基于多尺度典型相干性的脑肌电耦合的方法及装置

1.本发明涉及脑肌电信号耦合分析技术领域，特别是涉及基于多尺度典型相干性的脑肌电耦合的方法及装置。


背景技术：

2.脑电图(electroencephalogram,eeg)是头皮表面记录到的大脑神经元产生的活动，起源于大脑皮层大量神经元的同步突触活动，因此可以反映大脑内部的神经元活动。表面肌电图(surface electromyogram,semg)是对肌肉活动的电生理记录，可以反映肌肉的激活程度。近来，感觉运动节律与肌肉活动之间的功能性皮质肌肉耦合(functional corticomuscular coupling,fcmc)已经被广泛用于分析量化大脑和肌肉之间的信息交流，有助于理解运动控制的神经机制以及运动障碍的病理机制。
3.许多针对fcmc特征提取方法的研究主要关注耦合强度、频带特征和耦合方向等方面，主要为基于单尺度分析框架下的耦合特征提取。大量的研究表明，人类的运动控制系统由涉及到多个时空尺度的传入和传出神经通路共同调制。因此，传统的单尺度特征提取方法可能无法度量多尺度的fcmc特征。
4.近年来，有几项研究利用多尺度分析框架探索运动皮层与效应肌间的fcmc，如专利cn110367974a，将变分模态分解与传递熵结合，取变分模态分解后的多频率尺度的eeg与emg数据进行传递熵计算。不足在于fcmc涉及到多个大脑区域与肌肉协同作用，而此类方法仅衡量单导联eeg与emg信号的耦合强度，而忽略了eeg与emg信号的多维信息。


技术实现要素：

5.本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
6.为此，本发明提出了一种基于多尺度典型相干性的脑肌电耦合的方法，可以减少频带混叠对不同生理节律的典型相干性计算产生的干扰，并且避免多变量相干计算过程中的过拟合问题，提高耦合特征提取的性能。
7.本发明的另一个目的在于提出一种基于多尺度典型相干性的脑肌电耦合的装置。
8.为达上述目的，本发明一方面提出一种基于多尺度典型相干性的脑肌电耦合的方法，包括：
9.同步采集受试者的脑电信号和肌电信号；
10.对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号；
11.将所述多个本征模态信号重构为不同目标频段的脑电信号和肌电信号；
12.对所述不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征。
13.本发明实施例的基于多尺度典型相干性的脑肌电耦合的方法还可以具有以下附加技术特征：
14.在本发明的一个实施例中，所述对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号，包括：
15.将每个模态定义为多元的调幅调频信号：
[0016][0017]
其中，代表第m个信号成分的幅度函数，代表第m个信号成分的相位函数,模态的中心频率多元变分模态分解的约束变分优化问题如下：
[0018][0019][0020]
求解约束变分问题(2)的最优解，基于增广lagrangian函数：
[0021][0022]
将约束变分问题(2)的求解转化为求函数(3)的鞍点，利用交替乘子法得更新公式：
[0023][0024][0025][0026]
利用(4)-(6)中的更新公式求解约束变分问题(2)，得到k个不同中心频率的本征模态信号。
[0027]
在本发明的一个实施例中，所述将所述多个本征模态信号重构为不同目标频段的脑电信号和肌电信号，包括：
[0028]
利用约束最小二乘算法分别重建不同目标频带的脑电信号和肌电信号：
[0029][0030][0031]
其中，μk指第k个本征模态信号的权值，假设属于相同的目标频段，则重构信号ps表示为：
[0032][0033]
在本发明的一个实施例中，所述对不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征，包括：
[0034]
将不同目标频段的脑电信号和肌电信号分别定义为x(t)＝{x1(t),
…
,xm(t)}1×
t
和y(t)＝{y1(t),
…
,yn(t)}1×
t
，将定义的信号进行fourier变换得x(f)＝{x1(f),
…
,xm(f)}1×f和y(f)＝{y1(f),
…
,yn(f)}1×f；交叉谱分块矩阵s表示为：
[0035][0036]
其中，h指共轭转置；通过求解以下优化问题计算得到多尺度典型相干性：
[0037][0038]
其中，α和β指两个多维空间的空域滤波向量；将多参数四次函数优化问题转化为单参数数值优化问题，以极坐标的形式表示目标函数：
[0039][0040]
得：
[0041][0042]
其中，re(
·
)指实部，s
xx
、s
yy
均为hermitian矩阵；式(10)中的最大相关问题通过组合典型相关分析模型和数值优化进行求解：
[0043][0044][0045][0046][0047]
在本发明的一个实施例中，基于最大化式(13)中的随机选择五个位于区间[π/5,π]内的φ值并代入目标函数中，并取使得函数值最大的φ值，并利用levenberg-marquardt算法最大化相应的二次函数。
[0048]
为达上述目的，本发明另一方面提出一种基于多尺度典型相干性的脑肌电耦合的装置，包括：
[0049]
数据采集模块，用于同步采集受试者的脑电信号和肌电信号；
[0050]
模态分解模块，用于对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号；
[0051]
信号重构模块，用于将所述多个本征模态信号重构为不同目标频段的脑电信号和肌电信号；
[0052]
相干性计算模块，用于对所述不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征。
[0053]
本发明实施例的基于多尺度典型相干性的脑肌电耦合的方法和装置，可以减少频带混叠对不同生理节律的典型相干性计算产生的干扰，并且避免多变量相干计算过程中的过拟合问题，提高耦合特征提取的性能。
[0054]
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0055]
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0056]
图1是根据本发明实施例的多尺度典型相干性分析脑肌电耦合框架图；
[0057]
图2是根据本发明实施例的基于多尺度典型相干性的脑肌电耦合的方法的流程图；
[0058]
图3是根据本发明实施例的脑肌电耦合实验范式示意图；
[0059]
图4是根据本发明实施例的多尺度典型相干性分析特征提取性能比较图；
[0060]
图5是根据本发明实施例的基于多尺度典型相干性分析的脑肌电耦合空间模式重建图；
[0061]
图6是根据本发明实施例的基于多尺度典型相干性的脑肌电耦合的装置的结构示意图。
具体实施方式
[0062]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0063]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0064]
下面参照附图描述根据本发明实施例提出的基于多尺度典型相干性的脑肌电耦合的方法和装置。
[0065]
本发明实施例的方法，受试者依据指令完成实验操作，并在实验过程中采用
neuracle设备同步采集脑电信号和肌电信号；利用eeglab软件工具包对上述脑电信号和肌电信号数据进行预处理；对预处理后的脑电信号和肌电信号进行多元变分模态分解，分别得到多个本征模态信号；通过约束最小二乘算法将上述本征模态信号重构为不同节律波段alpha(8-15hz)、beta(15-30hz)、gamma(30-50hz)的脑电信号和肌电信号；对重构得到的脑电信号、肌电信号两两之间进行典型相干性计算，得到基于多尺度典型相干性的脑肌电耦合特征。框架图如图1所示。
[0066]
图2是本发明实施例的基于多尺度典型相干性的脑肌电耦合的方法的流程图。
[0067]
如图2所示，该方法包括但不限于以下步骤：
[0068]
s1，同步采集受试者的脑电信号和肌电信号。
[0069]
具体地，在eeg与emg信号采集部分，共有十一名受试者参与(九名男性，两名女性)本实验。受试者无神经系统或肌肉骨骼疾病病史，均为右利手，实验前填写知情同意书。在实验开始之前，测量了每名受试者的最大随意收缩力(maximum voluntary contraction,mvc)。在实验过程中，受试者保持一个舒服的姿势坐在椅子上并被指示用右手执行握力控制任务。
[0070]
如图3所示，图3中的(a)展示了握力示意图，图3中的(b)表示在一个试次中电脑屏幕实时视觉反馈的握力信息，受试者被要求控制力的大小尽量贴近预设的目标力，预设目标力的峰值为20％ mvc。一个试次持续12秒，包含3秒的准备阶段，6秒的力控制阶段和3秒的休息阶段。对每名受试者采集了4个区块的数据，每个区块包含30个试次。为了消除肌肉疲劳的影响，试次间设有3-4秒的休息间隔，并且区块间设有10分钟的休息时间。eeg信号使用64导的无线采集系统(neusen.w64,neuracle,china)记录，采样频率为1000hz。emg信号使用无线采集系统(neusen.wm,neuracle,china)记录第一背骨间、指浅屈肌、指伸肌、桡侧腕屈肌、尺侧腕屈肌、尺侧腕伸肌、肱桡肌共七块肌肉的活动，采样频率为1000hz。力信号采用一个力传感器(sbt671,simbatouch,china)记录。三种信号采用同步盒进行硬件端同步(neusen.tb,neuracle,china)。
[0071]
由此，可以同步采集采集受试者的脑电信号和肌电信号。
[0072]
s2，对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号。
[0073]
具体地，在eeg与emg预处理部分，eeg信号首先取共平均参考并使用4-60hz的fir滤波器进行滤波，emg信号使用4-60hz的fir滤波器进行滤波。之后，应用标准化的早期eeg预处理框架(early stage preprocessing,prep)去除50hz线噪声。对于eeg信号，使用独立成分分析去除眼电等脑电伪迹。
[0074]
进一步地，将预处理后的eeg与emg信号送入多元变分模态分解框架中，首先，每个模态可以被定义为多元的调幅调频信号：
[0075][0076]
其中，代表第m个信号成分的幅度函数，代表第m个信号成分的相位
函数,模态的中心频率因此，多元变分模态分解的约束变分优化问题如下：
[0077][0078][0079]
之后，为了求解约束变分问题(2)的最优解，引入如下的增广lagrangian函数：
[0080][0081]
因此，约束变分问题(2)的求解可以转化为求函数(3)的鞍点，利用交替乘子法可得更新公式：
[0082][0083][0084][0085]
利用(4)-(6)中的更新公式，可以求解约束变分问题(2)，进而得到k个不同中心频率的本征模态分量。
[0086]
s3，将多个本征模态信号重构为不同目标频段的脑电信号和肌电信号。
[0087]
具体地，基于上述分解得到的多个eeg和emg本征模态，利用约束最小二乘算法分别重建不同目标频带的eeg和emg信号。具体算法如下：
[0088][0089][0090]
其中，μk指第k个本征模态的权值。因此，假设属于相同的目标频段，则重构信号ps可以表示为：
[0091][0092]
s4，对不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性
计算结果得到基于多尺度典型相干性的脑肌电耦合特征。
[0093]
具体地，对重构得到的脑电信号、肌电信号两两之间进行典型相干性计算，得到基于多尺度典型相干性的脑肌电耦合特征。基于多元变分模态分解后的脑电信号分量和肌电信号分量分别定义为x(t)＝{x1(t),
…
,xm(t)}1×
t
和y(t)＝{y1(t),
…
,yn(t)}1×
t
。将上述信号进行fourier变换可得x(f)＝{x1(f),
…
,xm(f)}1×f和y(f)＝{y1(f),
…
,yn(f)}1×f。然后，交叉谱分块矩阵s可以表示为：
[0094][0095]
其中，h指共轭转置。因此，多尺度典型相干性可以通过求解以下优化问题计算得到：
[0096][0097]
其中，α和β指两个多维空间的空域滤波向量。然后，采取以下流程将多参数四次函数优化问题转化为单参数数值优化问题。首先，以极坐标的形式表示目标函数：
[0098][0099]
之后可得：
[0100][0101]
其中，re(
·
)指实部，s
xx
、s
yy
均为hermitian矩阵。因此，(10)中的最大相关问题可以通过组合典型相关分析模型和数值优化进行求解：
[0102][0103][0104][0105][0106]
为了最大化(13)中的首先随机挑选五个区间[π/5,π]内的φ值代入函数中，并取使得函数值最大的φ值。之后，利用levenberg-marquardt算法最大化相应的二次函数。
[0107]
进一步地，如图4所示，该图为多尺度典型相干性分析特征提取性能比较图。由观察可知，相比于原本的典型相干性特征提取方法，多尺度典型相干性分析方法显著提高了耦合探测能力，并且有效缓解了过拟合现象。
[0108]
进一步地，如图5所示，该图为基于多尺度典型相干性分析的脑肌电耦合空间模式重建图。由观察可知，多尺度典型相干性分析方法可以提取与脑肌电耦合对应的大脑空间模式与肌肉模式。
[0109]
根据本发明基于多尺度典型相干性的脑肌电耦合的方法，通过多元变分模态分解
算法，将预处理后的eeg和emg信号分别分解成不同频率尺度下的模态信号，并通过约束最小二乘算法重构出不同节律的生理信号，可以显著减少频带混叠对耦合特征提取过程产生的干扰。通过解耦不同尺度的时间-频率-空域信息，可以尽量避免在计算典型相干性过程中的过拟合现象，提高特征提取方法的鲁棒性。
[0110]
为了实现上述实施例，如图6所示，本实施例中还提供了基于多尺度典型相干性的脑肌电耦合的装置10，该装置10包括，数据采集模块100、模态分解模块200、信号重构模块300和相干性计算模块400。
[0111]
数据采集模块100，用于同步采集受试者的脑电信号和肌电信号；
[0112]
模态分解模块200，用于对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号；
[0113]
信号重构模块300，用于将多个本征模态信号重构为不同目标频段的脑电信号和肌电信号；
[0114]
相干性计算模块400，用于对不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征。
[0115]
进一步地，上述模态分解模块200，还用于：
[0116]
将每个模态定义为多元的调幅调频信号：
[0117][0118]
其中，代表第m个信号成分的幅度函数，代表第m个信号成分的相位函数,模态的中心频率多元变分模态分解的约束变分优化问题如下：
[0119][0120][0121]
求解约束变分问题(2)的最优解，基于增广lagrangian函数：
[0122][0123]
将约束变分问题(2)的求解转化为求函数(3)的鞍点，利用交替乘子法得更新公式：
[0124][0125][0126][0127]
利用(4)-(6)中的更新公式求解约束变分问题(2)，得到k个不同中心频率的本征模态信号。
[0128]
进一步地，上述信号重构模块300，还用于：
[0129]
利用约束最小二乘算法分别重建不同目标频带的脑电信号和肌电信号：
[0130][0131][0132]
其中，μk指第k个本征模态信号的权值，假设属于相同的目标频段，则重构信号ps表示为：
[0133][0134]
进一步地，上述相干性计算模块400，还用于：
[0135]
将不同目标频段的脑电信号和肌电信号分别定义为x(t)＝{x1(t),
…
,xm(t)}1×
t
和y(t)＝{y1(t),
…
,yn(t)}1×
t
，将定义的信号进行fourier变换得x(f)＝{x1(f),
…
,xm(f)}1×f和y(f)＝{y1(f),
…
,yn(f)}1×f；交叉谱分块矩阵s表示为：
[0136][0137]
其中，h指共轭转置；通过求解以下优化问题计算得到多尺度典型相干性：
[0138][0139]
其中，α和β指两个多维空间的空域滤波向量；将多参数四次函数优化问题转化为单参数数值优化问题，以极坐标的形式表示目标函数：
[0140][0141]
得：
[0142]
[0143]
其中，re(
·
)指实部，s
xx
、s
yy
均为hermitian矩阵；式(10)中的最大相关问题通过组合典型相关分析模型和数值优化进行求解：
[0144][0145][0146][0147][0148]
进一步地，基于最大化式(13)中的随机选择五个位于区间[π/5,π]内的φ值并代入目标函数中，并取使得函数值最大的φ值，并利用levenberg-marquardt算法最大化相应的二次函数。
[0149]
根据本发明基于多尺度典型相干性的脑肌电耦合的装置，通过多元变分模态分解算法，将预处理后的eeg和emg信号分别分解成不同频率尺度下的模态信号，并通过约束最小二乘算法重构出不同节律的生理信号，可以显著减少频带混叠对耦合特征提取过程产生的干扰。通过解耦不同尺度的时间-频率-空域信息，可以尽量避免在计算典型相干性过程中的过拟合现象，提高特征提取方法的鲁棒性。
[0150]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0151]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

技术特征：
1.一种基于多尺度典型相干性的脑肌电耦合的方法，其特征在于，所述方法包括以下步骤：同步采集受试者的脑电信号和肌电信号；对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号；将所述多个本征模态信号重构为不同目标频段的脑电信号和肌电信号；对所述不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征。2.根据权利要求1所述的方法，其特征在于，所述对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号，包括：将每个模态定义为多元的调幅调频信号：其中，代表第m个信号成分的幅度函数，代表第m个信号成分的相位函数,模态的中心频率多元变分模态分解的约束变分优化问题如下：多元变分模态分解的约束变分优化问题如下：求解约束变分问题(2)的最优解，基于增广lagrangian函数：将约束变分问题(2)的求解转化为求函数(3)的鞍点，利用交替乘子法得更新公式：将约束变分问题(2)的求解转化为求函数(3)的鞍点，利用交替乘子法得更新公式：
利用(4)-(6)中的更新公式求解约束变分问题(2)，得到k个不同中心频率的本征模态信号。3.根据权利要求1所述的方法，其特征在于，将所述多个本征模态信号重构为不同目标频段的脑电信号和肌电信号，包括：利用约束最小二乘算法分别重建不同目标频带的脑电信号和肌电信号：利用约束最小二乘算法分别重建不同目标频带的脑电信号和肌电信号：其中，μ
k
指第k个本征模态信号的权值，假设属于相同的目标频段，则重构信号p
s
表示为：4.根据权利要求1所述的方法，其特征在于，对所述不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征，包括：将不同目标频段的脑电信号和肌电信号分别定义为x(t)＝{x1(t)，...，x
m
(t)}1×
t
和y(t)＝{y1(t)，...，yn(t)}1×
t
，将定义的信号进行fourier变换得x(f)＝{x1(f)，...，x
m
(f)}1×
f
和y(f)＝{y1(f)，...，y
n
(f)}1×
f
；交叉谱分块矩阵s表示为：其中，h指共轭转置；通过求解以下优化问题计算得到多尺度典型相干性：其中，α和β指两个多维空间的空域滤波向量；将多参数四次函数优化问题转化为单参数数值优化问题，以极坐标的形式表示目标函数：得：其中，re(
·
)指实部，s
xx
、s
yy
均为hermitian矩阵；式(10)中的最大相关问题通过组合典型相关分析模型和数值优化进行求解：
5.根据权利要求4所述的方法，其特征在于，基于最大化式(13)中的随机选择五个位于区间[π/5，π]内的φ值并代入目标函数中，并取使得函数值最大的φ值，并利用levenberg-marquardt算法最大化相应的二次函数。6.一种基于多尺度典型相干性的脑肌电耦合的装置，其特征在于，包括：数据采集模块，用于同步采集受试者的脑电信号和肌电信号；模态分解模块，用于对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号；信号重构模块，用于将所述多个本征模态信号重构为不同目标频段的脑电信号和肌电信号；相干性计算模块，用于对所述不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征。7.根据权利要求6所述的装置，其特征在于，所述模态分解模块，还用于：将每个模态定义为多元的调幅调频信号：其中，代表第m个信号成分的幅度函数，代表第m个信号成分的相位函数,模态的中心频率多元变分模态分解的约束变分优化问题如下：多元变分模态分解的约束变分优化问题如下：求解约束变分问题(2)的最优解，基于增广lagrangian函数：将约束变分问题(2)的求解转化为求函数(3)的鞍点，利用交替乘子法得更新公式：
利用(4)-(6)中的更新公式求解约束变分问题(2)，得到k个不同中心频率的本征模态信号。8.根据权利要求6所述的装置，其特征在于，所述信号重构模块，还用于：利用约束最小二乘算法分别重建不同目标频带的脑电信号和肌电信号：利用约束最小二乘算法分别重建不同目标频带的脑电信号和肌电信号：其中，μ
k
指第k个本征模态信号的权值，假设属于相同的目标频段，则重构信号p
s
表示为：9.根据权利要求6所述的装置，其特征在于，所述相干性计算模块，还用于：将不同目标频段的脑电信号和肌电信号分别定义为x()＝{x1(t),
…
,
m
(t)1×
t
和y()＝{y1(t),
…
,
n
(t)1×
t
，将定义的信号进行fourier变换得x()＝{x1(f),
…
,
m
(f)1×
f
和y()＝{y1(f),
…
,
n
(f)1×
f
；交叉谱分块矩阵s表示为：其中，h指共轭转置；通过求解以下优化问题计算得到多尺度典型相干性：其中，α和β指两个多维空间的空域滤波向量；将多参数四次函数优化问题转化为单参数数值优化问题，以极坐标的形式表示目标函数：得：
其中，re(
·
)指实部，s
xx
、s
yy
均为hermitian矩阵；式(10)中的最大相关问题通过组合典型相关分析模型和数值优化进行求解：组合典型相关分析模型和数值优化进行求解：组合典型相关分析模型和数值优化进行求解：组合典型相关分析模型和数值优化进行求解：10.根据权利要求9所述的装置，其特征在于，基于最大化式(13)中的随机选择五个位于区间[π/5,π]内的φ值并代入目标函数中，并取使得函数值最大的φ值，并利用levenberg-marquardt算法最大化相应的二次函数。

技术总结
本发明公开了基于多尺度典型相干性的脑肌电耦合的方法及装置，本发明的方法，包括同步采集受试者的脑电信号和肌电信号；对预处理后的脑电信号和肌电信号进行多元变分模态分解分别得到多个本征模态信号；将多个本征模态信号重构为不同目标频段的脑电信号和肌电信号；对不同目标频段的脑电信号和肌电信号进行典型相干性计算，以根据相干性计算结果得到基于多尺度典型相干性的脑肌电耦合特征。本发明可以减少频带混叠对不同生理节律的典型相干性计算产生的干扰，并且避免多变量相干计算过程中的过拟合问题，提高脑肌电耦合特征提取的性能。性能。性能。


技术研发人员：季林红 李翀 孙晶尧 贾天宇
受保护的技术使用者：清华大学
技术研发日：2023.07.07
技术公布日：2023/10/15