基于小波包-Copula互信息的肌間耦合特性*

金國(guó)美佘青山*馬玉良張建海孫明旭

(1.杭州電子科技大學(xué)自動(dòng)化學(xué)院(人工智能學(xué)院)，浙江 杭州 310018；2.浙江省腦機(jī)協(xié)同智能重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310018；3.濟(jì)南大學(xué)自動(dòng)化與電氣工程學(xué)院，山東 濟(jì)南 250022)

人體運(yùn)動(dòng)是在中樞神經(jīng)系統(tǒng)控制下完成的復(fù)雜過(guò)程。運(yùn)動(dòng)過(guò)程中，中樞神經(jīng)系統(tǒng)通過(guò)神經(jīng)振蕩的方式將運(yùn)動(dòng)控制信息傳遞到相關(guān)的肌肉塊，引起運(yùn)動(dòng)單元的振蕩活動(dòng)[1]，表面肌電信號(hào)(surface Electromyographic，sEMG)包含中樞神經(jīng)系統(tǒng)控制的眾多運(yùn)動(dòng)單元的動(dòng)作電位信息[2]，肌肉間不同時(shí)空層次的耦合關(guān)系體現(xiàn)了運(yùn)動(dòng)過(guò)程中相關(guān)肌肉間的相互作用和相互聯(lián)系[3]。因此，研究運(yùn)動(dòng)過(guò)程中sEMG信號(hào)間不同頻段下的耦合特性，有助于理解中樞神經(jīng)系統(tǒng)控制下肌肉間的信息傳遞和耦合作用。sEMG信號(hào)耦合分析在近年來(lái)成為許多學(xué)者研究的熱點(diǎn)，為運(yùn)動(dòng)醫(yī)學(xué)和康復(fù)工程等領(lǐng)域提供理論依據(jù)[4]。

日常生活中，人們?cè)谶M(jìn)行運(yùn)動(dòng)時(shí)會(huì)隨著運(yùn)動(dòng)時(shí)間的增加而產(chǎn)生疲勞，從而停止運(yùn)動(dòng)。但是，患者在進(jìn)行康復(fù)運(yùn)動(dòng)時(shí)，由于患者的急切康復(fù)心理和對(duì)肌肉承受力的主觀感知延緩性而導(dǎo)致過(guò)度訓(xùn)練，造成二次損傷，嚴(yán)重的還會(huì)導(dǎo)致終身殘疾。然而，現(xiàn)有的康復(fù)技術(shù)無(wú)法實(shí)現(xiàn)有效檢測(cè)肌肉在不同時(shí)期狀態(tài)的功能。目前，肌肉疲勞研究大多數(shù)是基于生物電信號(hào)，其中sEMG信號(hào)是研究肌肉疲勞狀態(tài)中較為客觀準(zhǔn)確且無(wú)創(chuàng)的生理反饋信號(hào)[5]。Cui等[6]利用sEMG信號(hào)的特征來(lái)對(duì)訓(xùn)練期間球員肌肉疲勞進(jìn)行分類，分類準(zhǔn)確率可達(dá)95%以上；Wang等[7]提出了快速細(xì)化的復(fù)合多尺度樣本熵方法用于分析等距收縮活動(dòng)中肱二頭肌的疲勞過(guò)程，發(fā)現(xiàn)疲勞與非疲勞之間存在顯著差異。Yu等[8]研究旋轉(zhuǎn)手時(shí)上肢肌肉之間的疲勞變化，發(fā)現(xiàn)在不同的旋轉(zhuǎn)角度下，肌肉疲勞的特征是不同的。

自1999年Brown等[9]發(fā)現(xiàn)了運(yùn)動(dòng)過(guò)程中sEMG信號(hào)之間具有一定關(guān)系以來(lái)，相繼有研究者對(duì)肌電信號(hào)之間的耦合關(guān)系展開研究，取得了一定的研究成果。Nguyen等[10]發(fā)現(xiàn)不同的運(yùn)動(dòng)范式具有不同的肌間耦合關(guān)系，且不同頻段的肌間耦合強(qiáng)度也有所不同。王洪安等[11]利用相干性分析方法探究健康人與卒中患者協(xié)同肌的耦合強(qiáng)度差異。黃威等[12]利用廣義偏定向相干分析方法探究多塊肌肉之間的信息傳遞關(guān)系和不同握力下的肌間耦合特性。相干性、格蘭杰因果等傳統(tǒng)的耦合分析方法只能描述線性的耦合關(guān)系，并且相干性分析方法計(jì)算出的耦合強(qiáng)度有所偏高[13]?；バ畔?Mutual Information，MI)是一種用來(lái)衡量?jī)蓚€(gè)隨機(jī)變量之間關(guān)聯(lián)程度的方法，其值越大，表明兩者之間關(guān)聯(lián)程度越高。MI在研究中廣泛應(yīng)用于非線性耦合分析[14]。陳玲玲等[15]利用MI分析肌間關(guān)聯(lián)特性，構(gòu)建上肢肌肉功能網(wǎng)絡(luò)。然而，MI的估計(jì)是在準(zhǔn)確表示聯(lián)合概率密度函數(shù)的前提下進(jìn)行的，這在實(shí)際情況下通常難以實(shí)現(xiàn)。Ma等[16]通過(guò)Copula函數(shù)估算MI解決了聯(lián)合概率密度函數(shù)精確表示的問(wèn)題，證明了MI可以等價(jià)為Copula熵。在此基礎(chǔ)上，Ince等[17]提出了高斯Copula互信息(Gaussian Copula Mutual Information，GCMI)方法，不需要假設(shè)每個(gè)變量的邊際分布，且計(jì)算效率高。

由于sEMG信號(hào)頻域特征突出，在不同特征頻段上的耦合特性具有差異。肌間耦合突出表現(xiàn)在alpha(8 Hz～15 Hz)頻段、beta(15 Hz～30 Hz)頻段和gamma(30 Hz～60 Hz)頻段。Copula互信息是時(shí)域上的計(jì)算，不能描述頻域信息，因此，研究者采用小波分解方法對(duì)sEMG信號(hào)進(jìn)行分解。Charissou等[18]結(jié)合小波與相干分析方法，分析不同頻段下的肌間耦合特性，發(fā)現(xiàn)不同運(yùn)動(dòng)下的beta頻段耦合特性具有差異。Yang等[19]將小波分析與相干分析相結(jié)合分析單次實(shí)驗(yàn)?zāi)X肌電的耦合特性。然而，小波變換存在頻率分辨率會(huì)下降的缺點(diǎn)。因此，引入小波包(Wavelet Packet Transform，WPT)分解方法，小波包是小波的延伸，對(duì)信號(hào)分解更加精細(xì)，并且該分解方法具有無(wú)冗余、無(wú)疏漏，一定程度上提高信號(hào)的頻率分辨率，在生物醫(yī)學(xué)信號(hào)的時(shí)頻分析方面具有廣泛的應(yīng)用[20]。

為了準(zhǔn)確定量描述不同頻段的肌間耦合強(qiáng)度，本文將小波包分解與Copula互信息相結(jié)合，構(gòu)建小波包-Copula互信息模型，并應(yīng)用于肘關(guān)節(jié)屈曲運(yùn)動(dòng)中的肌間耦合分析。首先對(duì)sEMG信號(hào)進(jìn)行預(yù)處理，其次用小波包對(duì)處理過(guò)的sEMG信號(hào)進(jìn)行分解，然后計(jì)算不同頻段的肌間耦合強(qiáng)度，得到不同頻段的肌間功能耦合特性。通過(guò)該分析模型可以定量描述在疲勞前后狀態(tài)下肘關(guān)節(jié)屈曲運(yùn)動(dòng)中的協(xié)同肌肉對(duì)與拮抗肌肉對(duì)的特征頻段的耦合特性，為進(jìn)一步探究肌肉疲勞的神經(jīng)控制機(jī)制提供新的研究方法。

1 數(shù)據(jù)采集及預(yù)處理

1.1 數(shù)據(jù)采集

實(shí)驗(yàn)數(shù)據(jù)包含5名健康成年人，年齡21～25歲，體重50 kg～70 kg，身高165 cm～175 cm，所有受試者均無(wú)上肢運(yùn)動(dòng)功能障礙或關(guān)節(jié)損傷歷史，均為右利手。所有受試者精神狀態(tài)良好，都被告知了實(shí)驗(yàn)詳情，簽署了知情同意書，自愿參加此次數(shù)據(jù)采集實(shí)驗(yàn)。sEMG信號(hào)采集裝置為美國(guó)Delsys公司生產(chǎn)的TrignoTMWireless sEMG，采樣頻率為1 926 Hz。根據(jù)生理學(xué)知識(shí)，本實(shí)驗(yàn)同步記錄與肘關(guān)節(jié)屈曲動(dòng)作密切相關(guān)的三塊肌肉，分別為:肱三頭肌(Triceps-Brachii，TB)、肱橈肌(Brachioradialis，B)、肱二頭肌(Biceps Brachii，BB)。在實(shí)驗(yàn)前需要用酒精清潔受試者被采集的皮膚表面，以減少阻抗，避免其對(duì)信號(hào)采集的影響。根據(jù)解剖學(xué)知識(shí)找到運(yùn)動(dòng)所對(duì)應(yīng)的肌肉放置傳感器，用繃帶包裹傳感器使其緊貼肌肉，避免運(yùn)動(dòng)導(dǎo)致的偽影，sEMG信號(hào)采集位置和實(shí)驗(yàn)環(huán)境如圖1所示。為了增強(qiáng)肌肉活動(dòng)，使肌肉快速達(dá)到疲勞狀態(tài)，受試者手持啞鈴，進(jìn)行上肢肘關(guān)節(jié)屈伸運(yùn)動(dòng)。實(shí)驗(yàn)在安靜的室內(nèi)環(huán)境下進(jìn)行，受試者根據(jù)節(jié)拍器勻速地進(jìn)行肘關(guān)節(jié)運(yùn)動(dòng)，每次實(shí)驗(yàn)一直持續(xù)運(yùn)動(dòng)到受試者示意疲勞或觀察到手肘劇烈顫抖結(jié)束，休息30 min，重復(fù)該過(guò)程，每位受試者進(jìn)行三次實(shí)驗(yàn)，在實(shí)驗(yàn)開始受試者運(yùn)動(dòng)5 s后，才開始記錄數(shù)據(jù)，整個(gè)實(shí)驗(yàn)流程如圖2所示。

圖1 sEMG信號(hào)采集位置和實(shí)驗(yàn)環(huán)境

圖2 實(shí)驗(yàn)流程圖

1.2 數(shù)據(jù)預(yù)處理

由于動(dòng)作電位通過(guò)多層生物組織傳導(dǎo)，記錄到的sEMG信號(hào)很微弱且不平穩(wěn)，容易受外部環(huán)境影響，為減少干擾并獲取更有效的sEMG信號(hào)進(jìn)行下一步肌間耦合分析，需要對(duì)采集的sEMG信號(hào)進(jìn)行預(yù)處理。實(shí)驗(yàn)采集的信號(hào)均依次進(jìn)行去均值、去除基線漂移，并進(jìn)一步利用濾波器抑制50 Hz工頻干擾，然后用帶通濾波器對(duì)其進(jìn)行0.5 Hz～200 Hz的帶通濾波。以一位受試者為例，預(yù)處理后頻域圖如圖3所示。

在sEMG信號(hào)采集的實(shí)驗(yàn)中，不同的受試者會(huì)有不同的振幅，每個(gè)受試者進(jìn)入疲勞狀態(tài)的時(shí)間也不同，這些差異與受試者的身體素質(zhì)有關(guān)。本文采集肌肉分別處于疲勞前狀態(tài)和疲勞后狀態(tài)的20 s信號(hào)。從圖3可知，與疲勞前狀態(tài)相比，疲勞后狀態(tài)顯示出較高的幅值。

圖3 sEMG信號(hào)疲勞前后的頻域圖

2 sEMG肌間耦合分析

為研究肘關(guān)節(jié)屈曲運(yùn)動(dòng)特征頻段上的肌間耦合特性，構(gòu)建小波包-Copula互信息耦合分析模型，應(yīng)用于肘關(guān)節(jié)屈曲運(yùn)動(dòng)中的sEMG信號(hào)分析。首先，利用小波包將sEMG信號(hào)進(jìn)行分解，獲得sEMG信號(hào)在不同頻段上的信息，然后用Copula互信息分析方法，計(jì)算特征頻段的肌間Copula互信息值，定量研究在疲勞前后狀態(tài)下的協(xié)同肌對(duì)和拮抗肌對(duì)的功能耦合特性。

2.1 小波包分解

為了得到sEMG信號(hào)在特征頻段的信息，小波包分解需要選取合適的小波包函數(shù)和相應(yīng)的分解層數(shù)。定義肌電信號(hào)為X(t)，通過(guò)小波包分解，設(shè)置該肌電信號(hào)的分解層數(shù)為i，將(0，2-1fs)頻段內(nèi)的信號(hào)分解獲得2i個(gè)子帶信號(hào)，并且每個(gè)子帶信號(hào)對(duì)應(yīng)的頻段為((n-1)2j-1fs，n2j-1fs)，n＝1，2，…，2i，j＝-i，其中n代表節(jié)點(diǎn)數(shù)，則該肌電信號(hào)X(t)在第i層的第n個(gè)子帶信號(hào)定義為:

式中:i，k，n∈Ζ，為第i層的第n個(gè)子帶小波包系數(shù)，φn，k(t)為小波包函數(shù)，代表特定頻段的數(shù)據(jù)信息。

小波包的分解結(jié)構(gòu)如圖4所示。原始信號(hào)通過(guò)小波包逐級(jí)向下分解。從根節(jié)點(diǎn)開始，每個(gè)節(jié)點(diǎn)的信號(hào)都經(jīng)過(guò)低通和高通濾波(每一層左邊的節(jié)點(diǎn)是對(duì)上一節(jié)點(diǎn)的低通濾波，右邊的節(jié)點(diǎn)是對(duì)上一節(jié)點(diǎn)的高通濾波)后再進(jìn)行一個(gè)2倍向下采樣的過(guò)程，實(shí)為降低采樣率，只保留偶數(shù)序號(hào)的元素。經(jīng)過(guò)小波包分解，其子頻帶亂序排列，需要翻轉(zhuǎn)所有經(jīng)過(guò)高頻濾波并下采樣的分量的頻譜順序，從而保證分解得到的子頻帶按升序排列(從左到右依次遞增)。例如，輸入信號(hào)采樣頻率為128 Hz，則小波包根節(jié)點(diǎn)(0，0)處的頻率為0 Hz～64 Hz，第3層8個(gè)節(jié)點(diǎn)的頻譜分布為:(3，0)節(jié)點(diǎn)代表0～8 Hz，(3，1)節(jié)點(diǎn)代表8 Hz～16 Hz，后面以此類推，每個(gè)節(jié)點(diǎn)代表一個(gè)頻段，依次以8 Hz為一個(gè)頻段遞增，(3，7)節(jié)點(diǎn)代表56 Hz～64 Hz。

圖4 3層小波包分解結(jié)構(gòu)

2.2 小波包-Copula互信息的肌間耦合分析

首先，基于2.1節(jié)中分解得到的sEMG信號(hào)子帶分量，然后利用Copula互信息進(jìn)行分頻段的肌間耦合分析，具體如下。

設(shè)X和Y分別表示兩通道sEMG信號(hào)經(jīng)過(guò)小波包分解得到的頻譜能量集中在相同頻段的分量，變量X，Y之間的MI定義如下:

式中:p XY(x，y)表示變量X和Y的聯(lián)合概率密度，p x(x)和p Y(y)分別為變量X和Y的邊際概率密度函數(shù)。

由二元Copula的Sklar定理[21]可知:

式中:P XY(x，y)表示變量X和Y的聯(lián)合累積分布函數(shù)，u＝P X(x)和v＝P Y(y)分別為變量X和Y的邊際累積分布函數(shù)?？赏茖?dǎo)出Copula密度函數(shù):

Copula熵的定義[22]如下:

根據(jù)文獻(xiàn)[23]，MI與Copula熵存在以下關(guān)系:

式中:H c(u，v)為變量X和Y的Copula熵。式(6)所得到的MI稱為Copula互信息，它的值越大，變量的相關(guān)性越大。它是通過(guò)Copula函數(shù)得到MI的估計(jì)值，不同的Copula函數(shù)所得到的Copula互信息估計(jì)值不相同。為了獲得更加準(zhǔn)確的估計(jì)值，Copula函數(shù)的選擇至關(guān)重要。常見的Copula函數(shù)有Gaussian Copula、t Copula、Clayton Copula、Frank Copula和Gumbel Copula。選擇的關(guān)鍵在于要確定數(shù)據(jù)的邊際分布類型，本文采用非參數(shù)核密度估計(jì)不同頻段分量的邊際分布，根據(jù)最大似然函數(shù)準(zhǔn)則選擇最佳的Copula函數(shù)，從而估計(jì)Copula互信息。

3 實(shí)驗(yàn)的結(jié)果

sEMG信號(hào)不同頻段內(nèi)的耦合特性反映中樞神經(jīng)系統(tǒng)的支配信息。本文構(gòu)建了小波包-Copula互信息模型，研究肘關(guān)節(jié)屈曲運(yùn)動(dòng)中的協(xié)同肌對(duì)和拮抗肌對(duì)在不同頻段的肌間耦合特性，探究在疲勞前后狀態(tài)下的協(xié)同肌肉對(duì)和拮抗肌肉對(duì)的肌間耦合特性。

3.1 協(xié)同肌肉對(duì)與拮抗肌肉對(duì)的肌間耦合特性分析

根據(jù)1.1節(jié)中的實(shí)驗(yàn)范式同步采集與肘關(guān)節(jié)屈曲運(yùn)動(dòng)密切相關(guān)肌肉塊的sEMG信號(hào)，其中BB與B為協(xié)同肌對(duì)、BB與TB為拮抗肌肉對(duì)。將采集的sEMG信號(hào)進(jìn)行預(yù)處理，利用小波包分解得到特定功能頻帶的信號(hào)，分別對(duì)疲勞前后的BB-B與BBTB進(jìn)行獨(dú)立頻段肌間耦合分析。圖5為受試者2(其他受試者的結(jié)果與此相似)在疲勞前后狀態(tài)下的BB-B與BB-TB在alpha、beta和gamma頻段的肌間耦合強(qiáng)度。由圖5可見，BB-B與BB-TB在alpha、beta和gamma頻段的肌間耦合強(qiáng)度表現(xiàn)為頻段越高，耦合強(qiáng)度越大。協(xié)同肌肉對(duì)與拮抗肌肉對(duì)在beta和gamma頻段表現(xiàn)出較強(qiáng)的耦合關(guān)系。另外，不管受試者是處于疲勞前還是疲勞后的狀態(tài)，協(xié)同肌肉對(duì)的耦合強(qiáng)度明顯高于拮抗肌肉對(duì)的耦合強(qiáng)度。

圖5 疲勞前后的肌間耦合強(qiáng)度

3.2 疲勞前后的肌間耦合特性分析

為了探究疲勞因素對(duì)于肌間耦合強(qiáng)度的影響，本文進(jìn)一步比較疲勞前與疲勞后狀態(tài)的耦合特征，分別對(duì)BB-B與BB-TB在疲勞前與疲勞后狀態(tài)下進(jìn)行不同特征頻段肌間耦合分析。圖6為受試者4(其他受試者的結(jié)果與此相似)BB-B與BB-TB在疲勞前后狀態(tài)下的alpha、beta和gamma頻段的肌間耦合強(qiáng)度。由圖6可見，疲勞狀態(tài)下BB-B的beta和gamma頻段的肌間耦合強(qiáng)度明顯高于疲勞前狀態(tài)下對(duì)應(yīng)的頻段耦合強(qiáng)度，而BB-B的alpha頻段與BB-TB的alpha、beta和gamma頻段在疲勞前后的差異不顯著；疲勞狀態(tài)下的B-BB與BB-TB整體的耦合強(qiáng)度相比于疲勞前有所增強(qiáng)，且相比于BBTB，B-BB疲勞前后耦合強(qiáng)度的增加更為明顯。

3.3 肌間耦合差異的統(tǒng)計(jì)分析

為了分析上述現(xiàn)象是否具有統(tǒng)計(jì)學(xué)意義，定量地描述特征頻段耦合強(qiáng)度的差異，對(duì)所有受試者B-BB與BB-TB在疲勞前后狀態(tài)的alpha、beta和gamma頻段的耦合強(qiáng)度取平均與方差，并對(duì)各個(gè)頻段在不同情況下的耦合強(qiáng)度進(jìn)行獨(dú)立樣本t檢驗(yàn)，結(jié)果如圖7所示。無(wú)論受試者處于疲勞前還是疲勞后狀態(tài)，協(xié)同肌肉對(duì)在alpha、beta和gamma頻段的耦合強(qiáng)度明顯大于拮抗肌肉對(duì)的耦合強(qiáng)度；對(duì)比疲勞前和疲勞后，疲勞后的協(xié)同肌肉對(duì)在beta和gamma頻段的耦合強(qiáng)度明顯高于疲勞前，而拮抗肌肉對(duì)的耦合強(qiáng)度相對(duì)較弱且在alpha、beta和gamma頻段的疲勞前與疲勞后的耦合強(qiáng)度無(wú)顯著性差異。通過(guò)整體對(duì)比可以發(fā)現(xiàn)，相比于拮抗肌肉對(duì)，協(xié)同肌肉對(duì)的肌間耦合強(qiáng)度更大；疲勞后狀態(tài)相比于疲勞前狀態(tài)，肌間耦合強(qiáng)度增大，且協(xié)同肌肉對(duì)的變化比拮抗肌肉對(duì)更加顯著。

圖7 所有受試者在疲勞前后、協(xié)同與拮抗肌肉對(duì)在特征頻段耦合強(qiáng)度的均值與方差

4 討論

自主運(yùn)動(dòng)引起的肌肉疲勞是一種常見的神經(jīng)生理現(xiàn)象。本文研究肘關(guān)節(jié)屈曲運(yùn)動(dòng)過(guò)程中疲勞前后狀態(tài)下協(xié)同肌肉對(duì)與拮抗肌肉對(duì)在特征頻段下的耦合關(guān)系，探索中樞神經(jīng)系統(tǒng)對(duì)肌肉的控制機(jī)制。

協(xié)同肌肉對(duì)與拮抗肌肉對(duì)特征頻段的耦合存在差異。協(xié)同肌肉對(duì)和拮抗肌肉對(duì)在beta和gamma頻段表現(xiàn)出較強(qiáng)的耦合關(guān)系，這與運(yùn)動(dòng)過(guò)程中神經(jīng)肌肉系統(tǒng)的調(diào)控有關(guān)。其中beta頻段能反映運(yùn)動(dòng)皮層到運(yùn)動(dòng)神經(jīng)元控制信息的傳遞，是中樞神經(jīng)系統(tǒng)運(yùn)動(dòng)控制的重要頻段[24]，gamma頻段的耦合體現(xiàn)在與肌肉收縮和認(rèn)知過(guò)程相關(guān)的信息整合[25]。這與文獻(xiàn)[26]中得出的結(jié)論一致。協(xié)同肌肉對(duì)的整體耦合強(qiáng)度相對(duì)于拮抗肌肉對(duì)更高，這與文獻(xiàn)[27]所得出的結(jié)果一致。這可能是因?yàn)橹袠猩窠?jīng)系統(tǒng)對(duì)發(fā)揮不同作用的肌肉對(duì)采取不同的調(diào)控策略。相較于拮抗肌肉對(duì)，協(xié)同肌肉對(duì)需要更多的控制信息[28]。謝平等[29]在研究腕部屈伸肌間的協(xié)同-耦合關(guān)系時(shí)指出，協(xié)同性較高的肌肉間耦合關(guān)系較強(qiáng)，不具有協(xié)同性的肌肉間的耦合關(guān)系較弱。

協(xié)同肌肉對(duì)與拮抗肌肉對(duì)在疲勞前后特征頻段的耦合強(qiáng)度存在差異。疲勞狀態(tài)下的BB與B在beta和gamma頻段的耦合強(qiáng)度相較于疲勞前顯著增加，B-BB與BB-TB疲勞后的整體耦合強(qiáng)度都大于疲勞前，肘關(guān)節(jié)屈曲過(guò)程中伴隨著BB的收縮和TB的松緩，BB與B為協(xié)同肌，B也會(huì)收縮，當(dāng)運(yùn)動(dòng)時(shí)間增長(zhǎng)，肌肉塊逐漸呈現(xiàn)疲勞狀態(tài)，為了控制相應(yīng)的肌肉塊來(lái)維持運(yùn)動(dòng)，中樞神經(jīng)系統(tǒng)要調(diào)節(jié)相關(guān)肌肉的支配方式，傳遞更多的運(yùn)動(dòng)控制信息，使得皮層神經(jīng)元與運(yùn)動(dòng)元之間的同步耦合性增強(qiáng)。這符合肌肉的疲勞程度與肌電一致性存在正相關(guān)的結(jié)論[30]，并且與文獻(xiàn)[31]和文獻(xiàn)[32]中的結(jié)果相似。杜義浩等[33]的研究結(jié)果表明，在低負(fù)荷持續(xù)疲勞過(guò)程中，協(xié)同肌肉對(duì)與拮抗肌肉對(duì)的耦合強(qiáng)度都增加。協(xié)同肌肉對(duì)的耦合強(qiáng)度變化更為顯著，可能由于在疲勞狀態(tài)下中樞神經(jīng)系統(tǒng)對(duì)兩組肌肉對(duì)采取不同的控制方式。

為進(jìn)一步驗(yàn)證該方法的有效性，可以從以下方面進(jìn)行研究:采集更多健康受試者的數(shù)據(jù)進(jìn)一步驗(yàn)證該分析方法；數(shù)據(jù)的采集從健康人拓展到運(yùn)動(dòng)功能障礙患者；可以添加腦電數(shù)據(jù)，從腦肌電耦合、肌間耦合等多層次深入研究，為肌肉疲勞的控制機(jī)制與康復(fù)運(yùn)動(dòng)功能評(píng)價(jià)方法提供新的方法和參考指標(biāo)。

5 結(jié)論

本文提出了小波包分解-Copula互信息方法，并應(yīng)用其分析健康人恒定負(fù)荷下的sEMG信號(hào)同步耦合特性。結(jié)果表明:在肘關(guān)節(jié)屈曲運(yùn)動(dòng)中，肌間耦合強(qiáng)度在beta與gamma頻段最為顯著，協(xié)同肌肉對(duì)耦合強(qiáng)度比拮抗肌肉對(duì)耦合強(qiáng)度大；疲勞后的耦合強(qiáng)度相對(duì)于疲勞前有所增強(qiáng)。因此，本文提出的小波包分解-Copula互信息分析方法可以量化評(píng)價(jià)協(xié)同肌肉對(duì)與拮抗肌肉對(duì)信號(hào)在疲勞前后特征頻段肌間耦合強(qiáng)度，為探索人體運(yùn)動(dòng)功能控制機(jī)制及運(yùn)動(dòng)功能障礙產(chǎn)生機(jī)理提供理論依據(jù)。