喬曉艷，胡文龍

(山西大學 物理電子工程學院，山西 太原 030006)

?

腦電-肌電信號樣本熵與小波熵分析*

喬曉艷，胡文龍

(山西大學 物理電子工程學院，山西 太原 030006)

摘要:為了探索自主動作和電刺激產(chǎn)生動作兩種不同模式下的大腦運動皮層活動與肌肉收縮之間的關系，搭建了腦電和肌電實驗測量平臺，設計了自主腕部外旋和穴位電刺激兩種實驗動作模式，同步采集不同動作模式誘發(fā)的腦電信號和表面肌電信號，計算和分析信號的樣本熵與小波熵. 結果發(fā)現(xiàn)穴位電刺激模式下，腦電信號樣本熵增大，肌電信號樣本熵減小，腦-肌電的平均互樣本熵增大，肌電信號的小波熵明顯減小. 表明穴位電刺激使大腦活動復雜性提高，肌肉活動的有序性增強，出現(xiàn)了優(yōu)勢節(jié)律，腦-肌電協(xié)同性提高.

關鍵詞:樣本熵； 小波熵； 腦電信號； 肌電信號； 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相結合，通過刺激人體穴位，激活與穴位相連通的可興奮運動神經(jīng)元，引起中樞神經(jīng)興奮，從而調(diào)節(jié)機體活動. 腦電(EEG)和肌電(EMG)是一種非常復雜的非線性隨機信號，非線性特征(信息熵)可以很好地揭示EEG和EMG信號的復雜性和有序性[1]. 樣本熵可以量化時間序列復雜性和研究時間序列特性，小波熵是度量信號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用于生物醫(yī)學信號分析[2-3]. 因此，分析EEG和EMG信號的樣本熵和小波熵，可以探索經(jīng)穴電刺激下的腦電信號和肌電信號的復雜性和有序性.

目前，對于樣本熵和小波熵的研究，大多集中于對單一腦電或肌電信號的分析. 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等人通過對腦電小波和小波包的分析，發(fā)現(xiàn)小波熵可以作為一個鑒別癲癇發(fā)作的潛在指標[5]； Jiufu Liu等人利用小波熵探討酒精對大腦復雜度的影響，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復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驗動作模式，同步采集兩種動作模式誘發(fā)的EEG和EMG信號，研究EEG和EMG信號的信息熵，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的復雜性和協(xié)同性，為腦認知科學、人工智能、康復工程等領域的研究奠定基礎并提供科學依據(jù).

1實驗方法與信號采集

經(jīng)穴電刺激誘發(fā)腦電-肌電信號實驗測量系統(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)關穴，電刺激開始后，觸發(fā)同步發(fā)生器，同時向40導腦電儀和16通道表面肌電儀發(fā)送同步標記信號，利用電極同步采集FC3, C3, CP3, FC4, C4, CP4 6個導聯(lián)的腦電信號和橈側腕屈肌的表面肌電信號，并通過USB 接口傳送至計算機軟件平臺進行顯示和數(shù)據(jù)處理.

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

實驗測試選用 8 名健康大學生，均無相關的肌肉、骨骼、神經(jīng)疾病，測試前24 h 內(nèi)未做劇烈運動，以排除過度運動肌肉殘余疲勞對測試結果的影響. 實驗測試時，受試者靜坐在椅子上，身體自然放松，前臂平放在實驗臺上. ① 用乙醇和生理鹽水對電極安放處的皮膚進行清潔，以降低皮膚與電極的接觸阻抗； ② 采用國際10～20導聯(lián)標準安放腦電電極，表面肌電電極置于橈側腕屈肌肌腹處，平行于肌纖維的方向放置； ③ 設定人體經(jīng)穴電刺激的電流強度，由于存在個體差異，先對受試者施加3次電刺激來確定腕關節(jié)達到外旋時的刺激強度，實驗過程保持該電刺激強度不變. ④ 啟動同步發(fā)生器，當電刺激人體相應穴位時，同步采集記錄相關電極上的腦電信號和肌電信號.

穴位電刺激產(chǎn)生腕部外旋動作(刺激組)實驗時，電刺激儀的刺激電極片分別置于人體曲池穴和內(nèi)關穴處，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的腦電信號和肌電信號.

自主腕部外旋動作(對照組)實驗時，當屏幕上呈現(xiàn)右箭頭時，受試者開始執(zhí)行腕部外旋和回復動作，外旋到最大位置，回復到自然位置，5 s執(zhí)行8次動作. 每隔5 s重復執(zhí)行這一過程，采集并記錄30 s的腦電信號和肌電信號. 腦電信號的采樣頻率為200 Hz，肌電信號采樣頻率為1 kHz.

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

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

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

2信號分析方法

由于EEG和EMG是一種隨機性很強的非平穩(wěn)微弱信號，極易被各種噪聲干擾污染，在進行信息熵分析之前，必須對采集的原始信號進行預處理. 通過自適應陷波器濾除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與肌電信號，同時去除直流漂移[7]； 通過小波閾值去噪方法消除測量中的偽跡和噪聲[8-9]. 數(shù)據(jù)預處理后，可以得到純凈的誘發(fā)腦電和肌電信號.

2.1樣本熵方法

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

1) 設腦電信號時間序列為X(N)，肌電信號時間序列為Y(N)，N為時間序列長度. 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點開始，連續(xù)m個x(i)，y(j)的值.

2) 計算每組矢量Xm(i)和Ym(i)之間的距離，定義d[Xm(i),Ym(j)]為兩者對應元素中差值最大的一個，即

(3)

(4)

4) 對所有i求平均值

(5)

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

6) 計算互樣本熵值

(6)

利用上述方法，計算腦電信號和肌電信號的互樣本熵. 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)計特性[11]. 本文經(jīng)試驗，取m=1，r=0.2合適.

2.2小波熵方法

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

(7)

2) X(t)重構信號為

(8)

(9)

4) 信號X(t)的總能量即為每個子信號能量之和

(10)

5) 定義相對小波能量為每個子空間信號能量與信號總能量之比，即

(11)

相對小波能量集{p1,p2,…,pn}覆蓋了信號的整個頻帶范圍，每個子信號pn描述了信號在這個子空間的能量分布的概率.

6) 小波熵為

(12)

3結果與分析

3.1腦電和肌電信號樣本熵分析

以C3導聯(lián)腦電信號和橈側腕屈肌處的肌電信號為例，對8名受試者的實驗數(shù)據(jù)進行動態(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，腦電和肌電信號在30s內(nèi)的樣本熵值變化，結果如圖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，腦電信號的樣本熵值較高且變化幅度大. 結果表明： 自主腕部外旋狀態(tài)，腦電信號的時間序列比較“有序”，腦電信號的復雜度低，樣本熵值低. 經(jīng)穴電刺激狀態(tài)下，腦電信號呈現(xiàn)復雜化，樣本熵值較高； 然而隨著電刺激時間的延長，大腦皮層運動區(qū)域被激活，腦電信號的序列復雜度降低，樣本熵值隨之減小.

由圖5 可知，經(jīng)穴電刺激下，肌電信號的樣本熵值較小且波動不大，而自主腕部外旋狀態(tài)下，肌電信號樣本熵值增大且波動較大. 這是由于整個實驗過程經(jīng)穴電刺激強度不改變，產(chǎn)生的肌電信號按照電刺激頻率周期性變化，肌電信號的時間序列有序性增強，復雜度降低.

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

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

圖6 給出了C3導聯(lián)的腦電信號和橈側腕屈肌處的肌電信號的平均互樣本熵值，進而分析腦-肌電信號的協(xié)同性. 實驗結果表明： 自主腕部外旋下，大腦對肌肉的調(diào)控作用增強，減弱了腦電和肌電信號的非線性程度，故樣本熵較低； 經(jīng)穴電刺激狀態(tài)下，腦-肌電信號的平均互樣本熵值變化較大，表明外界刺激使得腦-肌信號的協(xié)同性呈現(xiàn)一個不斷建立的過程.

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

3.2腦電和肌電信號小波熵分析

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

以C3導聯(lián)腦電和橈側腕屈肌處的肌電信號為例，對腦電和肌電數(shù)據(jù)進行動態(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，結果如圖7 和圖8 所示.

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

圖8　肌電信號的小波熵值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，表明信號的能量分布不均勻，腦電出現(xiàn)了優(yōu)勢節(jié)律，此時信號的復雜性降低，有序性高； 經(jīng)穴電刺激下的腦電信號的小波熵值波動較大，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時間序列小波熵值增大，信號復雜性增加，特別是外旋運動反復執(zhí)行后，肌肉產(chǎn)生疲勞，小波熵值波動較大. 而經(jīng)穴電刺激下的肌電小波熵值明顯減小且波動性小，因此可采用經(jīng)穴電刺激恢復大腦和肌肉疲勞.

4結論

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，對腦電和肌電信號進行信息熵分析，探究大腦活動與相關肌肉活動的關系. 搭建了實驗測量平臺，設計了穴位電刺激和自主腕部外旋兩組誘發(fā)實驗模式，采集到不同模式下的腦電信號和表面肌電信號，進行了樣本熵和小波熵的研究. 結果顯示在經(jīng)穴電刺激下，腦電的樣本熵增大，肌電的樣本熵減小，腦-肌電信號的平均互樣本熵值增大，腦電的小波熵值波動較大，肌電的小波熵值明顯減小. 表明穴位電刺激使大腦活動復雜性提高，肌肉活動的有序性增強，出現(xiàn)了優(yōu)勢節(jié)律，腦電-肌電協(xié)同性提高.

參考文獻：

[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比研究[J]. 計算機工程與設計，2014，35(3)： 1021-1026.

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

[3]羅志增，沈寒霄. 表面肌電信號的基本尺度熵分析方法[J]. 華中科技大學學報，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，羅二平，申廣浩，等. 基于自適應濾波器的表面肌電信號消噪方法研究[J]. 中國醫(yī)學物理學雜志, 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. 基于自適應閾值的腦電信號去噪方法[J]. 傳感技術學報, 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腦電特征信息提取與分類[J]. 西安交通大學學報, 2007, 41(10)： 1237-1241.

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

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

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

[12]董燕青，談國強，孫克輝，等. 譜熵和小波熵算法在混沌序列結構復雜性分析中的應用[J]. 小型微型計算機系統(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:1671-7449(2016)04-0292-07

收稿日期：2015-12-17

基金項目：國家自然科學基金資助項目(81403130)； 山西省自然科學基金資助項目(2013011016-2)

作者簡介：喬曉艷(1969-)，女，副教授，博士，主要從事生物醫(yī)學信號檢測與處理、仿生機器人等方向的研究.

中圖分類號:R318.04

文獻標識碼:A

doi:10.3969/j.issn.1671-7449.2016.04.003