浙江大学学报(工学版), 2022, 56(6): 1152-1158, 1256 doi: 10.3785/j.issn.1008-973X.2022.06.012

智能机器人

多尺度补偿传递熵的皮层肌肉功能耦合方法

金国美,, 佘青山,, 张敏, 马玉良, 张建海, 孙明旭

1. 杭州电子科技大学 自动化学院,浙江 杭州 310018

2. 浙江省脑机协同智能重点实验室,浙江 杭州 310018

3. 济南大学 自动化与电气工程学院,山东 济南 250022

Functional cortical muscle coupling method of multi-scale compensated transfer entropy

JIN Guo-mei,, SHE Qing-shan,, ZHANG Min, MA Yu-liang, ZHANG Jian-hai, SUN Ming-xu

1. School of automation, Hangzhou Dianzi University, Hangzhou 310018, China

2. Key Laboratory of Brain-Computer Collaborative Intelligence of Zhejiang Province, Hangzhou 310018, China

3. School of Automation and Electrical Engineering, University of Jinan, Jinan 250022, China

通讯作者: 佘青山,男,教授,硕导. orcid.org/0000-0001-5206-9833. E-mail: qsshe@hdu.edu.cn

收稿日期: 2022-03-21  

基金资助: 国家自然科学基金资助项目(61871427, 62071161);浙江省自然科学基金重点项目(LZ22F010003)

Received: 2022-03-21  

Fund supported: 国家自然科学基金资助项目(61871427,62071161);浙江省自然科学基金重点项目(LZ22F010003)

作者简介 About authors

金国美(1998—),女,硕士生,从事生物电信号处理与分析研究.orcid.org/0000-0001-6786-6114.E-mail:1377368847@qq.com , E-mail:1377368847@qq.com

摘要

为了准确描述脑电(EEG)和肌电(EMG)信号在不同尺度上的耦合特征,提出新的多尺度补偿传递熵(McTE)方法. 该方法结合自适应投影多元经验模态(APITMEMD)方法和补偿传递熵(cTE),计算不同尺度上的多尺度补偿传递熵值,计算结果用于定量分析不同耦合方向( ${\text{EEG}} \to {\text{EMG}}$${\text{EMG}} \to {\text{EEG}}$)上的耦合特征. 结果表明,在恒定握力下,beta频段(13~35 Hz)的耦合强度最大,且 ${\text{EEG}} \to {\text{EMG}}$方向的耦合强度高于 ${\text{EMG}} \to $ $ {\text{EEG}}$方向;在高gamma频段(50~72 Hz), ${\text{EEG}} \to {\text{EMG}}$方向EEG与EMG的耦合强度总体高于 ${\text{EMG}} \to {\text{EEG}}$方向的. 研究结果表明,脑肌电耦合强度在不同耦合方向和不同尺度上有所差异,McTE方法能准确刻画脑肌电多尺度间的耦合特征及功能联系.

关键词: 脑卒中 ; 康复评估 ; 多尺度 ; 脑肌电信号 ; 皮层肌肉功能耦合

Abstract

A new multi-scale compensation transfer entropy (MeTE) method was proposed, in order to describe accurately the coupling characteristics between electroencephalogram (EEG) and electromyographic (EMG) signals at different scales. An adaptive-projection intrinsically transformed multivariate empirical mode decomposition method and the compensation transfer entropy were combined in the proposed method. The multi-scale compensation transfer entropy values at different scales were calculated, and calculation results were used to quantitatively analyze the coupling characteristics of different coupling directions. Results show that under constant grip strength, the coupling strength between the beta frequency band (13-35 Hz) is significant, and the coupling strength of the ${\text{EEG}} \to {\text{EMG}}$direction is higher than ${\text{EMG}} \to {\text{EEG}}$direction. In the high gamma frequency band (50-72 Hz), the coupling strength of EEG and EMG in ${\text{EEG}} \to {\text{EMG}}$direction is generally higher than that in ${\text{EMG}} \to {\text{EEG}}$direction. Research results reveal that the coupling intensity of EEG and EMG signals in different coupling directions and different scales is different. And the McTE can estimate accurately the coupling characteristics and functional connection between EEG and EMG signals at different scales are estimated accurately by using McTE method.

Keywords: stroke ; rehabilitation assessment ; multi-scale ; EEG-EMG signal ; functional cortical muscular coupling

PDF (3497KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

金国美, 佘青山, 张敏, 马玉良, 张建海, 孙明旭. 多尺度补偿传递熵的皮层肌肉功能耦合方法. 浙江大学学报(工学版)[J], 2022, 56(6): 1152-1158, 1256 doi:10.3785/j.issn.1008-973X.2022.06.012

JIN Guo-mei, SHE Qing-shan, ZHANG Min, MA Yu-liang, ZHANG Jian-hai, SUN Ming-xu. Functional cortical muscle coupling method of multi-scale compensated transfer entropy. Journal of Zhejiang University(Engineering Science)[J], 2022, 56(6): 1152-1158, 1256 doi:10.3785/j.issn.1008-973X.2022.06.012

运动控制的关键在于运动皮层和运动所涉及的肌肉之间的相互作用[1]. 在肌肉持续收缩中,皮层肌肉功能耦合(functional cortical muscular coupling, FCMC)突出表现在alpha频段(8~13 Hz)上[2];在肌肉维持恒力输出时,FCMC主要表现在beta频段(13~35 Hz)上[3];在肌肉持续输出较强力量时,gamma频段(35~60 Hz)上的FCMC耦合强度最大[4]. 这些数据表明,不同运动系统的FCMC在不同频段上起着不同的作用.

FCMC分析主要采用相干性方法. 这种方法仅能描述线性耦合关系,不能描述脑肌电信号间存在的非线性耦合关系. 为了更准确地理解FCMC,Schreiber[5]提出传递熵(transfer entropy, TE)分析方法. TE不需要假设任何模型,但在实际情况中没有考虑瞬时效应,这会影响因果关系的度量[6]. 为了解决上述问题,Faes等[7]基于有效条件熵估计器,并遵循用于多元时间序列的非均匀嵌入的顺序过程,提出补偿传递熵(compensated TE, cTE)方法. 其中嵌入向量满足应用于系统当前状态的熵的最小化准则,随着嵌入维数的增加来补偿熵估计偏差,保证了结束时的最小熵率. 谢平等[8]将TE与变分模态分解(variational mode decomposition, VMD)结合应用于脑肌间耦合分析,马鹏刚等[9]将TE与多元经验模态分解(multivariate empirical mode decomposition, MEMD)结合构建MEMD-TE分析模型. VMD、MEMD是经验模态分解(empirical mode decomposition, EMD)的衍生. EMD适用于非线性和非平稳序列,但经过该方法分解后,信号存在边界效应及模态混叠现象. MEMD可以较好地消除模态混叠现象[10],但在捕获多变量数据动态方面有更好的方法. Yang等[11]引入自适应投影多元经验模态分解方法(adaptive-projection intrinsically transformed MEMD, APITMEMD),可以解决多通道脑肌电数据中的相关性和功率不平衡问题. APITMEMD具有MEMD的缓解模式混合的优点,还能产生更少的本征模态函数(intrinsic mode function, IMF)分量.

本研究提出新的多尺度补偿传递熵(multiscale cTE, McTE)方法, 用于脑肌电不同尺度上的耦合分析. 通过研究恒力输出上肢运动过程中不同尺度间的神经肌肉耦合,定量描述脑肌电信号间的耦合特征和信息传递方向,深入理解运动控制机制,为探索康复运动功能评价提供理论依据.

1. 多尺度补偿传递熵方法

1.1. 补偿传递熵

TE可以度量2个生物系统间的信息流向和转移量. 考虑2个表示物理系统 $ x、y $随时间变化的随机过程 $ {\boldsymbol{X}}、{\boldsymbol{Y}} $,令 ${x_t}$${y_t}$为时间 $t$时访问 ${\boldsymbol{X}}$$ \boldsymbol{Y} $的随机变量, ${{\boldsymbol{x}}_{n:t}}$为从时间 $n$到时间 $t$的所有 $x$样本组成的向量,则定义 ${\boldsymbol{X}}$$ \boldsymbol{Y} $的TE为 $ {T_{{\boldsymbol{X}} \to {\boldsymbol{Y}}}} $,其中“ $ \to $”代表传递方向.

$ T_{{\boldsymbol{X}} \rightarrow {\boldsymbol{Y}}} = \sum p\left(y_{t}, \boldsymbol{y}_{1: t-1}, \boldsymbol{x}_{1: t-1}\right) \ln \frac{p\left(y_{t}, \boldsymbol{y}_{1: t-1}, \boldsymbol{x}_{1: t-1}\right) p\left(\boldsymbol{y}_{1: t-1}\right)}{p\left(y_{t}, \boldsymbol{y}_{1: t-1}\right) p\left(\boldsymbol{y}_{1: t-1}, \boldsymbol{x}_{1: t-1}\right)}. $

式中: $p( \cdot )$为联合概率。根据条件熵的定义,可以得出传递熵与条件熵(conditional entropy,CE) $H( \cdot ) $的等价关系:

$ T_{{\boldsymbol{X }}\rightarrow {\boldsymbol{Y}}}=H\left(y_{t} \mid \boldsymbol{y}_{1: t-1}\right)-H\left(y_{t} \mid \boldsymbol{x}_{1: t-1}, \boldsymbol{y}_{1: t-1}\right). $

式(2)中定义的TE没有考虑瞬时效应。在过程 $ \boldsymbol{X}$具有内部存储器结构(即 $x_{t}$可由 $\boldsymbol{x}_{1: t-1} $解释)并且与过程 $ \boldsymbol{Y}$ 瞬时相关(即 $y_{t} $ 可由 $x_{t} $ 解释)的情况下,即使 $ \boldsymbol{x}_{1: t-1}$ 不能解释 $y_{t} $ , 式(2)中得到的TE也有意义. 这表示即使所测的2个系统不耦合,也能够由式(2)得到 ${\boldsymbol{X}}$$ \boldsymbol{Y} $的信息传输. 针对这个问题,在TE计算的2项CE中考虑瞬时效应,定义 $ {\boldsymbol{X}} $$ {\boldsymbol{Y}} $的补偿TE为 $ {F_{{\boldsymbol{X}} \to{\boldsymbol{ Y}}}} $.

$ \begin{gathered} {F_{{\boldsymbol{X}} \to {\boldsymbol{Y}}}} = H({y_t}|{x_t},{{\boldsymbol{y}}_{1:t - 1}}) - {\text{ }}H({y_t}|{{\boldsymbol{x}}_{1:t}},{{\boldsymbol{y}}_{1:t - 1}}). \hfill \\ \end{gathered} $

1.2. 多尺度补偿传递熵

构建时间序列EEG信号 ${\boldsymbol{X}} = [{x_1},{x_2}, \cdots {x_i}, \cdots ,{x_M}]$和EMG信号 ${\boldsymbol{Y}} = [{y_1},{y_2}, \cdots {y_i}, \cdots ,{y_M}]$. 假设多元信号 $ {\boldsymbol{x}}(t) $的协方差矩阵为 ${\boldsymbol{C}} = E({{\boldsymbol{x}}^{\rm T}}(t){\boldsymbol{x}}(t))$,信号的第一主成分的方向由协方差矩阵的特征分解确定,公式为

$ {\boldsymbol{C}} = {\boldsymbol{V\varLambda }}{{\boldsymbol{V}}^{\rm T}}. $

式中: ${\boldsymbol{\varLambda }} $为特征值矩阵, ${\boldsymbol{\varLambda }} = {\text{diag}}\left[ {{\lambda _1},{\lambda _2}, \cdot \cdot \cdot ,{\lambda _n}} \right]$${\boldsymbol{V}} $为特征向量矩阵, ${\boldsymbol{V}} = \left[ {{{\boldsymbol{v}}_1},{{\boldsymbol{v}}_2}, \cdots, {{\boldsymbol{v}}_n}} \right]$;最大特征值 ${\lambda _1}$所对应的特征向量 ${{\boldsymbol{v}}_1}$规定为第一主成分方向,规定向量 ${{\boldsymbol{v}}_{{\rm{o}}1}}$${{\boldsymbol{v}}_1}$反方向的向量,即 ${{\boldsymbol{v}}_{{\rm{o}}1}} = - {{\boldsymbol{v}}_1}$;用 ${{\boldsymbol{v}}_1}$${{\boldsymbol{v}}_{{\rm{o}}1}}$重新定位先前由均匀投影方案生成的所有方向向量,公式为

$ {\boldsymbol{\hat x}}_{{{\boldsymbol{v}}_1}}^k = \frac{{{\boldsymbol{x}}_{{{\boldsymbol{v}}_1}}^k + \alpha {{\boldsymbol{v}}_1}}}{{|{\boldsymbol{x}}_{{{\boldsymbol{v}}_1}}^k + \alpha {{\boldsymbol{v}}_1}|}}, $

$ {\boldsymbol{\hat x}}_{{{\boldsymbol{v}}_{{\rm{o}}1}}}^k = \frac{{{\boldsymbol{x}}_{{{\boldsymbol{v}}_{{\rm{o}}1}}}^k + \alpha {{\boldsymbol{v}}_{{\rm{o}}1}}}}{{|{\boldsymbol{x}}_{{{\boldsymbol{v}}_{{\rm{o}}1}}}^k + \alpha {{\boldsymbol{v}}_{{\rm{o}}1}}|}}. $

式中: ${{\boldsymbol{\hat x}}^k}$为第 $k$( $k = 1,2, \cdots ,K$)个重置的方向向量; ${{\boldsymbol{x}}^k}$为均匀投影向量; $ \alpha \in [0,1] $由多元信号的功率不平衡程度决定, $\alpha = 1$表示各个通道之间的高功率不平衡. APITMEMD可以很好地处理信号在空间的重要性采样. 在迭代过程中,沿着自适应投影向量迭代 $ {\boldsymbol{x}}(t) $,并通过MEMD获得局部均值,具体APITMEMD算法步骤参见文献[12].

通过APITMEMD方法分别分解EEG信号和EMG信号得到 $K$个IMF分量. 由式(3)准确描述EEG、EMG信号各个尺度上的耦合强度和信息传递特征.

构造EEG信号第 ${k_1}$个IMF分量 ${{\boldsymbol{x}}^{{k_1}}}$到EMG信号第 ${k_2}$个IMF分量 ${{\boldsymbol{Y}}^{{k_2}}}$的多尺度补偿传递熵 $Z{}_{{\rm E}{\rm EG} \to {\rm E}{\rm MG}}$,公式为

$ \begin{split} Z{}_{{\rm E}{\rm EG} \to {\rm E}{\rm MG}} = H(y_t^{{k_2}}|x_t^{{k_1}},{\boldsymbol{y}}_{1:t - 1}^{{k_2}}) - H(y_t^{{k_2}}|{\boldsymbol{x}}_{1:t}^{{k_1}},{\boldsymbol{y}}_{1:t - 1}^{{k_2}}). \hfill \\ \end{split} $

$Z{}_{{\rm E}{\rm EG} \to {\rm E}{\rm MG}}$的生理意义为脑皮层与肌肉组织在某尺度上从脑电到肌电方向的信息传递量和耦合强度. 同理,肌电信号第 ${k_2}$个IMF分量 ${{\boldsymbol{Y}}^{{k_2}}}$到脑电信号第 ${k_1}$个IMF分量 ${{\boldsymbol{X}}^{{k_1}}}$的多尺度补偿传递熵 $Z{}_{{\rm E}{\rm MG} \to {\rm E}{\rm EG}}$公式为

$ \begin{split} Z{}_{{\rm E}{\rm MG} \to {\rm E}{\rm EG}} = H(x_t^{{k_1}}|y_t^{{k_2}},{\boldsymbol{x}}_{1:t - 1}^{{k_1}}) - H(x_t^{{k_1}}|{\boldsymbol{y}}_{1:t}^{{k_2}},{\boldsymbol{x}}_{1:t - 1}^{{k_1}}). \hfill \\ \end{split} $

$Z{}_{{\rm E}{\rm MG} \to {\rm E}{\rm EG}}$表示EMG的 ${k_2}$分量到EEG的 ${k_1}$分量的多尺度补偿传递熵值. $Z$的值越大,表明在此尺度上EEG信号和EMG信号间的耦合强度越强;反之亦然.

2. 实验数据

本实验数据包含6名成年人,其中5名受试者均无上肢运动功能障碍历史,被依次标记为S1~S5,1名受试者四肢有轻微运动功能障碍,被标记为S6. 所有受试者均为右利手且精神状态良好,均被告知实验详情,由本人签署知情同意书,自愿参加此次数据采集实验. 为了防止运动疲劳对实验采集数据的影响,受试者前1 d未进行剧烈运动. 实验数据采集装置为BrainAmp DC系统,同步采集32路脑电信号、左右手肱二头肌(biceps brachii,BB)和尺侧腕屈肌(flexor carpi ulnaris,FCU)的肌电信号,上肢抓握实验环境如图1所示. 在采集实验前,用酒精清洁受试者被测部位的皮肤,以减少阻抗. 采样时间为5 s,采样频率为1 000 Hz,每次抓握动作后休息15 s,S1~S5完成5、10、20 kg的左右手抓握各5次,S6由于身体原因,只能完成左右手5、10 kg的抓握.

图 1

图 1   上肢抓握实验环境

Fig.1   Upper limb grasping experimental environment


3. 实验结果

3.1. MEMD和APITMEMD分解结果

使用APITMEMD和MEMD算法对受试者抓握运动时采集的信号进行分解并对比. 如图2所示为受试者S6的3个脑肌电通道信号的2种算法分解结果. 图中,V为信号振幅,N为点数,C4为脑中央通道. 可见, MEMD分解产生的IMF分量个数相同;APITMEMD分解产生的IMF分量个数也相同,但比MEMD分解产生的少.

图 2

图 2   受试者S6的脑电信号C4与肌电信号BB、FCU时域分解结果

Fig.2   Time domain decomposition results of EEG C4 and EMG BB, FCU of subject S6


图3所示为APITMEMD方法对受试者S1肌电信号BB的时频分析结果. 图中, $f$为频率,A为幅度. 可见,该方法分解出的IMF频率分量是从高到低排列的,有效缓解了模式混叠.

图 3

图 3   受试者S1的肌电信号BB时频分解结果

Fig.3   Time-frequency domain decomposition results of EMG BB for subject S1


受试者S4脑肌电信号经过APITMEMD分解得到的各IMF分量的频率范围如表1所示. 表中脑电信号C4与肌电信号BB的IMF降序排列(IMF1~IMF11所对应的带宽范围由高频到低频),且IMF数量相同. 依据不同特征频段的频率范围,将分解得到的IMF依次划分,为分析脑肌电信号不同特征频段的耦合特性做准备.

表 1   受试者S4的APITMEMD分解后各IMF带宽及对应频段

Tab.1  Bandwidth and corresponding frequency band of each IMF after APITMEMD decomposition for subject S4

分量 f/Hz 对应频带
C4 BB
IMF1 59~73 61~74 gamma
IMF2 54~64 54~63 gamma
IMF3 49~57 46~57 gamma
IMF4 41~50 40~47 gamma
IMF5 32~41 35~42 gamma
IMF6 24~34 22~38 beta
IMF7 17~26 15~24 beta
IMF8 12~16 10~17 beta
IMF9 6~11 6~12 alpha
IMF10 4~7 3~6 theta
IMF11 1~3 0~3 delta

新窗口打开| 下载CSV


3.2. 多尺度补偿传递熵实验结果

为了对比受试者在 ${{\rm{EEG}}} \to {\rm{EMG}}$${{\rm{EMG}}} \to {\rm{EEG}}$方向上各尺度的皮层肌肉耦合的差异,分别计算受试者左、右手不同力度下的McTE和MEMD-cTE的耦合强度并进行对比. 如图45所示分别为受试者S3、S6运动时脑肌电耦合2种方法的对比图 (其他受试者结果与此类似). 图中,k为不同尺度频带;Z为耦合强度;标题中R代表右手,L代表左手;5、10、20代表受试者使用的抓握力度分别为5、10、20 kg. 可知,受试者的皮层肌肉功能耦合分为 ${{\rm{EEG}}} \to {\rm{EMG}}$(下行)方向和 ${{\rm{EMG}}} \to {\rm{EEG}}$(上行)方向,并且皮层肌肉间的耦合情况具有相似性. 同一受试者在不同的握力情况下,其EEG和EMG信号经过APITMEMD分解后的IMF分量个数有所差异. 第1个尺度(图中的大方框处)代表的是高gamma频段(50~75 Hz). 在这个尺度上无论是左手还是右手,无论握力是大是小,始终存在 ${\text{EEG}} \to {\text{EMG}}$的耦合强度大于 ${\text{EMG}} \to {\text{EEG}}$的耦合强度. 这体现了在运动过程中,信息传递有不同的传递通道,运动皮层需要传递更多的信息至肌肉进行控制. 在高gamma频段该方法结果曲线和MEMD-cTE曲线相似,但是在beta频段(图中的小方框处) 2种分解方法的分解结果具有一定差异性.

图 4

图 4   受试者S3在不同尺度上的皮层肌肉耦合强度对比

Fig.4   Comparison of functional cortical muscular coupling strength for subject S3 at different scales


图 5

图 5   受试者S6在不同尺度上的皮层肌肉耦合强度对比

Fig.5   Comparison of functional cortical muscular coupling strength for S6 at different scales


为了进一步研究受试者在 ${{\rm{EEG}}} \to {\rm{EMG}}$${{\rm{EMG}}} \to {\rm{EEG}}$方向上各个尺度间的耦合特征,受试者S2、S6在不同运动情况下的各尺度间脑肌耦合McTE分别如图67所示. 图中,p为脑电信号IMF分量,q为肌电信号IMF分量. 可见,无论是左手还是右手,无论握力是大是小,beta频段(对应于图中脑肌电信号第6~8个IMF分量)的耦合强度最大,这与图45中第6~8个尺度耦合强度最大的结果相对应. 该结果与已有的静态握力输出实验模式下EEG-EMG耦合特征研究相符合[13],共同证实了在维持恒力输出下,脑肌电耦合主要表现在beta频段,运动皮层与肌肉间beta频段的振荡起主要作用,体现了皮层与肌肉间的信息交互.

图 6

图 6   受试者S2脑肌电信号不同尺度间的McTE的耦合强度

Fig.6   Coupling strength of McTE between EEG and EMG for subject S2 at different scales


图 7

图 7   受试者S6脑肌电信号不同尺度间的McTE的耦合强度

Fig.7   Coupling strength of McTE between EEG and EMG forsubject S6 at different scales


4. 讨 论

研究静态握力下的EEG和EMG信号,深入理解中枢神经系统的控制机制. 皮层肌肉间的2种不同的分解算法:MEMD、 APITMEMD,都可以将脑肌电信号分解成不同的IMF分量,缓解模式混合. APITMEMD方法能产生比MEMD少的IMF分量,这与Yang等[11]的研究结果一致. 针对皮层肌肉间信息流向的研究表明,脑电和肌电间的耦合是双向的(上行和下行方向),体现了运动过程中皮层与相应肌肉在互相传递信息. 与此同时,本研究的实验结果进一步表明,下行方向beta频段的耦合强度在皮层肌肉耦合中占据主导地位,且在高gamma频段下行方向的耦合强度始终大于上行方向的耦合强度,这与Chen等[14]得出的结论相一致. 受试者在不同尺度上的实验结果表明,在左、右手不同握力的情况下,beta频段的耦合特征最为明显,再次验证了受试者在不同方向上各尺度皮层肌肉耦合差异实验的结果.

5. 结 语

针对传统耦合方法不能准确描述脑肌电信号在不同尺度上的耦合特征的问题,提出多尺度补偿传递熵分析方法. 通过实验表明,基于APITMEMD的生理信号分解比MEMD分解产生的IMF分量少;采用本研究所提方法,能够比MEMD-cTE更准确地描述脑肌电信号在beta频段上的耦合特征. 对于人体运动这一复杂过程,本研究选取的脑肌电信号通道数量、受试者数量均有限,且仅探究了脑肌电信号间的耦合特征,不具有全面性. 下一步计划招募更多的受试者,采集更多的脑肌电通道信号,从脑电耦合、肌间耦合与脑肌电耦合多层次深入研究人体运动的控制机制.

参考文献

CHEN X L, XIE P, ZHANG Y Y, et al

Multiscale information transfer in functional corticomuscular coupling estimation following stroke: a pilot study

[J]. Frontiers in Neurology, 2018, 9: 287

DOI:10.3389/fneur.2018.00287      [本文引用: 1]

MEHRKANOON S, BREAKSPEAR M, BOONSTRA T W, et al

The reorganization of corticomuscular coherence during a transition between sensorimotor states

[J]. Neuroimage, 2014, 100: 692- 702

DOI:10.1016/j.neuroimage.2014.06.050      [本文引用: 1]

WALKER S, PIITULAINEN H, MANLANGIT T, et al

Older adults show elevated intermuscular coherence in eyes-open standing but only young adults increase coherence in response to closing the eyes

[J]. Experimental Physiology, 2020, 105 (6): 1000- 1011

DOI:10.1113/EP088468      [本文引用: 1]

HICKEY P, MERSEAL H, PATEL A D, et al

Memory in time: neural tracking of low-frequency rhythm dynamically modulates memory formation

[J]. Neuroimage, 2020, 213: 116693

DOI:10.1016/j.neuroimage.2020.116693      [本文引用: 1]

SCHREIBER T

Measuring information transfer

[J]. Physical Review Letters, 2000, 85 (2): 461- 464

DOI:10.1103/PhysRevLett.85.461      [本文引用: 1]

REN W, LI B, HAN M

A novel granger causality method based on HSIC-Lasso for revealing nonlinear relationship between multivariate time series

[J]. Physica A: Statistical Mechanics and its Applications, 2020, 541: 123245

DOI:10.1016/j.physa.2019.123245      [本文引用: 1]

FAES L, NOLLO G, PORTA A

Compensated transfer entropy as a tool for reliably estimating information transfer in physiological time series

[J]. Entropy, 2013, 15 (1): 198- 219

DOI:10.3390/e15010198      [本文引用: 1]

谢平, 杨芳梅, 李欣欣, 等

基于变分模态分解-传递熵的脑肌电信号耦合分析

[J]. 物理学报, 2016, 65 (11): 118701

DOI:10.7498/aps.65.118701      [本文引用: 1]

XIE Ping, YANG Fang-mei, LI Xin-xin, et al

Functional coupling analyses of electroencephalogram and electromyogram based on variational mode decomposition-transfer entropy

[J]. Acta Physica Sinica, 2016, 65 (11): 118701

DOI:10.7498/aps.65.118701      [本文引用: 1]

马鹏刚, 佘青山, 高云园, 等

基于多元经验模态分解-传递熵的脑肌电信号耦合分析

[J]. 传感技术学报, 2018, 31 (6): 904- 914

DOI:10.3969/j.issn.1004-1699.2018.06.016      [本文引用: 1]

MA Peng-gang, SHE Qing-shan, GAO Yun-yuan, et al

Functional coupling analyses of EEG and EMG based on multivariate empirical mode decomposition

[J]. Chinese Journal of Sensors and Actuators, 2018, 31 (6): 904- 914

DOI:10.3969/j.issn.1004-1699.2018.06.016      [本文引用: 1]

郑潜, 乔丹, 郎恂, 等

基于噪声辅助快速多维经验模式分解的运动想象脑电信号分类方法

[J]. 智能科学与技术学报, 2020, 2 (3): 240- 250

DOI:10.11959/j.issn.2096-6652.202026      [本文引用: 1]

ZHENG Qian, QIAO Dan, LANG Xun, et al

Classification of motor imagery signals using noise-assisted fast multivariate empirical mode decomposition

[J]. Chinese Journal of Intelligent Science and Technology, 2020, 2 (3): 240- 250

DOI:10.11959/j.issn.2096-6652.202026      [本文引用: 1]

YANG R, LV Y, SONG G B

Multi-fault diagnosis of rolling bearings via adaptive projection intrinsically transformed multivariate empirical mode decomposition and high order singular value decomposition

[J]. Sensors, 2018, 18 (4): 1210

DOI:10.3390/s18041210      [本文引用: 2]

YUAN R, LV Y, LI H, et al

Robust fault diagnosis of rolling bearings using multivariate intrinsic multiscale entropy analysis and neural network under varying operating conditions

[J]. IEEE Access, 2019, 7: 130804- 130819

DOI:10.1109/ACCESS.2019.2939546      [本文引用: 1]

BRIGO F, ZELANO J

Seizures and stroke: new insights transform an old research field

[J]. Epilepsy and Behavior, 2020, 104: 106218

DOI:10.1016/j.yebeh.2019.03.023      [本文引用: 1]

CHEN X L, ZHANG Y Y, CHENG S C, et al

Transfer spectral entropy and application to functional corticomuscular coupling

[J]. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 2019, 27 (5): 1092- 1102

DOI:10.1109/TNSRE.2019.2907148      [本文引用: 1]

/