基于MEMD-rTVgPDC的皮层肌肉耦合分析方法.pdf

《基于MEMD-rTVgPDC的皮层肌肉耦合分析方法.pdf》由会员分享，可在线阅读，更多相关《基于MEMD-rTVgPDC的皮层肌肉耦合分析方法.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910835973.X (22)申请日 2019.09.05 (71)申请人 杭州电子科技大学 地址 310018 浙江省杭州市经济技术开发 区白杨街道2号大街 (72)发明人 佘青山张敏张波涛吴秋轩 (74)专利代理机构 浙江千克知识产权代理有限 公司 33246 代理人 周希良 (51)Int.Cl. A61B 5/0476(2006.01) A61B 5/0488(2006.01) A61B 5/00(2006.01) G06F 17/18(2006.01) (54)。

2、发明名称 基于MEMD-rTVgPDC的皮层肌肉耦合分析方 法 (57)摘要 本发明公开了一种基于MEMD-rTVgPDC的皮 层肌肉耦合分析方法。 本发明首先对同步采集的 脑电和肌电信号进行预处理， 然后采用多元经验 模态分解算法对信号进行时-频尺度化， 最后计 算不同耦合方向上rTV-gPDC的线性和非线性值。 结果表明脑肌电信号间的皮层肌肉耦合主要反 映在频段和频段， 此外脑肌电信号之间不仅 存在线性因果关系还存在非线性因果关系。 本发 明能够定量地刻画不同握力下三个脑肌电通道 之间的相互影响， 可为研究运动功能障碍及康复 评价提供有效的生理参数指标。 权利要求书3页 说明书8页 附图6。

3、页 CN 110638444 A 2020.01.03 CN 110638444 A 1.基于MEMD-rTVgPDC的皮层肌肉耦合分析方法， 其特征在于： 该方法包括以下主要步 骤： 步骤(1)， 多通道脑肌电信号同步采集并进行预处理； 步骤(2)， 采用多元经验模态分解方法对预处理后的多通道数据同时进行分解， 得到 IMF分量； 步骤(3)， 建立TVAR模型并选取适当的模型阶数P； 具体为： 对于同时观测的一组M维多变量时间序列x(n)x1(n),x2(n),xM(n)T,假 设这组时间序列被一个模型阶数为P的模型充分表示: 其中， v(n)v1(n),v2(n),L,vN(n)T是白噪。

4、声向量， Ap是定义时间序列的参数： 其中， aij反映了从通道j到通道i的线性关系， i,j1,.,M； 将式(1)扩展到TVAR模型来实现， 即 步骤(4)， 建立TVMA模型并选取适当的模型阶数Q； 具体为： 当式(3)中的v(n)不是白噪声而是有色噪声时， 根据以下式子近似： 这种未知非线性函数的逼近是通过将式(4)中的v(n)代入到式(3)中， 可得 其中， Q是MA的阶数， Bq(n)是时变MM的参数矩阵， r(n)是权重过去值， n1,.,N； 步骤(5)， TVAR和TVMA模型参数的鲁棒估计； 具体为： 采用卡尔曼滤波器来估计时变参数， 卡尔曼滤波器包括预测和校正步骤， 预测。

5、 步骤如下： 其中，是系统噪声协方差矩阵的估计值； 校正步骤如下： 权利要求书 1/3 页 2 CN 110638444 A 2 计算(P+Q)M2M维增益G(n)， 测量噪声协方差矩阵R(n)如下： 其中， R0IM且的预测误差被定义为： 步骤(6)， 根据Akaike准则选取适当的更新系数l； 具体为： 使用Akaike类型准则， 最小值提供模型拟合， 以消除模型误差和复杂性， 标准 如下： 求出最优的Popt、 Qopt、 opt值； 步骤(7)， 计算鲁棒时变广义偏定向相干性的线性和非线性值； 具体为： 通过将式(3)的TVAR模型与对应的时间相关参数矩阵Ap(n)相结合， 获得时变形。

6、 式的gPDC； 于是， 可得TV-gPDC的计算表达式为： 为了进一步结合非线性连通性， 附加的时变残差参数矩阵Bj(n)变换为线性项： 因此得到TV-gPDC的非线性扩展形式： 在式(15)、 (17)中，和值的大小说明了不同耦合方向上皮层肌肉耦合 的强弱； 步骤(8)， 采用步骤(6)和(7)的计算结果进行不同耦合方向上的皮层肌肉耦合特征的 分析。 2.根据权利要求1所述的基于MEMD-rTVgPDC的皮层肌肉耦合分析方法， 其特征在于： 步 骤(1)具体为： 同时采集多位受试者左右手在不同抓握动作下的多通道脑肌电信号， 然后采 用数字滤波器对采集的脑肌电信号分别进行075Hz的低通滤波。

7、， 用于脑电、 肌电信号同步 分析。 权利要求书 2/3 页 3 CN 110638444 A 3 3.根据权利要求1所述的基于MEMD-rTVgPDC的皮层肌肉耦合分析方法， 其特征在于： 步 骤(2)具体为： 预处理后的实测数据构建脑电信号Xx1,x2,xi,xM和肌电信号Y y1,y2,yi,yM两组时间序列， M为时间序列的长度， 对两组时间序列进行MEMD分解， 得 到IMF分量， 并选出0-60Hz频域范围对应的IMF分量， 再将所选的IMF分量信号重构。 权利要求书 3/3 页 4 CN 110638444 A 4 基于MEMD-rTVgPDC的皮层肌肉耦合分析方法 技术领域 0。

8、001 本发明属于神经系统运动控制机制研究领域， 涉及多元经验模态分解预处理和基 于TVAR和TVMA模型的鲁棒时变广义偏定向相干性计算， 从而进行时频域皮层肌肉同步耦合 分析。 背景技术 0002 大脑运动皮层的脑电(electroencephalogram， EEG)信号和相应的肢体对侧的肌 电(electromyographic， EMG)信号能够分别反映大脑对肢体运动的控制信息及肌肉对大脑 的反馈信息， 揭示了肢体运动过程中大脑皮层和相应肌肉间的功能耦合(functional corticomuscular coupling， FCMC)连接， 皮层肌肉功能耦合研究在一定程度上能够反映。

9、大 脑皮层和肌肉间的相互作用关系， 代表了运动系统内部的信息流动， 与大脑皮层向肌肉收 缩的传入反馈有关， 因而有助于了解大脑如何控制肌肉组织以及肌肉组织对脑功能的影 响， 更利于理解皮层-肌肉的功能耦合及信息传递。 不同频段的FCMC反映了健康人群中感觉 和运动系统的不同功能形态。 0003 脑肌电信号同步耦合中含有线性耦合特征和非线性耦合特征， 分析方法可分为线 性方法和非线性方法两大类。 近年来研究人员广泛使用线性方法中的相干性分析和格兰杰 因果(Granger causality,GC)分析以及非线性方法中的互信息(mutual information,MI) 和传递熵(transfe。

10、r entropy， TE)方法分析脑肌电耦合的效果。 在这几种方法中， 相干性分 析效果显著， 结果可靠， 效率高并支持在线处理， 然而相干性存在不能确定耦合方向的局限 性。 0004 最初Baccala提出的偏定向相干性(Partial Directed Coherence, PDC)， 其输入 的噪声方差不包含内部归一化。 为了规避与时间序列尺度相关的数值问题， Baccala在PDC 方法的基础上提出了广义偏定向相干性(generalized Partial Directed Coherence, gPDC)。 PDC和gPDC的定义都是利用传统的多变量自回归(Multivariate。

11、 Autoregressive, MVAR)模型的系数矩阵来计算得到的， 它们仅考虑了时间序列的滞后效应， 忽略了瞬时效 应。 然而， 实际时间序列非常容易产生瞬时效应， 从而影响线性参数化建模。 为了解决该问 题， Faes提出了扩展多变量自回归(extended Multivariate Autoregressive,eMVAR)模型 下的扩展广义偏定向相干性(extended Generalized Partial Directed Coherence, eGPDC)， 该方法同时考虑了时间序列的瞬时效应和滞后效应。 而Schaeck等在gPDC方法的基 础之上提出了鲁棒时变广义偏定向相。

12、干性(robust Time-Varying generalized Partial Directed Coherence, rTV-gPDC)方法， 该算法可以分离线性和非线性的因果关系， 从而对 不同时频域的线性和非线性耦合强度进行对比分析。 rTV-gPDC是一种新的定向相干度量， 采用时变滑动平均(Time-Varying Moving-Average,TVMA)模型来捕获无法用时变自回归 (Time-Varying autoregressive,TVAR)模型解释的非线性因果关系。 利用TVMA模型， 将 gPDC扩展到非线性因果关系模式， 以揭示多变量时间序列之间的非线性关系。 0。

13、005 最近， Mandic等提出了多元经验模态分解方法， 不仅能够同时处理多元时间序列 说明书 1/8 页 5 CN 110638444 A 5 的多尺度分解， 而且可以较好地消除模态混叠现象。 多元经验模态分解的提出， 实现了多元 信号振荡模式的多通道同步联合分析， 获得不同通道的共同模式， 确保了IMF分量在数量和 尺度上均匹配， 解决了多通道信号的模式校准问题。 0006 为了定量研究不同耦合方向上的脑肌电信号之间的线性耦合特征和非线性耦合 特征， 本发明结合多元经验模态分解与鲁棒时变广义偏定向相干性方法， 构建出脑肌电信 号的线性和非线性耦合分析模型。 发明内容 0007 本发明的目。

14、的在于提供一种可得到多通道脑肌电信号间的不同耦合方向上皮层 肌肉耦合特征的分析方法。 0008 为实现上述目的， 本发明方法主要包括以下步骤： 0009 步骤(1)， 多通道脑肌电信号同步采集并进行预处理。 0010 具体为： 同时采集受试者左右手在不同抓握动作下的多通道脑肌电信号； 利用数 字滤波器对脑肌电信号分别进行075Hz的低通滤波， 用于脑电、 肌电信号同步分析。 0011 步骤(2)， 对预处理后的数据进行多元经验模态分解。 0012 具体为： 对预处理之后的数据进行多元经验模态分解， 并选出 0-60Hz频域范围对 应的IMF分量， 再将所选的IMF分量信号重构。 0013 步骤。

15、(3)， 建立TVAR模型并选取适当的模型阶数P。 0014 具体为： 对于同时观测的一组M维多变量时间序列 x(n)x1(n) ,x2(n) ,xM (n)T,假设这组时间序列被一个模型阶数为P的模型充分表示: 0015 0016 其中， v(n)v1(n),v2(n),vN(n)T是白噪声向量， Ap是定义时间序列的参数： 0017 0018 其中， aij反映了从通道j到通道i的线性关系， i,j1,.,M。 0019 将式(1)扩展到TVAR模型来实现， 即 0020 0021 其中， v(n)被假定为白噪声过程。 0022 步骤(4)， 建立TVMA模型并选取适当的模型阶数Q。 00。

16、23 具体为： 当式(3)中的v(n)不是白噪声而是有色噪声时， 可以根据以下式子近似： 0024 0025 其中， Q是MA的阶数， Bq(n)是时变MM的参数矩阵， n1,.,N， r(n)是权重过去 值。 这种未知非线性函数的逼近是通过将式(4)中的 v(n)代入到式(3)中， 可得 说明书 2/8 页 6 CN 110638444 A 6 0026 0027 步骤(5)， TVAR和TVMA模型参数的鲁棒估计。 0028 具体为： 本发明采用卡尔曼滤波器来估计时变参数， 卡尔曼滤波器包括预测和校 正步骤， 参数矢量和状态协方差矩阵的预测步骤如下： 0029 0030 0031其中，是系。

17、统噪声协方差矩阵的估计值。 0032 校正步骤如下： 0033 0034 0035 0036 计算(P+Q)M2M维增益G(n)， 测量噪声协方差矩阵R(n)如下： 0037 0038其中， R0IM且的预测误差被定义为： 0039 0040 0041其中， 是更新系数，是x(n)的先验估计， T(n)表示先前测量值和残差 的(P+Q)M2M矩阵。 0042 步骤(6)， 根据Akaike准则选取适当的更新系数 。 0043 具体为： 式(11)中 值越高， 模型能越快的适应变化， 即对当前预测误差的影响越 大。 本发明使用Akaike类型准则， 其最小值提供模型拟合， 以消除模型误差和复杂性。

18、， 标准 如下： 0044 0045 求出最优的Popt、 Qopt、 opt值。 0046 步骤(7)， 计算鲁棒时变广义偏定向相干性的线性和非线性值。 0047 具体为： 通过将式(3)的TVAR模型与对应的时间相关参数矩阵 Ap(n)相结合， 可以 获得时变形式的gPDC。 于是， 可得TV-gPDC的计算表达式为： 0048 说明书 3/8 页 7 CN 110638444 A 7 0049 为了进一步结合非线性连通性， 附加的时变残差参数矩阵Bj(n) 被类似地变换为 线性项： 0050 0051 因此， 可以得到TV-gPDC的非线性扩展形式： 0052 0053在式(15)、 (。

19、17)中，和值的大小说明了不同耦合方向上皮层肌肉 耦合的强弱。 0054 步骤(8)， 采用步骤(6)和(7)的计算结果进行不同耦合方向上的皮层肌肉耦合特 征的分析。 0055 本发明与传统的皮层肌肉耦合分析方法相比， 具有如下优点： 0056 传统的分析方法并不能有效描述脑肌电不同耦合方向的非线性耦合特征， 针对该 问题， 本发明建立了多元经验模态分解-鲁棒时变广义偏定向相干性模型， 为定量描述上肢 运动中相关脑肌电在不同耦合方向上的线性和非线性因果关系， 这为探索运动过程中脑肌 电的耦合特征及中枢神经系统的运动控制机制提供新方法。 附图说明 0057 图1为本发明方法的流程图； 0058 。

20、图2(a)和图2(b)分别为基于Akaike准则的模型阶数和更新系数； 0059 图3为受试者S1的脑肌电信号MEMD分解结果； 0060 图4受试者S1脑电信号C3的时频分解结果； 0061 图5(a)、 图5(b)、 图5(c)、 图5(d)、 图5(e)和图5(f) 为受试者S3右手不同握力动作 下的rTV-gPDC线性和非线性值。 具体实施方式 0062 下面结合附图对本发明的实施例作详细说明： 本实施例在以本发明技术方案为前 提下进行实施， 给出了详细的实施方案和具体的操作过程。 0063 大脑运动皮层的脑电信号和相应的肢体对侧的肌电信号能够分别反映大脑对肢 体运动的控制信息及肌肉对。

21、大脑的反馈信息， 揭示了肢体运动过程中大脑皮层和相应肌肉 间的功能耦合连接。 因此， 分析多通道脑肌电信号在不同耦合方向上的线性和非线性耦合 特性对中枢神经系统的运动控制机制研究尤为重要。 0064 本发明将多元经验模态分解和鲁棒时变广义偏定向相干性相结合。 如图1所示， 本 发明的实施主要包括九个步骤： (1)多通道脑肌电信号同步采集； (2)脑肌电信号预处理； (3)对预处理后的数据进行多元经验模态分解； (4)建立TVAR模型并选取适当的模型阶数P； (5)建立TVMA模型并选取适当的模型阶数Q； (6)TVAR和TVMA 模型参数的鲁棒估计； (7)根据 说明书 4/8 页 8 CN 。

22、110638444 A 8 Akaike准则选取适当的更新系数 ； (8)计算鲁棒时变广义偏定向相干性的线性和非线性 值； (9)采用步骤(6)和(7)的计算结果进行不同耦合方向上的皮层肌肉耦合特征的分析。 0065 下面逐一对各步骤进行详细说明。 0066 步骤一： 多通道脑肌电信号同步采集 0067 实验招募了8名健康受试者(6名男性S1S6， 2名女性S7S8)， 均无上肢运动功能 障碍或关节损伤历史的健康人， 年龄2025岁， 体重4476kg， 身高160179cm， 均为右利 手， 无神经肌肉障碍。 为防止运动疲劳的影响， 受试前24小时内未作剧烈运动。 本实验采用 128导Bra。

23、inAmp DC脑电采集系统同步采集EEG和EMG信号， 记录了32路EEG信号， 以及左右手 桡侧腕屈肌(Flexor Carpi Radialis， FCR)处的EMG信号。 采集前先用酒精擦拭被测部位， 去除皮肤表面油脂和皮屑， 采样频率为1000Hz。 实验过程如下： 采样时间为5秒， 8名健康受 试者左右手分别进行五组5kg、 10kg和20kg的抓握。 实验中， 每一次抓握工作完成后均会有 15s的休息时间， 防止肌肉疲劳对EMG信号造成干扰。 0068 步骤二： 脑肌电信号预处理 0069 由于EEG和EMG信号十分微弱， 极易受到干扰， 本实施例利用数字滤波器对脑肌电 信号分别。

24、进行075Hz的低通滤波， 用于脑电、 肌电同步分析。 0070 步骤三： 对预处理后的数据进行多元经验模态分解 0071 多元经验模态分解(MEMD)可以实现多元信号振荡模式的多通道同步联合分析， 可 以得到不同通道的共同模式， 实现了本征模态函数分量不仅在数量上匹配而且在尺度上匹 配， 实现了多通道信号的模态校准。 0072定义一个长度为T的n维信号在(n-1) 维球面上对 应角为其方向向量集为MEMD的基本步骤如下： 0073 采用Hammersley序列采样法， 在(n-1)维球面上获得适宜的维空间的方向向量； 0074计算在第k个方向向量上的投影信号为 0075找到最大值点所在的时刻。

25、i表示极值点位置， i1,T； 0076在最大值点上获取多维包络 0077 计算包络均值： 0078 0079 计算剩余量d(t)v(t)-m(t)， 若d(t)满足多元模态IMF判断标准， 则将v(t)-m (t)当作输入信号， 重复步骤2到6， 直至提取新的IMF 分量d(t)。 经过多次MEMD分解， 原始的 n元信号被分解成： 0080 0081 式中， q表示IMF的个数。 0082 步骤四： 建立TVAR模型并选取适当的模型阶数P 说明书 5/8 页 9 CN 110638444 A 9 0083 具体为： 对于同时观测的一组M维多变量时间序列 x(n)x1(n) ,x2(n) ,。

26、xM (n)T,假设这组时间序列被一个模型阶数为P的模型充分表示: 0084 0085 其中， v(n)v1(n),v2(n),L,vN(n)T是白噪声向量， Ap是定义时间序列的参数： 0086 0087 其中， aij反映了从通道j到通道i的线性关系， i,j1,.,M。 0088 将式(3)扩展到TVAR模型来实现， 即 0089 0090 步骤五： 建立TVMA模型并选取适当的模型阶数Q 0091 具体为： 当式(5)中的v(n)不是白噪声而是有色噪声时， 可以根据以下式子近似： 0092 0093 这种未知非线性函数的逼近是通过将式(6)中的v(n)代入到式(5)中， 可得 0094。

27、 0095 其中， Q是MA的阶数， Bq(n)是对r(n)的过去值进行加权的时变MM的参数矩阵， n 1,.,N， r(n)是权重过去值。 0096 步骤六： TVAR和TVMA模型参数的鲁棒估计 0097 具体为： 采用卡尔曼滤波器来估计时变参数， 卡尔曼滤波器包括预测和校正步骤， 参数矢量和状态协方差矩阵的预测步骤如下： 0098 0099 0100其中，是系统噪声协方差矩阵的估计值。 0101 校正步骤如下： 0102 0103 0104 0105 首先， 需要计算(P+Q)M2M维增益G(n)， 测量噪声协方差矩阵 R(n)如下： 0106 说明书 6/8 页 10 CN 11063。

28、8444 A 10 0107其中， 为更新系数， R0IM且预测误差被定义为： 0108 0109 0110其中，是x(n)的先验估计， T(n)表示先前测量值和残差的(P+Q)M2M 矩阵。 0111 步骤七： 根据Akaike准则选取适当的更新系数 0112 具体为： 式(13)中 值越高， 模型能越快的适应变化， 即对当前预测误差的影响越 大。 本发明使用Akaike类型准则， 其最小值提供模型拟合， 以消除模型误差和复杂性， 标准 如下： 0113 0114 求出最优的Popt、 Qopt、 opt值， 即AIC取得最小值时对应的参数值。 0115 因此， 根据图2(a)和图2(b)可。

29、以选择以下参数： 0116 Popt20,Qopt20, opt7.0010-5。 0117 步骤八： 计算鲁棒时变广义偏定向相干性的线性和非线性值 0118 具体为： 通过将式(3)的TVAR模型与对应的时间相关参数矩阵 Ap(n)相结合， 可以 获得时变形式的gPDC。 于是， 可得TV-gPDC的计算表达式为： 0119 0120 为了进一步结合非线性连通性， 附加的时变残差参数矩阵Bj(n) 被类似地变换为 线性项： 0121 0122 因此， 可以得到TV-gPDC的非线性扩展形式： 0123 0124在式(17)、 (19)中，和值的大小说明了不同耦合方向上皮层肌肉 耦合的强弱。 。

30、0125 步骤九： 采用步骤七和八的计算结果进行不同耦合方向上的皮层肌肉耦合特征的 分析 0126 具体为： 首先对8位受试者(S1-S8)同步采集的脑肌电信号， 采用 MEMD方法进行分 解， 图3所示为受试者S1脑肌电， 其中EEG信号C3、 C4， EMG信号FCR(桡侧腕屈肌)共三个通道 说明书 7/8 页 11 CN 110638444 A 11 的分解结果。 由图3可以看出， MEMD可以分析多通道信号， 并且IMF的分量的个数相同且都为 13。 0127 由于本发明重点研究0-60Hz频段内的皮层肌肉耦合关系， 因此在频段外的IMF分 量不再考虑。 图4给出了MEMD分解对受试者。

31、 S1脑电信号C3的时频分析结果， 其中第一列为 IMF分量， 第二列为其对应的频谱图。 0128 接下来对重构的脑肌电信号分别计算不同耦合方向上的gPDC 和rTV-gPDC的值， 比较三个通道不同耦合方向的gPDC值可以看出， 三个脑肌电的gPDC的峰值频率都位于 和 频段内， 但是gPDC只能侦测线性的因果关系， 而不能刻画非线性的因果关系。 为了进一步 探究EEG和EMG在不同的耦合方向(EEGEMG,EMGEEG)上、 不同频段间的线性和非线性耦 合特征， 根据式(17)、 (19)计算出8名受试者脑肌电信号不同耦合方向上的线性和非线性 rTV-gPDC值。 在握力动作时， 脑电信号。

32、和肌电信号之间的皮层肌肉耦合主要反应在 频段和 频段。 在握力较小时， 左右手下行(EEGEMG)、 上行 (EMGEEG)耦合强度在 频段最大， 随着握力的增大(图5(a)、 5(c)、 5(e)， 耦合向高频段转移， 握力最大时， 耦合主要发生在 频段。 由图5(a)可以看出C4C3的rTV-gPDC值在0到0.3之间同时可以观察到随着握力随 着的增大， C4C3的rTV-gPDC值主要在低频段 (0-20Hz)， 即C4C3的耦合关系不强。 FCR C3和FCRC4得 rTV-gPDC值基本为0， 即上行方向的耦合关系很微弱。 C3C4的 rTV-gPDC 值变化规律与C4C3的rTV-。

33、gPDC值变化一致， 表明任意两个脑电通道之间存在线性耦合关 系， 但不是很强。 不同的是， C3FCR和C4FCR的rTV-gPDC值范围在0.8到1之间， 远大于 C4C3和FCRC4的rTV-gPDC值， 表明下行方向的线性耦合强度大于脑电对脑电和上行方 向的耦合强度， 这与已有结论相同； 从频域上看， 随着握力水平的增加， C3FCR的rTV-gPDC 最大值逐渐向高频域转移， 同时C4FCR的rTV-gPDC值逐渐向高频域转移， 且当握力水平最 大时， rTV-gPDC最大值主要分布在高频段； 从时域上看， 如图5(e)在第一秒内C3FCR的 rTV-gPDC最大值小于后4秒， 表明。

34、当开始发力时下行方向的线性耦合强度较小， 但当握力水 平维持时， 下行方向的线性耦合强度开始增大且维持在一定的范围内， 这一结论对其他受 试者也符合。 0129 由图5(b)、 图5(d)、 图5(f)可以看出， C4C3、 FCRC3、 FCRC4、 C3C4的非线性 rTV-gPDC值几乎接近于0， 即脑电对脑电和肌电对脑电的耦合强度很小， 但C3FCR和C4 FCR的非线性rTV-gPDC 值远大于C4C3和FCRC3的值， 即下行方向的耦合强度大于上行 方向的耦合强度。 且随着握力的增大， 非线性rTV-gPDC值也随之增大。 图5(f)的C3FCR和 C4FCR的前3s内出现了高度连。

35、通性， 这可能是因为受试者在疲劳状态时耦合强度更显著。 0130 以上所述的实施例仅是对本发明的优选实例方式进行描述， 并非对本发明的范围 进行限定， 在不脱离本发明设计精神的前提下， 本领域普通技术人员对本发明的技术方案 做出的各种变形和改进， 均应落入本发明权利要求书确定的保护范围内。 说明书 8/8 页 12 CN 110638444 A 12 图1 图2 （a） 说明书附图 1/6 页 13 CN 110638444 A 13 图2 （b） 说明书附图 2/6 页 14 CN 110638444 A 14 图3 图4 说明书附图 3/6 页 15 CN 110638444 A 15 图5 （a） 图5 （b） 说明书附图 4/6 页 16 CN 110638444 A 16 图5 （c） 图5 （d） 说明书附图 5/6 页 17 CN 110638444 A 17 图5 （e） 图5 （f） 说明书附图 6/6 页 18 CN 110638444 A 18 。