運動神經系統通過神經振蕩活動傳遞運動控制信息，從而引起相應肌肉的同步性振蕩活動并反映運動響應信息，然后反饋至大腦皮層，使其能夠感知肢體的狀態。這種同步振蕩活動可反映皮層肌肉功能耦合的連接信息。其中，耦合的強弱由多種因素決定，包括肌肉收縮的力量、注意力、運動意圖等，因此分析不同因素影響下的腦肌電信號同步耦合的強弱對運動功能評價及控制方法等研究有重要意義。針對腦肌電信號同步耦合的分析方法，本文主要介紹與比較了線性方法中的相干性分析和格蘭杰因果分析，以及非線性方法中的互信息以及傳遞熵，總結了各方法在腦肌電信號同步耦合的應用研究，以便于相關領域的科研工作者更系統地了解目前腦肌電信號同步耦合分析方法的研究進展。
引用本文： 李素姣, 劉蘇, 藍賀, 喻洪流. 腦肌電信號同步耦合分析方法研究進展. 生物醫學工程學雜志, 2019, 36(2): 334-337, 342. doi: 10.7507/1001-5515.201804005 復制
引言
肌電（electromyography，EMG）信號是神經肌肉活動產生的信號。通過表面電極測量所得的肌電信號稱為表面肌電（surface electromyography，sEMG）信號[1]，表面肌電信號記錄的是人體骨骼肌表面在神經、肌肉活動時所產生的生物電信號。肌電信號的變化與諸多因素相關，并可實時準確地反應神經肌肉的功能狀態，可作為神經肌肉功能評價的有效方法[2-3]。腦電（electroencephalography，EEG）信號是通過放置在頭皮表面電極記錄的人體神經元電活動的宏觀綜合表現，可反映大腦不同狀態的信息[4]。
腦電信號和肌電信號能直接反映運動神經系統的功能狀態，所以皮層肌肉間的耦合連接可通過腦肌電信號的同步耦合分析來測量。腦肌電信號同步耦合分析即獲取大腦運動意識驅動與肌肉運動響應之間的功能聯系特征。腦肌電同步耦合分析研究可應用于康復治療、康復評估和假肢控制等多個研究領域[5]。目前在腦卒中、帕金森、腦外傷和肌萎縮側索硬化癥等患者康復過程中[6-7]，運動功能評價的主要依據是康復醫師的主觀經驗或依靠監測患者的肌力狀態，難以客觀、準確地評定康復效果。而腦肌電交互作用能夠反映患者運動功能缺失的神經機制，采用腦肌電信號同步耦合分析評估會更加客觀和準確，以便于進一步指導開展更好的康復治療。
腦肌電信號同步耦合中含有線性耦合特征和非線性耦合特征，分析方法可分為線性方法和非線性方法兩大類。近年來，研究人員廣泛使用線性方法中的相干性分析和格蘭杰因果（Granger causality，GC）分析以及非線性方法中的互信息（mutual information，MI）和傳遞熵（transfer entropy，TE）方法分析腦肌電耦合的效果，本文將對這些腦肌電同步耦合分析方法以及其應用情況進行探討和綜述，以期給相關領域的科研工作者選擇不同的腦肌電信號同步耦合分析方法提供理論指導和方法借鑒。
1 線性方法
1.1 相干性分析
相干性分析是從頻域上量化兩個時間序列的線性相關程度，其測量方法定義為兩信號的互譜密度函數對各自自譜密度函數的歸一化，設 x 和 y 為兩組時間序列，則計算公式如式（1）所示：
 |
其中，Cxy 為 x、y 的相干系數，Sxx、Syy 分別代表 x、y 的自譜密度函數，Sxy 代表 x、y 的互譜密度函數。相干性分析針對腦肌電信號計算其在頻域上的線性相關性，可以定量地評價不同神經區域間的相關性程度。采用相干函數表征大腦皮層與肌肉之間的同步耦合也稱為皮層肌肉相干性（cortico-muscular coherence，CMC）分析。
相干性分析因具有計算簡便的優勢，目前已有很多國內外學者采用此方法初步探究腦肌電信號同步耦合的影響因素。陳迎亞[8]的研究表明，隨著恒定握力的增加，beta 頻段（13～30 Hz）的皮層肌肉相干性隨之降低。Ushijima 等[9]研究表明，脛骨前肌在弱自主收縮期間，皮層肌肉相干性的峰值隨肌肉運動時間的增加而顯著增大。因此，皮層肌肉相干性對評估患者的運動功能具有重要意義。Zheng 等[10]研究表明，在上肢肌肉維持恒定力輸出時，注意力可影響皮層肌肉相干性，且注意力越集中，相干性越強，此研究對神經損傷患者的康復訓練過程中是否加入注意力因素具有指導性意義。
腦肌電信號同步耦合存在時間延遲，如果不加以考慮，可能會降低相干水平。由此，Xu 等[11]提出了一種具有時滯的皮層肌肉相干性（cortico-muscular coherence with time lag，CMCTL）的分析方法，其分析效果與生理學事實更接近。高云園等[12]分別選取大腦運動區和軀體感覺區的腦電信號和肌電信號做多頻段雙向耦合相干性分析。這一研究雖彌補了相干性不能確定耦合方向的不足，但其僅分析了健康人的腦肌電信號的數據，是否適用于運動功能障礙患者有待進一步分析研究。
此外，雖然傳統相干性分析具有計算簡便、易于實現、結果可靠、效率高等優勢，但仍然存在一些缺陷，包括：難以區分腦肌電信號之間的耦合是源自皮層振蕩施加于肌肉，還是肌肉活動的本體感受，也不能體現皮層肌肉間的因果關系等，因此尚需進一步探尋更有效的分析方法。
1.2 格蘭杰因果分析
大腦皮層與肌肉之間的相關振蕩不僅可以從發出命令的大腦皮層傳導至肌肉（下行），而且同時也由肌肉反饋回大腦皮層（上行）。這樣的振蕩回路使大腦皮層能夠感知肢體的功能狀態，并整合從輸入到響應的信息流動。1988 年，Grange[13]提出了格蘭杰因果關系分析方法在神經網絡領域得到了廣泛的應用，其定義為：在 y 的回歸中加入 x 變量值可以提高預測的性能，則稱 x 引起 y。其中 x 和 y 的因果傳遞關系可表示為如式（2）、（3）所示：
 |
 |
其中，Sxx 和 Syy 分別為 x 和 y 的自譜密度函數，Γ 和 Σ 為 Hyx 和 Hxy 的方差，符號*代表轉置共軛。
由于格蘭杰因果分析可描述信息間的雙向因果性傳遞規律，諸多研究采用此方法分析不同運動模式對上行和下行方向腦肌電信號耦合的影響。Witham 等[14]將格蘭杰因果分析與相干性分析比較，研究表明腦肌電信號耦合復雜的本質源于腦肌電信號的雙向傳遞。牛曉辰[15]采用此方法探究正走和倒走運動中腦肌電信號的功能性關聯，研究發現與正走相比，倒走時股直肌與脛骨前肌在 alpha 頻段（8～13 Hz）和 beta 頻段（13～30 Hz）處下行和上行方向腦肌電耦合的強度均有所下降，為倒走中的運動康復評價提供了理論依據。
雖然格蘭杰因果分析方法有著可以定向研究的優勢，但也存在一些不容忽視的問題，如：難以確定模型階數、頻率分辨率受限等。此外，基于小波變換的方法具有高頻率、高分辨率的特點，由此，謝平等[16]提出了小波—格蘭杰因果方法（wavelet transform-Granger causality，WT—GC），并采用此方法對不同手部力量下腦肌電同步耦合特征進行分析，其優勢在于能夠更全面地揭示腦肌電同步耦合的頻譜特征和方向性信息，還可以體現動態力學信號在時域和頻域上的特征。
2 非線性方法
2.1 互信息
1950 年，Shannon[17]建立了信息理論，用于研究在收到一個訊號之前，如何科學地度量該訊號的不確定性。互信息是信息論里一種有用的信息度量[4]，可以看成一個隨機變量中包含的關于另一個隨機變量的信息量，即兩個隨機變量之間的相關程度。互信息值越大，說明兩個信號越相關，反之則相關性越小。兩個隨機變量 x 與 y 互信息的計算公式如式（4）所示：
 |
其中，H（y）表示 y 的熵，可衡量 y 的不確定度，H（y|x）表示已知 x 的情況下，y 的不確定度。
互信息方法廣泛應用于非線性系統，因此許多研究人員考慮采用此方法研究腦肌電信號的非線性耦合特征。Kim 等[18]研究表明，受試者在具有運動意圖的主動運動時，腦肌電信號的互信息量顯著高于沒有運動意圖的被動運動，為開發用戶意圖康復系統的研究提供了理論基礎。傳統的互信息方法無法體現序列之間信息流動方向且不能排除共同信號源的影響。Jin 等[19]改進了互信息方法，提出了將時延互信息（time delay mutual information，TDMI）應用于腦肌電信號同步耦合的研究，研究發現線性和非線性信息流均來自于對側感覺運動皮層并傳導至肌肉，此研究首次在腦肌電信號的相互作用中分離線性和非線性信息流。
2.2 傳遞熵
Schreiber[20]于 2000 年定義了傳遞熵，傳遞熵的概念源于互信息，它與傳遞信息相關。傳遞熵是基于轉移概率定義的非對稱性測量方法，包含著方向性和動態信息，可用于研究復雜系統的非線性時間序列間的信息傳遞關系[21]。傳遞熵的特點是非線性、不依賴于既定模型、可定量分析等。它考慮的是變量間的信息量傳遞，而不需要假定變量間具有特定形式的關系。對于兩列信號 X = xt 和 Y = yt，傳遞熵的計算方法如式（5）所示：
 |
其中 
= （xt，
，xt-m+1），
= （yt，
，yt-n+1），m 和 n 為 xt 和 yt 的延遲嵌入向量維數。
近幾年，大部分國內外專家學者采用傳遞熵與其他方法結合的方式分析腦肌電信號非線性同步耦合以及因果性傳遞的特征。So 等[22]采用小波—傳遞熵評估抓取過程中皮層傳導至肌肉的信息流，研究結果顯示，在運動的過渡階段（從放松到抓取）傳遞的信息減少，在抓球期間傳遞的信息增加。張園園等[23]采用小波—傳遞熵的方法研究表明，恒定握力下，beta 頻段傳遞熵值在下行方向上明顯強于上行方向，隨著握力水平的增加，gamma 頻段（30～100 Hz）傳遞熵值在上行方向上出現峰值，并高于下行方向且同步振蕩幅值增加，此研究對患者上肢康復評價具有一定指導作用。與采用相干性分析研究不同恒定握力下耦合強度相比，該算法能有效刻畫不同頻段、不同傳遞方向上的腦肌電信號間非線性耦合特征。
謝平等[24]為研究不同時間尺度上腦肌電耦合特征，提出基于多尺度傳遞熵分析方法，該研究揭示了腦肌電耦合強度在不同時間尺度上有所差異。在此基礎上，謝平等[25]又提出了將變分模態分解與傳遞熵方法結合，構建變分模態分解—傳遞熵（the variational mode decomposition-transfer entropy，VMD-TE）模型。將經驗模態分解應用到多尺度劃分之中，優勢在于將便于提取腦電信號和肌電信號的時頻特征以及分析不同方向和頻段間的耦合特征。
3 腦肌電信號同步耦合分析方法比較
本文所介紹的線性方法可有效地定量描述腦肌電信號間的線性耦合關系。其中，相干性分析是目前研究腦肌電信號同步耦合最為廣泛使用的方法。它具有易實現、效率高和可靠性高的優勢，但其不能體現皮層肌肉間的因果關系，而格蘭杰因果分析可體現因果性傳遞，所以在研究上行和下行方向的腦肌電信號同步耦合方面得到了廣泛的使用。非線性方法可充分表達大腦皮層與肌肉之間的高度復雜的非線性特征，這對于分析腦肌電信號同步耦合的綜合特征具有重要意義。與互信息相比，傳遞熵最大的優勢在于它可以體現腦肌電信號同步耦合信息傳遞關系。但是傳遞熵方法的研究起步較晚，目前還有很多相關內容尚在探索中。腦肌電信號同步耦合分析方法的比較如表 1 所示。
表1
腦肌電信號同步耦合分析方法比較
Table1.
Comparison of analysis methods for electroencephalography-electromyography synchronous coupling
4 總結與展望
本文對常用的腦肌電信號同步耦合的線性和非線性分析方法的研究發展現狀進行了概述和總結，包括相干性分析、格蘭杰因果分析、互信息以及傳遞熵。相干性分析從頻域角度量化腦肌電信號間線性相關程度，因易于實現而廣泛使用，但其只能體現單向傳遞性。格蘭杰因果分析可衡量腦肌電信號耦合雙向因果性傳遞的線性相關程度。互信息是通過信息量反應腦肌電信號間的相關程度，但無法體現信息流動方向。傳遞熵是基于互信息的非線性方法，它不依賴于既定模型和因果性傳遞的特征，使其在分析腦肌電信號同步耦合中具有一定的優勢。線性方法的理論較為成熟且易于實現，因此，國內外關于腦肌電信號同步耦合的研究大多基于線性算法。近年來，隨著非線性分析方法的不斷完善，其應用于腦肌電信號同步耦合的方面也逐漸受到重視。隨著分析方法的不斷升級，對腦肌電信號同步耦合的研究將會更加深入和成熟，更有利于應用到假肢控制、康復治療和評價等領域。
引言
肌電（electromyography，EMG）信號是神經肌肉活動產生的信號。通過表面電極測量所得的肌電信號稱為表面肌電（surface electromyography，sEMG）信號[1]，表面肌電信號記錄的是人體骨骼肌表面在神經、肌肉活動時所產生的生物電信號。肌電信號的變化與諸多因素相關，并可實時準確地反應神經肌肉的功能狀態，可作為神經肌肉功能評價的有效方法[2-3]。腦電（electroencephalography，EEG）信號是通過放置在頭皮表面電極記錄的人體神經元電活動的宏觀綜合表現，可反映大腦不同狀態的信息[4]。
腦電信號和肌電信號能直接反映運動神經系統的功能狀態，所以皮層肌肉間的耦合連接可通過腦肌電信號的同步耦合分析來測量。腦肌電信號同步耦合分析即獲取大腦運動意識驅動與肌肉運動響應之間的功能聯系特征。腦肌電同步耦合分析研究可應用于康復治療、康復評估和假肢控制等多個研究領域[5]。目前在腦卒中、帕金森、腦外傷和肌萎縮側索硬化癥等患者康復過程中[6-7]，運動功能評價的主要依據是康復醫師的主觀經驗或依靠監測患者的肌力狀態，難以客觀、準確地評定康復效果。而腦肌電交互作用能夠反映患者運動功能缺失的神經機制，采用腦肌電信號同步耦合分析評估會更加客觀和準確，以便于進一步指導開展更好的康復治療。
腦肌電信號同步耦合中含有線性耦合特征和非線性耦合特征，分析方法可分為線性方法和非線性方法兩大類。近年來，研究人員廣泛使用線性方法中的相干性分析和格蘭杰因果（Granger causality，GC）分析以及非線性方法中的互信息（mutual information，MI）和傳遞熵（transfer entropy，TE）方法分析腦肌電耦合的效果，本文將對這些腦肌電同步耦合分析方法以及其應用情況進行探討和綜述，以期給相關領域的科研工作者選擇不同的腦肌電信號同步耦合分析方法提供理論指導和方法借鑒。
1 線性方法
1.1 相干性分析
相干性分析是從頻域上量化兩個時間序列的線性相關程度，其測量方法定義為兩信號的互譜密度函數對各自自譜密度函數的歸一化，設 x 和 y 為兩組時間序列，則計算公式如式（1）所示：
|
其中，Cxy 為 x、y 的相干系數，Sxx、Syy 分別代表 x、y 的自譜密度函數，Sxy 代表 x、y 的互譜密度函數。相干性分析針對腦肌電信號計算其在頻域上的線性相關性，可以定量地評價不同神經區域間的相關性程度。采用相干函數表征大腦皮層與肌肉之間的同步耦合也稱為皮層肌肉相干性（cortico-muscular coherence，CMC）分析。
相干性分析因具有計算簡便的優勢，目前已有很多國內外學者采用此方法初步探究腦肌電信號同步耦合的影響因素。陳迎亞[8]的研究表明，隨著恒定握力的增加，beta 頻段（13～30 Hz）的皮層肌肉相干性隨之降低。Ushijima 等[9]研究表明，脛骨前肌在弱自主收縮期間，皮層肌肉相干性的峰值隨肌肉運動時間的增加而顯著增大。因此，皮層肌肉相干性對評估患者的運動功能具有重要意義。Zheng 等[10]研究表明，在上肢肌肉維持恒定力輸出時，注意力可影響皮層肌肉相干性，且注意力越集中，相干性越強，此研究對神經損傷患者的康復訓練過程中是否加入注意力因素具有指導性意義。
腦肌電信號同步耦合存在時間延遲，如果不加以考慮，可能會降低相干水平。由此，Xu 等[11]提出了一種具有時滯的皮層肌肉相干性（cortico-muscular coherence with time lag，CMCTL）的分析方法，其分析效果與生理學事實更接近。高云園等[12]分別選取大腦運動區和軀體感覺區的腦電信號和肌電信號做多頻段雙向耦合相干性分析。這一研究雖彌補了相干性不能確定耦合方向的不足，但其僅分析了健康人的腦肌電信號的數據，是否適用于運動功能障礙患者有待進一步分析研究。
此外，雖然傳統相干性分析具有計算簡便、易于實現、結果可靠、效率高等優勢，但仍然存在一些缺陷，包括：難以區分腦肌電信號之間的耦合是源自皮層振蕩施加于肌肉，還是肌肉活動的本體感受，也不能體現皮層肌肉間的因果關系等，因此尚需進一步探尋更有效的分析方法。
1.2 格蘭杰因果分析
大腦皮層與肌肉之間的相關振蕩不僅可以從發出命令的大腦皮層傳導至肌肉（下行），而且同時也由肌肉反饋回大腦皮層（上行）。這樣的振蕩回路使大腦皮層能夠感知肢體的功能狀態，并整合從輸入到響應的信息流動。1988 年，Grange[13]提出了格蘭杰因果關系分析方法在神經網絡領域得到了廣泛的應用，其定義為：在 y 的回歸中加入 x 變量值可以提高預測的性能，則稱 x 引起 y。其中 x 和 y 的因果傳遞關系可表示為如式（2）、（3）所示：
|
|
其中，Sxx 和 Syy 分別為 x 和 y 的自譜密度函數，Γ 和 Σ 為 Hyx 和 Hxy 的方差，符號*代表轉置共軛。
由于格蘭杰因果分析可描述信息間的雙向因果性傳遞規律，諸多研究采用此方法分析不同運動模式對上行和下行方向腦肌電信號耦合的影響。Witham 等[14]將格蘭杰因果分析與相干性分析比較，研究表明腦肌電信號耦合復雜的本質源于腦肌電信號的雙向傳遞。牛曉辰[15]采用此方法探究正走和倒走運動中腦肌電信號的功能性關聯，研究發現與正走相比，倒走時股直肌與脛骨前肌在 alpha 頻段（8～13 Hz）和 beta 頻段（13～30 Hz）處下行和上行方向腦肌電耦合的強度均有所下降，為倒走中的運動康復評價提供了理論依據。
雖然格蘭杰因果分析方法有著可以定向研究的優勢，但也存在一些不容忽視的問題，如：難以確定模型階數、頻率分辨率受限等。此外，基于小波變換的方法具有高頻率、高分辨率的特點，由此，謝平等[16]提出了小波—格蘭杰因果方法（wavelet transform-Granger causality，WT—GC），并采用此方法對不同手部力量下腦肌電同步耦合特征進行分析，其優勢在于能夠更全面地揭示腦肌電同步耦合的頻譜特征和方向性信息，還可以體現動態力學信號在時域和頻域上的特征。
2 非線性方法
2.1 互信息
1950 年，Shannon[17]建立了信息理論，用于研究在收到一個訊號之前，如何科學地度量該訊號的不確定性。互信息是信息論里一種有用的信息度量[4]，可以看成一個隨機變量中包含的關于另一個隨機變量的信息量，即兩個隨機變量之間的相關程度。互信息值越大，說明兩個信號越相關，反之則相關性越小。兩個隨機變量 x 與 y 互信息的計算公式如式（4）所示：
|
其中，H（y）表示 y 的熵，可衡量 y 的不確定度，H（y|x）表示已知 x 的情況下，y 的不確定度。
互信息方法廣泛應用于非線性系統，因此許多研究人員考慮采用此方法研究腦肌電信號的非線性耦合特征。Kim 等[18]研究表明，受試者在具有運動意圖的主動運動時，腦肌電信號的互信息量顯著高于沒有運動意圖的被動運動，為開發用戶意圖康復系統的研究提供了理論基礎。傳統的互信息方法無法體現序列之間信息流動方向且不能排除共同信號源的影響。Jin 等[19]改進了互信息方法，提出了將時延互信息（time delay mutual information，TDMI）應用于腦肌電信號同步耦合的研究，研究發現線性和非線性信息流均來自于對側感覺運動皮層并傳導至肌肉，此研究首次在腦肌電信號的相互作用中分離線性和非線性信息流。
2.2 傳遞熵
Schreiber[20]于 2000 年定義了傳遞熵，傳遞熵的概念源于互信息，它與傳遞信息相關。傳遞熵是基于轉移概率定義的非對稱性測量方法，包含著方向性和動態信息，可用于研究復雜系統的非線性時間序列間的信息傳遞關系[21]。傳遞熵的特點是非線性、不依賴于既定模型、可定量分析等。它考慮的是變量間的信息量傳遞，而不需要假定變量間具有特定形式的關系。對于兩列信號 X = xt 和 Y = yt，傳遞熵的計算方法如式（5）所示：
|
其中 = （xt，，xt-m+1）， = （yt，，yt-n+1），m 和 n 為 xt 和 yt 的延遲嵌入向量維數。
近幾年，大部分國內外專家學者采用傳遞熵與其他方法結合的方式分析腦肌電信號非線性同步耦合以及因果性傳遞的特征。So 等[22]采用小波—傳遞熵評估抓取過程中皮層傳導至肌肉的信息流，研究結果顯示，在運動的過渡階段（從放松到抓取）傳遞的信息減少，在抓球期間傳遞的信息增加。張園園等[23]采用小波—傳遞熵的方法研究表明，恒定握力下，beta 頻段傳遞熵值在下行方向上明顯強于上行方向，隨著握力水平的增加，gamma 頻段（30～100 Hz）傳遞熵值在上行方向上出現峰值，并高于下行方向且同步振蕩幅值增加，此研究對患者上肢康復評價具有一定指導作用。與采用相干性分析研究不同恒定握力下耦合強度相比，該算法能有效刻畫不同頻段、不同傳遞方向上的腦肌電信號間非線性耦合特征。
謝平等[24]為研究不同時間尺度上腦肌電耦合特征，提出基于多尺度傳遞熵分析方法，該研究揭示了腦肌電耦合強度在不同時間尺度上有所差異。在此基礎上，謝平等[25]又提出了將變分模態分解與傳遞熵方法結合，構建變分模態分解—傳遞熵（the variational mode decomposition-transfer entropy，VMD-TE）模型。將經驗模態分解應用到多尺度劃分之中，優勢在于將便于提取腦電信號和肌電信號的時頻特征以及分析不同方向和頻段間的耦合特征。
3 腦肌電信號同步耦合分析方法比較
本文所介紹的線性方法可有效地定量描述腦肌電信號間的線性耦合關系。其中，相干性分析是目前研究腦肌電信號同步耦合最為廣泛使用的方法。它具有易實現、效率高和可靠性高的優勢，但其不能體現皮層肌肉間的因果關系，而格蘭杰因果分析可體現因果性傳遞，所以在研究上行和下行方向的腦肌電信號同步耦合方面得到了廣泛的使用。非線性方法可充分表達大腦皮層與肌肉之間的高度復雜的非線性特征，這對于分析腦肌電信號同步耦合的綜合特征具有重要意義。與互信息相比，傳遞熵最大的優勢在于它可以體現腦肌電信號同步耦合信息傳遞關系。但是傳遞熵方法的研究起步較晚，目前還有很多相關內容尚在探索中。腦肌電信號同步耦合分析方法的比較如表 1 所示。
表1
腦肌電信號同步耦合分析方法比較
Table1.
Comparison of analysis methods for electroencephalography-electromyography synchronous coupling
4 總結與展望
本文對常用的腦肌電信號同步耦合的線性和非線性分析方法的研究發展現狀進行了概述和總結，包括相干性分析、格蘭杰因果分析、互信息以及傳遞熵。相干性分析從頻域角度量化腦肌電信號間線性相關程度，因易于實現而廣泛使用，但其只能體現單向傳遞性。格蘭杰因果分析可衡量腦肌電信號耦合雙向因果性傳遞的線性相關程度。互信息是通過信息量反應腦肌電信號間的相關程度，但無法體現信息流動方向。傳遞熵是基于互信息的非線性方法，它不依賴于既定模型和因果性傳遞的特征，使其在分析腦肌電信號同步耦合中具有一定的優勢。線性方法的理論較為成熟且易于實現，因此，國內外關于腦肌電信號同步耦合的研究大多基于線性算法。近年來，隨著非線性分析方法的不斷完善，其應用于腦肌電信號同步耦合的方面也逐漸受到重視。隨著分析方法的不斷升級，對腦肌電信號同步耦合的研究將會更加深入和成熟，更有利于應用到假肢控制、康復治療和評價等領域。
