和肌電信號(hào)的互樣本熵. 通常取m=1或2，r=0.1～0.25，所得的樣本熵具有合理的統(tǒng)計(jì)特性[11]. 本文經(jīng)試驗(yàn)，取m=1，r=0.2合適.

2.2小波熵方法

小波變換反映了信號(hào)時(shí)頻域信息，小波熵是以小波變換理論為基礎(chǔ)的一種分析方法，通過計(jì)算小波分解后的信號(hào)序列能量信息熵值，對(duì)信號(hào)時(shí)頻域能量分布進(jìn)行定量描述分析，主要用于分析非平穩(wěn)信號(hào)[12]. 對(duì)非常有序的信號(hào)，小波熵接近于零； 對(duì)于一個(gè)非平穩(wěn)信號(hào)，小波熵值較大. 小波熵的具體實(shí)現(xiàn)方法如下：

(7)

2) X(t)重構(gòu)信號(hào)為

(8)

(9)

4) 信號(hào)X(t)的總能量即為每個(gè)子信號(hào)能量之和

(10)

5) 定義相對(duì)小波能量為每個(gè)子空間信號(hào)能量與信號(hào)總能量之比，即

(11)

相對(duì)小波能量集{p1,p2,…,pn}覆蓋了信號(hào)的整個(gè)頻帶范圍，每個(gè)子信號(hào)pn描述了信號(hào)在這個(gè)子空間的能量分布的概率.

6) 小波熵為

(12)

3結(jié)果與分析

3.1腦電和肌電信號(hào)樣本熵分析

以C3導(dǎo)聯(lián)腦電信號(hào)和橈側(cè)腕屈肌處的肌電信號(hào)為例，對(duì)8名受試者的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行動(dòng)態(tài)分析. 比較自主腕部外旋狀態(tài)和經(jīng)穴電刺激狀態(tài)下，腦電和肌電信號(hào)在30s內(nèi)的樣本熵值變化，結(jié)果如圖4 和圖5 所示.

從圖4 可知，自主腕部外旋狀態(tài)下，腦電信號(hào)的樣本熵值小而且變化幅度小； 而經(jīng)穴電刺激下，腦電信號(hào)的樣本熵值較高且變化幅度大. 結(jié)果表明： 自主腕部外旋狀態(tài)，腦電信號(hào)的時(shí)間序列比較“有序”，腦電信號(hào)的復(fù)雜度低，樣本熵值低. 經(jīng)穴電刺激狀態(tài)下，腦電信號(hào)呈現(xiàn)復(fù)雜化，樣本熵值較高； 然而隨著電刺激時(shí)間的延長(zhǎng)，大腦皮層運(yùn)動(dòng)區(qū)域被激活，腦電信號(hào)的序列復(fù)雜度降低，樣本熵值隨之減小.

由圖5 可知，經(jīng)穴電刺激下，肌電信號(hào)的樣本熵值較小且波動(dòng)不大，而自主腕部外旋狀態(tài)下，肌電信號(hào)樣本熵值增大且波動(dòng)較大. 這是由于整個(gè)實(shí)驗(yàn)過程經(jīng)穴電刺激強(qiáng)度不改變，產(chǎn)生的肌電信號(hào)按照電刺激頻率周期性變化，肌電信號(hào)的時(shí)間序列有序性增強(qiáng)，復(fù)雜度降低.

圖4　腦電信號(hào)的樣本熵值Fig.4　The sample entropy of EEG signal

圖5　肌電信號(hào)的樣本熵值Fig.5　The sample entropy of EMG signal

圖6 給出了C3導(dǎo)聯(lián)的腦電信號(hào)和橈側(cè)腕屈肌處的肌電信號(hào)的平均互樣本熵值，進(jìn)而分析腦-肌電信號(hào)的協(xié)同性. 實(shí)驗(yàn)結(jié)果表明： 自主腕部外旋下，大腦對(duì)肌肉的調(diào)控作用增強(qiáng)，減弱了腦電和肌電信號(hào)的非線性程度，故樣本熵較低； 經(jīng)穴電刺激狀態(tài)下，腦-肌電信號(hào)的平均互樣本熵值變化較大，表明外界刺激使得腦-肌信號(hào)的協(xié)同性呈現(xiàn)一個(gè)不斷建立的過程.

圖6　腦-肌電信號(hào)的平均互樣本熵值Fig.6　The mean mutual sample entropy of EEG and EMG signal

3.2腦電和肌電信號(hào)小波熵分析

小波熵能夠反映信號(hào)能量在各個(gè)子空間分布的有序和無序程度，能量分布越是均勻，代表在整個(gè)信號(hào)頻帶中沒有優(yōu)勢(shì)的能量分布，其相對(duì)小波能量近似相等，計(jì)算出來的小波熵值較大； 能量分布不均勻時(shí)，在整個(gè)信號(hào)頻帶中有優(yōu)勢(shì)的和相對(duì)弱勢(shì)的能量分布，計(jì)算出來的小波熵值較小.

以C3導(dǎo)聯(lián)腦電和橈側(cè)腕屈肌處的肌電信號(hào)為例，對(duì)腦電和肌電數(shù)據(jù)進(jìn)行動(dòng)態(tài)分析. 比較自主腕部外旋狀態(tài)和經(jīng)穴電刺激狀態(tài)的小波熵值變化，結(jié)果如圖7 和圖8 所示.

圖7　腦電信號(hào)的小波熵值Fig.7　The wavelet entropy of EEG signal

圖8　肌電信號(hào)的小波熵值Fig.8　The wavelet entropy of EMG signal

由圖7 可知，自主腕部外旋下的腦電小波熵值較低，表明信號(hào)的能量分布不均勻，腦電出現(xiàn)了優(yōu)勢(shì)節(jié)律，此時(shí)信號(hào)的復(fù)雜性降低，有序性高； 經(jīng)穴電刺激下的腦電信號(hào)的小波熵值波動(dòng)較大，表明在經(jīng)穴電刺激下，腦電的能量分布在不斷發(fā)生著變化，這是由于大腦在不斷綜合分析著刺激反饋的體感信息. 從圖8可知，自主腕部外旋下的肌電信號(hào)時(shí)間序列小波熵值增大，信號(hào)復(fù)雜性增加，特別是外旋運(yùn)動(dòng)反復(fù)執(zhí)行后，肌肉產(chǎn)生疲勞，小波熵值波動(dòng)較大. 而經(jīng)穴電刺激下的肌電小波熵值明顯減小且波動(dòng)性小，因此可采用經(jīng)穴電刺激恢復(fù)大腦和肌肉疲勞.

4結(jié)論

本研究是在經(jīng)穴刺激誘發(fā)和自主腕部外旋兩種模式下，對(duì)腦電和肌電信號(hào)進(jìn)行信息熵分析，探究大腦活動(dòng)與相關(guān)肌肉活動(dòng)的關(guān)系. 搭建了實(shí)驗(yàn)測(cè)量平臺(tái)，設(shè)計(jì)了穴位電刺激和自主腕部外旋兩組誘發(fā)實(shí)驗(yàn)?zāi)Ｊ?，采集到不同模式下的腦電信號(hào)和表面肌電信號(hào)，進(jìn)行了樣本熵和小波熵的研究. 結(jié)果顯示在經(jīng)穴電刺激下，腦電的樣本熵增大，肌電的樣本熵減小，腦-肌電信號(hào)的平均互樣本熵值增大，腦電的小波熵值波動(dòng)較大，肌電的小波熵值明顯減小. 表明穴位電刺激使大腦活動(dòng)復(fù)雜性提高，肌肉活動(dòng)的有序性增強(qiáng)，出現(xiàn)了優(yōu)勢(shì)節(jié)律，腦電-肌電協(xié)同性提高.

參考文獻(xiàn)：

[1]DucheneJ,HogrelJY.AmodelofEMGgeneration[J].IEEEtransactionsonbiomedicalengineering, 2000, 47(2)： 192-201.

[2]李立，曹銳，相潔. 腦電數(shù)據(jù)近似熵與樣本熵特征對(duì)比研究[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2014，35(3)： 1021-1026.

LiLi,CaoRui,XiangJie.ComparativestudyofapproximateentropyandsampleentropyfeaturesofEEGdata[J].ComputerEngineeringandDesign,，2014，35(3)： 1021-1026. (inChinese)

[3]羅志增，沈寒霄. 表面肌電信號(hào)的基本尺度熵分析方法[J]. 華中科技大學(xué)學(xué)報(bào)，2008，36(增)： 102-104.

LuoZhizeng,ShenHanxiao.TheanalysismethodofsurfaceEMGsignalbasescaleentropy[J].JournalofHuazhongUniversityofScienceandTechnology，2008，36(Suppl)： 102-104. (inChinese)

[4]GuoLei,WangYao,YuHongli,etal.StudyofbrainfunctionalnetworkbasedonsampleentropyofEEGundermagneticstimulationatPC6acupoint[J].Bio-medicalMaterialsandEngineering, 2014, 24(1)： 1063-1069.

[5]SriraamN,RaghuS,PradeepKumarG,etal.EffectofWaveletPacketLogEnergyEntropyonElectroencephalogram(EEG)Signals[J]. 32InternationalJournalofBiomedicalandClinicalEngineering, 2015, 4(1)： 32-43.

[6]LiuJiufu,MaGuofu,ZhouZaihong,etal.Complexityanalysisfordrinkers’EEGviawaveletentropy[J].JournalofFiberBioengineeringandInformatics，2014(7)： 535-548.

[7]梁津國(guó)，羅二平，申廣浩，等. 基于自適應(yīng)濾波器的表面肌電信號(hào)消噪方法研究[J]. 中國(guó)醫(yī)學(xué)物理學(xué)雜志, 2008, 25(3)： 679-681.

LiangJinguo,LuoErping,ShenGuanghao,etal.TheresearchofnoisecancelingmethodforsurfaceEMGsignalbasedontheadaptivefilter[J].ChineseJournalofMedicalPhysics, 2008, 25(3)： 679-681. (inChinese)

[8]馬玉良，許明珍，佘青山，等. 基于自適應(yīng)閾值的腦電信號(hào)去噪方法[J]. 傳感技術(shù)學(xué)報(bào), 2014, 27(10)： 1368-1372.

MaYuliang,XuMingzhen,SheQingshan,etal.ThenoisecancelingmethodforEEGsignalbasedontheadaptivethreshold[J].JournalofTransductionTechnology, 2014, 27(10)： 1368-1372. (inChinese)

[9]XingGuoquan,YeHuashan,ZhangYuxia,etal.Anewwaveletimagede-noisingmethodbasedonnewthresholdfunction[J].JournalofBiomedicalEngineering，2013, 30(4)： 743-747.

[10]燕楠，王玨，魏娜，等. 基于樣本熵的注意力相關(guān)腦電特征信息提取與分類[J]. 西安交通大學(xué)學(xué)報(bào), 2007, 41(10)： 1237-1241.

YanNan,WangJue,WeiNa,etal.TheextractionandclassificationofEEGfeatureinformationbasedonsampleentropy[J].JournalofXi’anJiaotongUniversity, 2007, 41(10)： 1237-1241. (inChinese)

[11]金德聞, 張濟(jì)川. 康復(fù)工程學(xué)的研究與發(fā)展[J]. 現(xiàn)代康復(fù), 2000, 4(5)： 643-646.

JinDewen,ZhangJichuan.Researchanddevelopmentofrehabilitationengineering[J].ModernRehabilitation, 2000, 4(5)： 643-646. (inChinese)

[12]董燕青，談國(guó)強(qiáng)，孫克輝，等. 譜熵和小波熵算法在混沌序列結(jié)構(gòu)復(fù)雜性分析中的應(yīng)用[J]. 小型微型計(jì)算機(jī)系統(tǒng)，2014(2)： 348-352.

DongYanqing,TanGuoqiang,SunKehui,etal.Applicationofspectralentropyandwaveletentropyinstructuralcomplexityanalysisofchaoticsequences[J].JournalofChineseComputerSystems, 2014(2)： 348-352. (inChinese)

Sample Entropy and Wavelet Entropy on EEG-EMG Signals

QIAO Xiaoyan, HU Wenlong

(College of Physics and Electronics Engineering, Shanxi University, Taiyuan 030006，China)

Abstract:In order to explore the relationship between the activity of brain motor cortex and muscle contraction, induced by two kinds of action modes for the independent wrist supination and the acupoint electric stimulation, a synchronous measuring platform for EEG and EMG signals is designed. The experimental modes of the independent wrist supination and the acupoint electrical stimulation are designed. The EEG signals and the sEMG signals were collected synchronously. Then, The sample entropy and wavelet entrpy of those signals are calculated and analyzed respectively. The results shown that under the acupoint electric stimulation mode, sample entropy of EEG signal is increased, while sample entropy of EMG signal decreases.Furthermore ,the average mutual sample entropy of EEG and EMG signal are increased, and the wavelet entropy of EMG signal is decreased distinctly. It is indicated that under the electric stimulation of acupuncture points, increased the complexity of brain activity, enhanced the order of muscle activity, appeard the preponderant rhythm appears, and improved the synergetic effect of EEG-EMG.

Key words:sample entropy; wavelet entropy; EEG signal; EMG signal; electrical acupoint stimulation

文章編號(hào):1671-7449(2016)04-0292-07

收稿日期：2015-12-17

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目(81403130)； 山西省自然科學(xué)基金資助項(xiàng)目(2013011016-2)

作者簡(jiǎn)介：?jiǎn)虝云G(1969-)，女，副教授，博士，主要從事生物醫(yī)學(xué)信號(hào)檢測(cè)與處理、仿生機(jī)器人等方向的研究.

中圖分類號(hào):R318.04

文獻(xiàn)標(biāo)識(shí)碼:A

doi:10.3969/j.issn.1671-7449.2016.04.003