針對中風康復患者運動功能障礙相關的神經肌肉異常耦合問題，本文研究多通道肌電信號間的功能耦合特性，對比分析健康人和中風患者的肌間耦合特征，進而挖掘中風康復患者運動功能障礙產生的病理機制。首先將交叉頻率相干分析與非負矩陣分解相結合，構建交叉頻率相干分析-非負矩陣分解模型，研究健康人和中風患者上肢肘關節屈伸運動中相關肌肉的線性耦合關系以及不同頻率比下的肌間非線性耦合特性，并分別計算顯著性相干面積和相干性值之和，定量描述多通道肌間線性和非線性耦合特性。結果表明：多通道肌間線性耦合關系存在頻段差異，低頻段內呈現的整體耦合性較強；中風患者肌間線性耦合強度在不同頻段內均低于健康被試對照組，且在 beta 和 gamma 頻段的耦合強度差異更加明顯。對于肌間非線性耦合，不同頻率比下的中風患者肌間耦合強度明顯低于健康被試對照組，同時在頻率比為 1∶2 下的耦合強度略高于頻率比為 1∶3 下的耦合強度。本文方法能為探索運動功能障礙患者的肌間耦合機制提供理論基礎。
引用本文： 杜義浩, 楊文娟, 姚文軒, 齊文靖, 陳曉玲, 謝博多, 謝平. 中風患者康復運動中多通道肌間耦合特性分析. 生物醫學工程學雜志, 2019, 36(5): 720-727. doi: 10.7507/1001-5515.201807025 復制
引 言
人體運動是在中樞神經系統控制下產生的高復雜度的運動過程，是與動作相關的肌群以一定的時空關系共同作用的結果[1]。在運動過程中，運動神經系統通過神經振蕩來傳遞運動控制信息[2]，且肌肉的激活具有多尺度復雜性，主要表現為生理信號間不同時空層次的耦合現象[3]。在中樞神經系統功能調節和反饋控制作用下，肌肉間的耦合現象體現了運動中多通道肌肉間的相互作用與中樞神經系統對肌肉的支配能力[4]。中樞神經損傷患者由于神經受損阻礙了神經振蕩的傳導，造成運動功能障礙。近年來，運用生理電信號耦合分析方法探索中樞神經損傷患者的異常神經振蕩和神經肌肉狀態已成為運動醫學和康復工程等領域的研究熱點。
有研究表明，神經運動控制系統中的耦合關系不僅存在線性和非線性，而且非線性耦合在運動控制系統中起著至關重要的作用[5]。大腦感覺運動區域的腦電信號和肌電信號間存在非線性耦合[6]，且 theta 和 gamma 頻段之間的耦合強度最強。有研究發現患者的神經振蕩信號間存在交叉頻率耦合[7]，且腦肌電之間存在諧波和次諧波的非線性耦合[8]。更重要的是，研究發現肌間耦合和腦肌間耦合具有相似的模式，均起源于皮質脊髓通路[9]，說明肌間耦合能夠反映腦肌間耦合的趨勢[10]。然而，有關肌間非線性耦合特性的研究尚不多見，值得進一步深入探討。
近年來，肌間相干分析（intermuscular coherence，IMC）已成為研究運動過程中肌間耦合特性和運動控制機制的主要方法之一。研究結果表明，傳統相干分析方法可以量化兩通道生理信號間的線性耦合關系[11]，發現肌間耦合強度存在頻段特征[12]，且主要集中在 beta（15～30 Hz）頻段和 gamma（30～60 Hz）頻段。此外，有研究將 IMC 分析引入到運動功能障礙病理機制的研究中，發現肌張力障礙患者與健康被試者的 IMC 在 theta 頻段（4～7 Hz）具有顯著差異[13]；中風患者進行抓取運動時肌間耦合在 0～3.9 Hz 和 4～7.9 Hz 兩個頻段相較于健康被試出現缺失[14]；beta 頻段的 IMC 可以作為評價運動神經損傷患者上肢運動功能紊亂的指標[15]。因此，利用 IMC 分析可以研究健康人和中風患者肌電信號在不同頻段上的耦合特性差異，進而為中風康復過程評價提供理論依據，但傳統的 IMC 分析僅能描述兩信號間的線性耦合關系，無法深入挖掘肌間非線性耦合特性。
為此，本文將 IMC 分析方法拓展到非線性耦合分析，采用交叉頻率相干（cross-frequency coherence，CFC）[16]分析方法，定量描述中風康復運動中肌間線性和非線性耦合特性。此外，由于人體運動是由多塊相關肌肉以一定時空關系共同作用的結果，本文運用多元數據分析方法——非負矩陣分解（non-negative matrix factorization，NMF）對基于相干分析構建的多通道肌間耦合矩陣進行分解[17]，建立交叉頻率相干分析-非負矩陣分解（CFC-NMF）多通道肌間耦合分析模型，并進行健康人和中風患者上肢肘關節屈伸運動對比分析實驗，揭示神經肌肉系統的同步耦合特性和功能聯系，探索中風患者運動功能障礙的產生機制，為康復過程中的運動功能評價提供依據。
1 信號采集與預處理
1.1 實驗對象與數據采集
以中國人民解放軍 281 醫院 8 名中風患者作為研究對象，并選取 8 名健康人被試作為對照組，相關信息見表 1（S 表示患者，H 表示健康人）。要求患者中風之前無神經系統及相關的疾病病史，沒有疼痛或其他傷病因素影響上肢運動和力量。實驗之前，所有被試均需要簽訂知情同意書，并且熟悉實驗流程。整個實驗研究過程均依據 the Declaration of Helsinki 進行，并獲得了燕山大學倫理委員會的支持。所有中風患者自愿參加實驗，且具有認知和語言能力，能夠理解和執行相應的實驗動作。所有健康被試無神經病史，精神狀態良好。
表1
被試相關信息
Table1.
Clinical and demographic details of participants
實驗利用美國 Delsys 公司 TrignoTM Wireless EMG 采集系統，分辨率設為 16 bit，采樣頻率為 2 000 Hz，分別記錄患者患側上肢和健康被試右上肢與肘關節屈伸運動相關的七塊肌肉的肌電信號：肱二頭肌（biceps brachii，BB）、肱三頭肌（triceps brachii，TB）、肱橈肌（brachioradialis，B）、橈側腕屈肌（flexor carpi radialis，FCR）、指淺屈肌（flexor digitorum superficialis，FDS）、指伸肌（extensor digitorum，ED）、尺側腕伸肌（extensor carpi ulnaris，ECU）。放置電極之前，使用 75% 酒精擦拭皮膚去除皮屑。電極與肌纖維方向相同，且放置在肌腹處。考慮到患者行動不便，提供自制訓練器械以方便患者進行上肢肘關節屈伸運動實驗，肌電信號采集位置與實驗示意圖如圖 1 所示。
圖1
肌電信號采集位置與實驗示意圖
Figure1.
The acquisition position of electromyography signal and experimental schematic diagram
為減小外界噪聲的干擾，肌電信號采集實驗在封閉、隔音的屋內進行。實驗開始之前，被試靜坐在電腦屏幕前，保持放松狀態；實驗過程中，被試集中精力注視屏幕，并根據提示進行肘關節屈伸運動，要求被試最大限度募集運動單位加入協同收縮。考慮到患者動作較為緩慢，每次屈伸運動持續 3 s，每 5 次動作為一組，每個受試者共采集 5 組。為避免被試肌肉疲勞，每組實驗完成后休息 60 s，具體實驗范式如圖 2 所示。
圖2
實驗范式
Figure2.
Experimental process
1.2 數據預處理
由于肌電信號易受到噪聲干擾，同時為獲取更為有效的肌電信號特征用于肌間耦合分析，需要對肌電信號進行一系列預處理。首先，去掉上肢顫抖和反應時間長的信號；其次，對肌電信號降采樣到 500 Hz，并采用帶通濾波使得肌電信號主要集中在 2～400 Hz 之間；最后，利用改進獨立成分分析（independent component analysis，ICA）方法去除 50 Hz 工頻及其諧波干擾。
2 多通道肌間耦合分析
2.1 交叉頻率相干分析
為進一步挖掘中風患者和健康被試之間的肌間耦合差異，在 IMC 方法基礎上基于高階統計的直接拓展[18]，采用 CFC 分析方法，定量描述肌間線性和非線性耦合特性，將預處理后的肌電信號 X 和 Y 進行 CFC 分析，計算過程如下：
 |
式中，
，其中，
和 
分別為肌電信號 X 和 Y 的頻率值，
為信號 X 的 n 階自譜密度：
 |
式中，
表示平均。同理，
為信號 Y 的 m 階自譜密度。
是兩信號交叉頻率之間的互譜密度：
 |
當 n = m = 1 時，即為線性相干分析的表達式。因此，CFC 分析可以定量描述兩通道肌電信號間的線性和非線性耦合特性。CFC 值的大小與肌間耦合強度成正比，取值為 0～1。
為直觀表征兩信號間的相干程度，在相干函數基礎上采用顯著性相干閾值（CL）[19]，計算如下：
 |
式中，
為窗口數，
為置信水平（本文設置為 0.95）。若相干值超過顯著性相干閾值，則認為顯著性相干。進一步計算顯著性相干面積指標 
，即顯著相干閾值以上的面積，定量描述肌電信號間相干性的變化趨勢：
 |
式中，
為頻率分辨率，
的值越大表示特定頻段內的相干性越顯著。
2.2 基于 CFC-NMF 的多通道肌間耦合分析
由于相干分析僅能描述兩通道肌間耦合特性，無法全面刻畫中風患者康復運動中相關肌肉不同時空層次的耦合特性，因此，本文運用 2.1 節中方法計算其中一個通道肌電信號與其余六個通道肌電信號間的相干值，構造多通道肌間耦合矩陣，利用 NMF 降低耦合矩陣的維數，并將耦合矩陣分解到不同頻段以及對應的耦合強度，挖掘多通道肌肉間功能耦合關系，獲取不同特征頻段下運動相關肌肉間的連接特性。NMF 計算方法如下：
 '/> |
式中，
為原矩陣，即多通道肌間耦合矩陣；
為權重矩陣，表征肌間耦合強度；
為系數矩陣，對應不同特征頻段；
為權重矩陣分解列數。同時，權重矩陣分解列數 
、肌電信號通道個數 
和信號序列長度 
需滿足：
 |
此時，系數矩陣相較于原始矩陣的維數降低，并得到不同頻段下的肌間耦合強度，可挖掘中風患者康復運動中原始數據的潛在特征，進而探究中風患者上肢運動功能障礙的產生機制。
3 結果
3.1 中風患者和健康被試的肌間耦合特性差異分析
運用 1.1 節中的實驗范式采集健康被試和中風患者的上肢多通道肌電信號，經預處理后進行 IMC 對比分析，任選其中 1 名健康被試和 1 名中風患者被試進行對比分析，7 塊肌肉每兩塊計算相干值，結果如圖 3 所示。由圖 3 可見，隨著頻率的增加，健康被試和中風患者的肌間耦合特性表現出不同的特征，在 theta（1～8 Hz）和 alpha（8～15 Hz）頻段，中風患者和健康被試的肌間相干值相對較高，且沒有明顯差異；在 beta（15～30 Hz）和 gamma（30～60 Hz）頻段，中風患者的相干值明顯低于健康被試。然而由圖 3 無法直觀地得到不同頻段內的多通道肌間耦合強度的變化趨勢，更不能獲得肌間非線性耦合強度的變化。為此，本文將 CFC 與 NMF 相結合，構建耦合矩陣并將其分解，可以同時獲得不同頻段內的肌間耦合變化和肌間非線性特征。同樣任選其中 1 名健康被試和 1 名中風患者被試進行 CFC 分析（取n = m = 1），構建多通道肌間耦合矩陣后利用 NMF 分解，獲得不同頻段下對應的多通道肌間線性耦合特征，結果如圖 4 所示。由圖 4 可見，a 列中不同的峰值所在范圍代表不同的頻段，從上到下分別是 theta、alpha、beta 和 gamma 頻段；b 列和 c 列中分別對應不同頻段內健康被試和中風患者的多通道肌間耦合強度，每塊肌肉的自相干設置為 1，即 b 列和 c 列對角線的位置；低頻段內健康被試和中風患者的整體耦合強度均較強，隨著頻段的升高，耦合強度逐漸減弱，且中風患者的肌間耦合強度均弱于健康被試對照組：在 beta 和 gamma 頻段，整體耦合強度趨于更弱，且相較于健康被試對照組，中風患者的耦合強度差異更加明顯。
圖3
健康被試和中風患者肌間線性耦合結果
Figure3.
The results of linear intermuscular coupling across healthy subjects and stroke patients
圖4
健康被試和中風患者的多通道肌間線性耦合結果
a. 不同的頻段；b. 健康被試的耦合強度；c. 中風患者患側的耦合強度
Figure4. The results of multichannel linear intermuscular coupling across healthy subjects and stroke patientsa. different frequency bands；b. coupling strength of healthy subjects；c. coupling strength of stroke patients
為進一步挖掘中風患者與健康被試多通道肌間耦合特性的差異，分別設置 n = 1、m = 2 和 n = 1、m = 3，即 CFC 頻率比分別為 1∶2 和 1∶3，進行多通道肌間非線性耦合分析。選擇協同肌對 FCR-FDS 和拮抗肌對 FDS-ED，分析頻率比為 1∶2 和 1∶3 時的多通道肌間非線性耦合特性差異，結果如圖 5 所示。由圖 5 可見，在頻率比為 1∶2 和 1∶3 時，中風患者的 FCR-FDS 和 FDS-ED 肌間非線性耦合強度均明顯低于健康被試對照組；同時，還發現相同頻率比下，健康被試和中風患者的 FCR-FDS 肌間非線性耦合強度略大于 FDS-ED。
圖5
不同頻率比下 FCR-FDS 和 FDS-ED 的肌間非線性耦合強度
Figure5.
Nonlinear coupling strength of FCR-FDS and FDS-ED in different frequency ratios
3.2 中風患者和健康被試的肌間耦合統計分析
為驗證上述多通道肌間線性耦合結果是否具有普遍性，分別計算不同頻段內所有被試的顯著性相干面積的均值與方差，進一步采用 SPSS（Version 22，IBM）進行統計分析，運用 t 檢驗對比分析中風患者和健康被試之間是否有明顯差異，如圖 6 所示。觀察圖 6 可知，不同頻段內健康被試和中風患者的顯著性相干面積略有不同，且隨著頻段的升高耦合強度變弱；患者的顯著相干面積均低于健康對照組，且在高頻段兩組差異更加明顯。
圖6
不同頻段內所有被試的肌間線性耦合顯著性相干面積的均值與方差（*P<0.05，**P<0.01）
Figure6.
The mean and variance of linear intermuscular coupling significant coherent area in different bands from all subjects (* P<0.05，** P<0.01)
進一步驗證多通道肌間非線性耦合結果的普遍性，分別計算頻率比為 1∶2 和 1∶3 時所有被試的 FCR-FDS 和 FDS-ED 相干值之和的均值與方差，并進行 t 檢驗分析，結果如圖 7 所示。由圖 7 可見，在頻率比為 1∶2 和 1∶3 時，中風患者的 FCR-FDS 肌間非線性耦合強度低于健康被試對照組，且有明顯差異（P<0.01）；中風患者的 FDS-ED 肌間非線性耦合強度也明顯低于健康被試對照組（P <0.05）。觀察圖中數據可知，頻率比為 1∶2 時健康被試和中風患者的肌間非線性耦合強度略高于頻率比為 1∶3 時，同時協同肌肉對 FCR-FDS 的肌間非線性耦合強度高于拮抗肌肉對 FDS-ED。
圖7
不同頻率比下所有被試的相干值之和的均值與方差（* P<0.05，** P<0.01）
Figure7.
The mean and variance of sum of nonlinear coherence in different frequency ratios from all subjects (* P<0.05，** P<0.01)
4 討論
肌電信號間的耦合是在人體運動控制信息傳遞過程中產生的，可以反映肌肉間的耦合強度和信息流關系。肌間耦合特性的研究對于人體運動理論分析、中風康復研究以及中樞神經系統運動控制機制的探索等方面均具有十分重要的意義。本文對比分析了健康被試和中風患者的肌間線性和非線性耦合特性差異，并研究分析差異結果是否具有統計學意義。
對于肌間線性耦合，發現不同頻段內中風患者的肌間耦合強度均弱于健康被試對照組，尤其是在 beta 和 gamma 頻段更是出現明顯缺失。通過統計分析可得，健康被試和中風患者的耦合強度有明顯差異（P<0.05），尤其在 beta 和 gamma 頻段（P<0.01）。在相關研究中，Grosse 等[13]發現肌張力障礙患者與正常受試者的 IMC 在 theta 頻段有明顯差異；Kisiel-Sajewicz 等[14]發現中風患者進行抓取運動時肌肉功能性耦合在 0～3.9 Hz 和 4～7.9 Hz 有缺失；運動神經損傷患者肌間耦合相對于健康受試者在 beta 頻段內有缺失[20]；中風患者與健康被試在 gamma 頻段的耦合關系也有明顯差異[21]。上述研究與本文所觀察到的現象基本一致。已有研究表明，beta 頻段內的肌間耦合代表了從初級運動皮層到運動神經元的信息傳遞過程，而 gamma 頻段振蕩體現與認知功能相關的腦皮層信息整合過程[22]。正常條件下皮質脊髓系統對控制肢體運動具有重要作用，而中風患者上肢運動執行過程中的肌肉功能性耦合減弱，可能是由于皮質脊髓通路信息阻斷導致的共同驅動丟失造成的[23]，這也是導致中風患者運動功能減弱、執行能力降低的原因之一。
對于肌間非線性耦合，研究發現在頻率比為 1∶2 和 1∶3 時中風患者的肌間非線性耦合強度均低于健康被試對照組，通過統計分析可得，健康被試和中風患者的肌間非線性耦合強度有明顯差異（P<0.05）。有研究認為非線性耦合與神經元間的突觸耦合有關[24]，非線性耦合關系起源于感覺反饋系統[5]，但由于中風患者的運動神經系統損傷，導致反饋通路信息阻斷，引起患者運動功能減弱，使得非線性耦合強度減弱。已有研究表明，不同頻率比下的腦肌間耦合強度有差異，在 1∶2 時的耦合強度略高于 1∶3 時[25]，這與本文觀察到的肌間交叉頻率耦合結果類似，由于肌間耦合可以反映腦肌間耦合的趨勢，這可能是由于神經系統對不同頻率比值下的協調方式不同。另外，觀察本文實驗結果還發現協同肌肉對 FCR-FDS 肌間非線性耦合強度高于拮抗肌肉對 FDS-ED，這可能與兩對肌肉在運動過程中神經系統對其采取的控制策略不同有關。神經運動控制系統中，生理信號間同時存在線性耦合和非線性耦合，特別是研究生理信號間非線性耦合特性可以更深入地理解運動控制機制，為進一步研究運動功能障礙提供理論基礎。
5 結論
本文將 CFC 分析與 NMF 方法相結合，用于多通道肌電信號耦合特性研究，對比分析了健康被試和中風患者的肌間線性和非線性耦合特性，并驗證耦合差異是否具有統計學意義。結果表明，中風患者的肌間耦合強度均低于健康被試對照組，對于肌間線性耦合，在 beta 和 gamma 頻段明顯缺失；對于肌間非線性耦合，在頻率比為 1∶2 下的肌間非線性耦合強度高于頻率比為 1∶3 下。因此，本文方法可以用于分析多通道肌間耦合特性，研究不同被試之間的肌間耦合特性差異，同時有助于理解中樞神經系統的運動控制機制，為運動功能障礙研究提供理論基礎。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
引 言
人體運動是在中樞神經系統控制下產生的高復雜度的運動過程，是與動作相關的肌群以一定的時空關系共同作用的結果[1]。在運動過程中，運動神經系統通過神經振蕩來傳遞運動控制信息[2]，且肌肉的激活具有多尺度復雜性，主要表現為生理信號間不同時空層次的耦合現象[3]。在中樞神經系統功能調節和反饋控制作用下，肌肉間的耦合現象體現了運動中多通道肌肉間的相互作用與中樞神經系統對肌肉的支配能力[4]。中樞神經損傷患者由于神經受損阻礙了神經振蕩的傳導，造成運動功能障礙。近年來，運用生理電信號耦合分析方法探索中樞神經損傷患者的異常神經振蕩和神經肌肉狀態已成為運動醫學和康復工程等領域的研究熱點。
有研究表明，神經運動控制系統中的耦合關系不僅存在線性和非線性，而且非線性耦合在運動控制系統中起著至關重要的作用[5]。大腦感覺運動區域的腦電信號和肌電信號間存在非線性耦合[6]，且 theta 和 gamma 頻段之間的耦合強度最強。有研究發現患者的神經振蕩信號間存在交叉頻率耦合[7]，且腦肌電之間存在諧波和次諧波的非線性耦合[8]。更重要的是，研究發現肌間耦合和腦肌間耦合具有相似的模式，均起源于皮質脊髓通路[9]，說明肌間耦合能夠反映腦肌間耦合的趨勢[10]。然而，有關肌間非線性耦合特性的研究尚不多見，值得進一步深入探討。
近年來，肌間相干分析（intermuscular coherence，IMC）已成為研究運動過程中肌間耦合特性和運動控制機制的主要方法之一。研究結果表明，傳統相干分析方法可以量化兩通道生理信號間的線性耦合關系[11]，發現肌間耦合強度存在頻段特征[12]，且主要集中在 beta（15～30 Hz）頻段和 gamma（30～60 Hz）頻段。此外，有研究將 IMC 分析引入到運動功能障礙病理機制的研究中，發現肌張力障礙患者與健康被試者的 IMC 在 theta 頻段（4～7 Hz）具有顯著差異[13]；中風患者進行抓取運動時肌間耦合在 0～3.9 Hz 和 4～7.9 Hz 兩個頻段相較于健康被試出現缺失[14]；beta 頻段的 IMC 可以作為評價運動神經損傷患者上肢運動功能紊亂的指標[15]。因此，利用 IMC 分析可以研究健康人和中風患者肌電信號在不同頻段上的耦合特性差異，進而為中風康復過程評價提供理論依據，但傳統的 IMC 分析僅能描述兩信號間的線性耦合關系，無法深入挖掘肌間非線性耦合特性。
為此，本文將 IMC 分析方法拓展到非線性耦合分析，采用交叉頻率相干（cross-frequency coherence，CFC）[16]分析方法，定量描述中風康復運動中肌間線性和非線性耦合特性。此外，由于人體運動是由多塊相關肌肉以一定時空關系共同作用的結果，本文運用多元數據分析方法——非負矩陣分解（non-negative matrix factorization，NMF）對基于相干分析構建的多通道肌間耦合矩陣進行分解[17]，建立交叉頻率相干分析-非負矩陣分解（CFC-NMF）多通道肌間耦合分析模型，并進行健康人和中風患者上肢肘關節屈伸運動對比分析實驗，揭示神經肌肉系統的同步耦合特性和功能聯系，探索中風患者運動功能障礙的產生機制，為康復過程中的運動功能評價提供依據。
1 信號采集與預處理
1.1 實驗對象與數據采集
以中國人民解放軍 281 醫院 8 名中風患者作為研究對象，并選取 8 名健康人被試作為對照組，相關信息見表 1（S 表示患者，H 表示健康人）。要求患者中風之前無神經系統及相關的疾病病史，沒有疼痛或其他傷病因素影響上肢運動和力量。實驗之前，所有被試均需要簽訂知情同意書，并且熟悉實驗流程。整個實驗研究過程均依據 the Declaration of Helsinki 進行，并獲得了燕山大學倫理委員會的支持。所有中風患者自愿參加實驗，且具有認知和語言能力，能夠理解和執行相應的實驗動作。所有健康被試無神經病史，精神狀態良好。
表1
被試相關信息
Table1.
Clinical and demographic details of participants
實驗利用美國 Delsys 公司 TrignoTM Wireless EMG 采集系統，分辨率設為 16 bit，采樣頻率為 2 000 Hz，分別記錄患者患側上肢和健康被試右上肢與肘關節屈伸運動相關的七塊肌肉的肌電信號：肱二頭肌（biceps brachii，BB）、肱三頭肌（triceps brachii，TB）、肱橈肌（brachioradialis，B）、橈側腕屈肌（flexor carpi radialis，FCR）、指淺屈肌（flexor digitorum superficialis，FDS）、指伸肌（extensor digitorum，ED）、尺側腕伸肌（extensor carpi ulnaris，ECU）。放置電極之前，使用 75% 酒精擦拭皮膚去除皮屑。電極與肌纖維方向相同，且放置在肌腹處。考慮到患者行動不便，提供自制訓練器械以方便患者進行上肢肘關節屈伸運動實驗，肌電信號采集位置與實驗示意圖如圖 1 所示。
圖1
肌電信號采集位置與實驗示意圖
Figure1.
The acquisition position of electromyography signal and experimental schematic diagram
為減小外界噪聲的干擾，肌電信號采集實驗在封閉、隔音的屋內進行。實驗開始之前，被試靜坐在電腦屏幕前，保持放松狀態；實驗過程中，被試集中精力注視屏幕，并根據提示進行肘關節屈伸運動，要求被試最大限度募集運動單位加入協同收縮。考慮到患者動作較為緩慢，每次屈伸運動持續 3 s，每 5 次動作為一組，每個受試者共采集 5 組。為避免被試肌肉疲勞，每組實驗完成后休息 60 s，具體實驗范式如圖 2 所示。
圖2
實驗范式
Figure2.
Experimental process
1.2 數據預處理
由于肌電信號易受到噪聲干擾，同時為獲取更為有效的肌電信號特征用于肌間耦合分析，需要對肌電信號進行一系列預處理。首先，去掉上肢顫抖和反應時間長的信號；其次，對肌電信號降采樣到 500 Hz，并采用帶通濾波使得肌電信號主要集中在 2～400 Hz 之間；最后，利用改進獨立成分分析（independent component analysis，ICA）方法去除 50 Hz 工頻及其諧波干擾。
2 多通道肌間耦合分析
2.1 交叉頻率相干分析
為進一步挖掘中風患者和健康被試之間的肌間耦合差異，在 IMC 方法基礎上基于高階統計的直接拓展[18]，采用 CFC 分析方法，定量描述肌間線性和非線性耦合特性，將預處理后的肌電信號 X 和 Y 進行 CFC 分析，計算過程如下：
|
式中，，其中， 和 分別為肌電信號 X 和 Y 的頻率值， 為信號 X 的 n 階自譜密度：
|
式中， 表示平均。同理， 為信號 Y 的 m 階自譜密度。 是兩信號交叉頻率之間的互譜密度：
|
當 n = m = 1 時，即為線性相干分析的表達式。因此，CFC 分析可以定量描述兩通道肌電信號間的線性和非線性耦合特性。CFC 值的大小與肌間耦合強度成正比，取值為 0～1。
為直觀表征兩信號間的相干程度，在相干函數基礎上采用顯著性相干閾值（CL）[19]，計算如下：
|
式中， 為窗口數， 為置信水平（本文設置為 0.95）。若相干值超過顯著性相干閾值，則認為顯著性相干。進一步計算顯著性相干面積指標 ，即顯著相干閾值以上的面積，定量描述肌電信號間相干性的變化趨勢：
|
式中， 為頻率分辨率， 的值越大表示特定頻段內的相干性越顯著。
2.2 基于 CFC-NMF 的多通道肌間耦合分析
由于相干分析僅能描述兩通道肌間耦合特性，無法全面刻畫中風患者康復運動中相關肌肉不同時空層次的耦合特性，因此，本文運用 2.1 節中方法計算其中一個通道肌電信號與其余六個通道肌電信號間的相干值，構造多通道肌間耦合矩陣，利用 NMF 降低耦合矩陣的維數，并將耦合矩陣分解到不同頻段以及對應的耦合強度，挖掘多通道肌肉間功能耦合關系，獲取不同特征頻段下運動相關肌肉間的連接特性。NMF 計算方法如下：
| '/> |
式中， 為原矩陣，即多通道肌間耦合矩陣； 為權重矩陣，表征肌間耦合強度； 為系數矩陣，對應不同特征頻段； 為權重矩陣分解列數。同時，權重矩陣分解列數 、肌電信號通道個數 和信號序列長度 需滿足：
|
此時，系數矩陣相較于原始矩陣的維數降低，并得到不同頻段下的肌間耦合強度，可挖掘中風患者康復運動中原始數據的潛在特征，進而探究中風患者上肢運動功能障礙的產生機制。
3 結果
3.1 中風患者和健康被試的肌間耦合特性差異分析
運用 1.1 節中的實驗范式采集健康被試和中風患者的上肢多通道肌電信號，經預處理后進行 IMC 對比分析，任選其中 1 名健康被試和 1 名中風患者被試進行對比分析，7 塊肌肉每兩塊計算相干值，結果如圖 3 所示。由圖 3 可見，隨著頻率的增加，健康被試和中風患者的肌間耦合特性表現出不同的特征，在 theta（1～8 Hz）和 alpha（8～15 Hz）頻段，中風患者和健康被試的肌間相干值相對較高，且沒有明顯差異；在 beta（15～30 Hz）和 gamma（30～60 Hz）頻段，中風患者的相干值明顯低于健康被試。然而由圖 3 無法直觀地得到不同頻段內的多通道肌間耦合強度的變化趨勢，更不能獲得肌間非線性耦合強度的變化。為此，本文將 CFC 與 NMF 相結合，構建耦合矩陣并將其分解，可以同時獲得不同頻段內的肌間耦合變化和肌間非線性特征。同樣任選其中 1 名健康被試和 1 名中風患者被試進行 CFC 分析（取n = m = 1），構建多通道肌間耦合矩陣后利用 NMF 分解，獲得不同頻段下對應的多通道肌間線性耦合特征，結果如圖 4 所示。由圖 4 可見，a 列中不同的峰值所在范圍代表不同的頻段，從上到下分別是 theta、alpha、beta 和 gamma 頻段；b 列和 c 列中分別對應不同頻段內健康被試和中風患者的多通道肌間耦合強度，每塊肌肉的自相干設置為 1，即 b 列和 c 列對角線的位置；低頻段內健康被試和中風患者的整體耦合強度均較強，隨著頻段的升高，耦合強度逐漸減弱，且中風患者的肌間耦合強度均弱于健康被試對照組：在 beta 和 gamma 頻段，整體耦合強度趨于更弱，且相較于健康被試對照組，中風患者的耦合強度差異更加明顯。
圖3
健康被試和中風患者肌間線性耦合結果
Figure3.
The results of linear intermuscular coupling across healthy subjects and stroke patients
圖4
健康被試和中風患者的多通道肌間線性耦合結果
a. 不同的頻段；b. 健康被試的耦合強度；c. 中風患者患側的耦合強度
Figure4. The results of multichannel linear intermuscular coupling across healthy subjects and stroke patientsa. different frequency bands；b. coupling strength of healthy subjects；c. coupling strength of stroke patients
為進一步挖掘中風患者與健康被試多通道肌間耦合特性的差異，分別設置 n = 1、m = 2 和 n = 1、m = 3，即 CFC 頻率比分別為 1∶2 和 1∶3，進行多通道肌間非線性耦合分析。選擇協同肌對 FCR-FDS 和拮抗肌對 FDS-ED，分析頻率比為 1∶2 和 1∶3 時的多通道肌間非線性耦合特性差異，結果如圖 5 所示。由圖 5 可見，在頻率比為 1∶2 和 1∶3 時，中風患者的 FCR-FDS 和 FDS-ED 肌間非線性耦合強度均明顯低于健康被試對照組；同時，還發現相同頻率比下，健康被試和中風患者的 FCR-FDS 肌間非線性耦合強度略大于 FDS-ED。
圖5
不同頻率比下 FCR-FDS 和 FDS-ED 的肌間非線性耦合強度
Figure5.
Nonlinear coupling strength of FCR-FDS and FDS-ED in different frequency ratios
3.2 中風患者和健康被試的肌間耦合統計分析
為驗證上述多通道肌間線性耦合結果是否具有普遍性，分別計算不同頻段內所有被試的顯著性相干面積的均值與方差，進一步采用 SPSS（Version 22，IBM）進行統計分析，運用 t 檢驗對比分析中風患者和健康被試之間是否有明顯差異，如圖 6 所示。觀察圖 6 可知，不同頻段內健康被試和中風患者的顯著性相干面積略有不同，且隨著頻段的升高耦合強度變弱；患者的顯著相干面積均低于健康對照組，且在高頻段兩組差異更加明顯。
圖6
不同頻段內所有被試的肌間線性耦合顯著性相干面積的均值與方差（*P<0.05，**P<0.01）
Figure6.
The mean and variance of linear intermuscular coupling significant coherent area in different bands from all subjects (* P<0.05，** P<0.01)
進一步驗證多通道肌間非線性耦合結果的普遍性，分別計算頻率比為 1∶2 和 1∶3 時所有被試的 FCR-FDS 和 FDS-ED 相干值之和的均值與方差，并進行 t 檢驗分析，結果如圖 7 所示。由圖 7 可見，在頻率比為 1∶2 和 1∶3 時，中風患者的 FCR-FDS 肌間非線性耦合強度低于健康被試對照組，且有明顯差異（P<0.01）；中風患者的 FDS-ED 肌間非線性耦合強度也明顯低于健康被試對照組（P <0.05）。觀察圖中數據可知，頻率比為 1∶2 時健康被試和中風患者的肌間非線性耦合強度略高于頻率比為 1∶3 時，同時協同肌肉對 FCR-FDS 的肌間非線性耦合強度高于拮抗肌肉對 FDS-ED。
圖7
不同頻率比下所有被試的相干值之和的均值與方差（* P<0.05，** P<0.01）
Figure7.
The mean and variance of sum of nonlinear coherence in different frequency ratios from all subjects (* P<0.05，** P<0.01)
4 討論
肌電信號間的耦合是在人體運動控制信息傳遞過程中產生的，可以反映肌肉間的耦合強度和信息流關系。肌間耦合特性的研究對于人體運動理論分析、中風康復研究以及中樞神經系統運動控制機制的探索等方面均具有十分重要的意義。本文對比分析了健康被試和中風患者的肌間線性和非線性耦合特性差異，并研究分析差異結果是否具有統計學意義。
對于肌間線性耦合，發現不同頻段內中風患者的肌間耦合強度均弱于健康被試對照組，尤其是在 beta 和 gamma 頻段更是出現明顯缺失。通過統計分析可得，健康被試和中風患者的耦合強度有明顯差異（P<0.05），尤其在 beta 和 gamma 頻段（P<0.01）。在相關研究中，Grosse 等[13]發現肌張力障礙患者與正常受試者的 IMC 在 theta 頻段有明顯差異；Kisiel-Sajewicz 等[14]發現中風患者進行抓取運動時肌肉功能性耦合在 0～3.9 Hz 和 4～7.9 Hz 有缺失；運動神經損傷患者肌間耦合相對于健康受試者在 beta 頻段內有缺失[20]；中風患者與健康被試在 gamma 頻段的耦合關系也有明顯差異[21]。上述研究與本文所觀察到的現象基本一致。已有研究表明，beta 頻段內的肌間耦合代表了從初級運動皮層到運動神經元的信息傳遞過程，而 gamma 頻段振蕩體現與認知功能相關的腦皮層信息整合過程[22]。正常條件下皮質脊髓系統對控制肢體運動具有重要作用，而中風患者上肢運動執行過程中的肌肉功能性耦合減弱，可能是由于皮質脊髓通路信息阻斷導致的共同驅動丟失造成的[23]，這也是導致中風患者運動功能減弱、執行能力降低的原因之一。
對于肌間非線性耦合，研究發現在頻率比為 1∶2 和 1∶3 時中風患者的肌間非線性耦合強度均低于健康被試對照組，通過統計分析可得，健康被試和中風患者的肌間非線性耦合強度有明顯差異（P<0.05）。有研究認為非線性耦合與神經元間的突觸耦合有關[24]，非線性耦合關系起源于感覺反饋系統[5]，但由于中風患者的運動神經系統損傷，導致反饋通路信息阻斷，引起患者運動功能減弱，使得非線性耦合強度減弱。已有研究表明，不同頻率比下的腦肌間耦合強度有差異，在 1∶2 時的耦合強度略高于 1∶3 時[25]，這與本文觀察到的肌間交叉頻率耦合結果類似，由于肌間耦合可以反映腦肌間耦合的趨勢，這可能是由于神經系統對不同頻率比值下的協調方式不同。另外，觀察本文實驗結果還發現協同肌肉對 FCR-FDS 肌間非線性耦合強度高于拮抗肌肉對 FDS-ED，這可能與兩對肌肉在運動過程中神經系統對其采取的控制策略不同有關。神經運動控制系統中，生理信號間同時存在線性耦合和非線性耦合，特別是研究生理信號間非線性耦合特性可以更深入地理解運動控制機制，為進一步研究運動功能障礙提供理論基礎。
5 結論
本文將 CFC 分析與 NMF 方法相結合，用于多通道肌電信號耦合特性研究，對比分析了健康被試和中風患者的肌間線性和非線性耦合特性，并驗證耦合差異是否具有統計學意義。結果表明，中風患者的肌間耦合強度均低于健康被試對照組，對于肌間線性耦合，在 beta 和 gamma 頻段明顯缺失；對于肌間非線性耦合，在頻率比為 1∶2 下的肌間非線性耦合強度高于頻率比為 1∶3 下。因此，本文方法可以用于分析多通道肌間耦合特性，研究不同被試之間的肌間耦合特性差異，同時有助于理解中樞神經系統的運動控制機制，為運動功能障礙研究提供理論基礎。
利益沖突聲明：本文全體作者均聲明不存在利益沖突。
