高级搜索

数学生物科学与工程

2022,第19卷, 第9版: 9437-9456. 数字对象标识：10.3934/mbe.2022439
上一篇文章 下一篇文章
研究文章

基于R-vine连接传递熵的上肢肌间耦合网络分析

  • 1
    杭州新一珍科技有限公司，中国杭州310018
  • 2
    浙江水利电力大学电气工程学院，杭州310018
  • 三。
    杭州电子大学自动化学院，杭州310018

  • 学术编辑：杨匡
  • 收到：2022年4月20日 修订过的：2022年6月15日 认可的：2022年6月20日 出版：2022年6月28日

  • 在神经科学领域，准确有效地评估生物电信号之间的因果耦合特性非常重要。传递熵通常用于分析复杂数据，特别是具有非线性、多维特征的数据之间的因果关系。然而，传统的传递熵需要估计变量的概率密度函数，这在计算上是复杂和不稳定的。本文通过应用R-vine copula函数估计，提出了一种新的有效的熵传递方法。首先在多个仿真中验证了R-vine连接传递熵的有效性，然后将其应用于肌肉间耦合分析，以探索肌肉在非疲劳和疲劳状态下的肌肉间耦合网络特征。实验结果表明，当肌肉群进入疲劳状态时，可以调整群落结构，充分激活参与运动的肌肉节点，实现不同群落之间的双向互动。最后得出结论，该方法可以对复杂因果耦合做出准确的推断。此外，肌肉间耦合网络在非疲劳和疲劳状态下的特性可以为神经肌肉疲劳的诊断和运动康复提供新的理论视角，具有良好的应用价值。

    引用：朱少军、赵金辉、吴亚廷、佘青山。基于R-vine连接传递熵的上肢肌间耦合网络分析[J]。数学生物科学与工程，2022，19（9）：9437-9456。doi:10.3934/mbe.2022439

    相关论文：

  • 在神经科学领域，准确有效地评估生物电信号之间的因果耦合特性非常重要。传递熵通常用于分析复杂数据，特别是具有非线性、多维特征的数据之间的因果关系。然而，传统的传递熵需要估计变量的概率密度函数，计算复杂且不稳定。本文通过应用R-vine copula函数估计，提出了一种新的、有效的熵传递方法。首先在多个仿真中验证了R-vine连接传递熵的有效性，然后将其应用于肌肉间耦合分析，以探索肌肉在非疲劳和疲劳状态下的肌肉间耦合网络特征。实验结果表明，当肌肉群进入疲劳状态时，可以调整群落结构，充分激活参与运动的肌肉节点，实现不同群落之间的双向互动。最后得出结论，该方法可以对复杂因果耦合做出准确的推断。此外，肌肉间耦合网络在非疲劳和疲劳状态下的特性可以为神经肌肉疲劳的诊断和运动康复提供新的理论视角，具有良好的应用价值。


    加载中


    [1] M.Bourguignon，V.Jousmaki，S.S.Dalai，K.Jerbi，X.D.Tiège，《人类大脑活动和身体运动之间的耦合：非侵入性电磁记录的见解》，神经成像,203(2019), 116177. https://doi.org/10.1016/j.neuroimage.2019.116177数字对象标识：2016年10月10日/j.neuroimage.2019.116177
    [2] Q.She，H.Zheng，T.Tan，B.Zhang，Y.Fan，Z.Luo，基于时频域连接的Granger因果关系及其在脑卒中皮质肌耦合中的应用，《国际人类杂志》。机器人。,16(2019), 1950018. https://doi.org/10.1142/S021984361950018X数字对象标识：10.1142/S021984361950018X号
    [3] P.Grosse、M.J.Cassidy、P.Brown、EEG-EMG、MEG-EMG和EMG-EMG频率分析：生理原理和临床应用，临床。神经生理学。,113(2002), 1523-1531. https://doi.org/10.1016/S1388-2457（02）00223-7数字对象标识符：10.1016/S1388-2457（02）00223-7
    [4] X.Chen、P.Xie、Y.Zhang、Y.Chen，S.Cheng、L.Zhang，中风后功能性皮质肌耦合异常，神经影像学-临床,19(2018), 147-159. https://doi.org/10.1016/j.nicl.2018.04.004数字对象标识：2016年10月10日/j.nicl.2018.04.004
    [5] C.M.Laine，F.J.Valero-Cuevas，帕金森氏病在动态自愿行动中表现出增强的肌间一致性，前面。Neurol公司。,11(2020), 204. https://doi.org/10.3389/fneur.2020.00204数字对象标识：10.3389/fneur.2020.00204
    [6] E.Colamarino、V.D.Seta、M.Masciullo、F.Cincotti、D.Mattia、F.Pichiorri等，简单手部运动中的皮层肌肉和肌肉间耦合，以实现混合脑-计算机接口，国际神经系统杂志.,31(2021), 2150052. https://doi.org/10.1142/s0129065721500520数字对象标识：10.1142/0129065721500520
    [7] V.Medved、S.Medved和I.Kovać，《表面肌电图（sEMG）作为医学和运动机能学教学科目和临床工具的批判性评价》，前面。Neurol公司。,11(2020), 1-17. https://doi.org/10.3389/fneur.2020.560363数字对象标识：10.3389/fneur.2020.560363
    [8] C.J.Houtman，D.F.Stegeman，J.P.V.Dijk，M.J.Zwarts，肌肉纤维传导速度的变化表明不同运动单位人群的补充，J.应用。生理学。,95(2003), 1045-1054. https://doi.org/10.1152/japplphysical.00665.2002数字对象标识：10.1152/jappl物理.00665.2002
    [9] J.Murillo-Escobar，Y.E.Jaramillo-Munera，D.A.Orrego-Metaute，E.Delgado-Trejos，D.Cuesta-Frau，基于生物力学特征和排列熵的动态收缩期间肌肉疲劳分析，数学。Biosci公司。工程师。,17(2020), 2592-2615. https://doi.org/10.3934/mbe.2020142数字对象标识：10.3934/20142年前
    [10] S.E.Jero、K.D.Bharathi、P.A.Karthick、S.Ramakrishnan，利用表面肌电信号的几何特征进行等长收缩中的肌肉疲劳分析，生物识别。信号。过程。,68(2021), 1-11. https://doi.org/10.1016/j.bspc.2021.102603数字对象标识：2016年10月10日/j.bspc.2021.102603
    [11] Q.Gao，J.Liu，Z.Ju，X.Zhang，基于手部检测和身体姿态估计的并行网络人机交互双手检测，IEEE传输。Ind.Electron公司。,66(2019), 9663-9672. https://doi.org/10.109/TIE.2019.2898624数字对象标识：10.1109/TIE.2019.2898624
    [12] Q.Gao，J.Liu，Z.Ju，基于深度学习的空间人机交互鲁棒实时手检测和定位，神经计算,390(2020), 198-206. https://doi.org/10.1016/j.neucom.2019.02.066数字对象标识：2016年10月10日/j.neucom.2019.02.066
    [13] 孙寅、徐春秋、李国力、万富强、孔建刚、江德江等，基于非冗余肌电信号的智能人机交互，亚历克斯。工程师J。,59(2020), 1149-1157. https://doi.org/10.1016/j.aej.2020.01.015数字对象标识：2016年10月10日/j.aej.2020.015
    [14] Z.Yang，D.Jiang，Y.Sun，B.Tao，X.Tong，G.Jiang等，基于多流残差网络的表面肌电信号动态手势识别，前面。比昂。生物技术。,9(2021), 779353. https://doi.org/10.3389/fbioe.2021.779353数字对象标识：10.3389/fbioe.2021.779353
    [15] J.Qi，G.Jiang，G.Li，Y.Sun，B.Tao，基于PCA和GRNN的表面肌电手势识别系统，神经系统。计算。申请。,32(2020), 6343-6351. https://doi.org/10.1007/s00521-019-04142-8数字对象标识：10.1007/00521-019-04142-8
    [16] 程瑜，李国荣，余明明，江德江，云军，刘玉英，等，基于表面肌电特征图像的手势识别，Concurr。计算。实际。支出。,33（2021年），e6051。https://doi.org/10.1002/cpe.6051数字对象标识：10.1002/cpe.6051
    [17] R.Ma，L.Zhang，G.Li，D.Jiang，S.Xu，D.Chen，基于sEMG信号的抓取力预测，亚历克斯。工程师J。,59(2020), 1135-1147. https://doi.org/10.1016/j.aej.2020.01.007数字对象标识：2016年10月10日/j.aej.2020.01.007
    [18] O.Sporns，图论方法：在大脑网络中的应用，对话诊所。神经科学。,20(2018), 111-120. https://doi.org/10.31887/dns.2018.20.2/osporns（网址：https://doi.org/10.31887/dns.2018.20.2/osporns）数字对象标识：10.31887/dcns.2018.20.2/osporns公司
    [19] J.N.Kerkman，D.Andreas，L.L.Gollo，B.Michael，T.W.Boonstra，人类肌肉骨骼系统的网络结构在多个时间尺度上塑造神经交互作用，科学。副词。,4(2018), 0497. https://doi.org/10.1126/sciadv.aat0497数字对象标识：10.1126/sciadv.aat0497
    [20] T.W.Boonstra，L.Faes，J.N.Kerkman，D.Marinazzo，多通道肌电的信息分解，以映射分布式电机系统中的功能交互，神经成像,202(2019), 116093. https://doi.org/10.1016/j.neuroimage.2019.116093数字对象标识：2016年10月10日/j.neuroimage.2019.116093
    [21] L.Barnett，A.K.Seth，MVGC多元Granger因果工具箱：Granger-casual推断的新方法，《神经科学杂志》。方法,223(2014), 50-68. https://doi.org/10.1016/j.jneumeth.2013.10.018数字对象标识：2016年10月10日/j.气.2013.10.018
    [22] P.A.Stokes，P.L.Purdon，《从神经科学角度研究格兰杰因果关系分析中遇到的问题》美国国家科学院院刊,114(2017), 7063-7072.https://doi.org/10.1073/pnas.1704663114
    [23] T.Schreiber，测量信息传输，物理学。修订稿。,85(2000), 461-464. https://doi.org/10.1103/physrevlett.85.461网址数字对象标识：10.1103/physrevlett.85.461
    [24] R.Marschinski，H.Kantz，《金融时间序列之间的信息流分析》，欧洲物理学。J.B.公司。,30(2002), 275-281. http://dx.doi.org/10.1140/epjb/e2002-00379-2数字对象标识：10.1140/epjb/e2002-00379-2
    [25] H.Kiwata，用变分近似方法分析动态伊辛模型：传递熵估计，物理学。版本E。,101(2020), 042102. https://doi.org/10.103/PhysRevE.101.042102数字对象标识：10.1103/物理版次E.101.042102
    [26] A.Sklar，随机变量，联合分布和系谱，Kybernetica岛,9(1973), 449-460.
    [27] S.R.Kasa，S.Bhattacharya，V.Rajan，用于高维聚类和基于依赖性的子类型的高斯混合连接函数，生物信息学,36(2020), 621-628. https://doi.org/10.1093/bioinformatics/btz599数字对象标识：10.1093/生物信息学/btz599
    [28] T.M.Erhardt，C.Czado，U.Schepsmeier，应用于日平均温度的空间时间序列的R-vine模型，生物计量学,71(2015), 323-332. http://dx.doi.org/10.1111/biom.12279数字对象标识：10.1111/生物12279
    [29] M.Hu，H.Liang，评估Granger因果关系的连接词方法，神经成像,100(2014), 125-134. https://doi.org/10.1016/j.neuroimage.2014.06.013数字对象标识：2016年10月10日/j.欧洲图像.2014.06.013
    [30] F.Sun，W.Zhang，N.Wang，W.Zhang，多降解过程相关性测量的copula熵方法，熵,21(2019), 724. https://doi.org/10.3390/e21080724数字对象标识：10.3390/e21080724
    [31] U.Schepsmeier，常规葡萄树连接模型的良好性检验，经济。修订版。,38(2019), 25-46. http://dx.doi.org/101080/07474938.2016.122231数字对象标识：10.1080/07474938.2016.1222231
    [32] J.Dissmann，E.C.Brechmann，C.Czado，D.Kurowicka，《选择和估算规则葡萄树连接词及其在财务回报中的应用》，计算。统计数据分析。,59(2013), 52-69. http://dx.doi.org/10.1016/j.csda.2012.08.010数字对象标识：2016年10月10日/j.csda.2012.08.010
    [33] J.Ma，《发现与copula熵的关联》，预印本，arXiv:1907.122682019年。https://arXiv.org/abs/1907.12268
    [34] T.Bedford，R.M.Cooke，用藤蔓建模的条件相关随机变量的概率密度分解，安。数学。Artif公司。智力。,32(2001), 245-268. http://dx.doi.org/10.1023/A:1016725902970doi（操作界面）：10.1023/A:1016725902970
    [35] J.N.Kerkman、A.Bekius、T.W.Boonstra、A.Daffertshofer、N.Dominic，肌肉协同和连贯网络反映了行走过程中的不同协调模式，前面。生理学。, 11 (2020), 751. https://doi.org/10.3389/fphys.2020.00751数字对象标识：10.3389/fphys.2020.00751
    [36] S.Wang、J.Zheng、B.Zheng和X.Jiang，基于sEMG的假手控制阶段抓握分类，生物传感器,12(2022), 57. https://doi.org/10.3390/bios12020057数字对象标识：10.3390/bios12020057
    [37] D.Chmielewska、G.Sobota、P.Dolibog、P.Dulibog和A.Opala-Berdzik，同步全身振动期间盆底肌表面肌电图（sEMG）记录的可靠性，公共科学图书馆期刊,16（2021），e0251265。https://doi.org/10.1371/journal.pone.0251265数字对象标识：10.1371/新闻稿0.251265
    [38] C.Wang，M.Cai，Z.Hao，S.Nie，C.Liu，H.Du等人，用于表面肌电图和应变测量的可拉伸多功能表皮传感器贴片，高级智能。系统。,三(2021), 2100031. http://dx.doi.org/10.1002/aisy.202100031数字对象标识：10.1002/aisy.202100031年
    [39] J.D.Cavalcanti、G.A.F.Fregonezi、A.J.Sarmento、T.Bezerra、L.P.Gualdi、F.Pennati等，《野外行走试验期间阻塞性呼吸系统疾病患者呼吸肌和运动肌的电活动和疲劳》，公共科学图书馆期刊,17（2022），e0266365。https://doi.org/10.1371/journal.pone.0266365数字对象标识：10.1371/日志.one.0266365
    [40] J.G.Augusson，J.Minker，一些图论聚类技术的分析，美国医学杂志。,17(1970), 571-588. https://doi.org/10.1145/321607.321608数字对象标识：10.1145/321607.321608
    [41] M.Windzio，“社会大脑”互惠，以及种族边界上的社会网络隔离，嗯，自然。,31(2020), 443-461. https://doi.org/10.1007/s12110-020-09382-5数字对象标识：2017年10月10日至2012年2月20日至2009年3月5日
    [42] J.Ushiyama，M.Katsu，Y.Masakado，A.Kimura，M.Liu，J.Ushinba，胫骨前肌持续次最大等长收缩后肌肉疲劳导致皮质肌连贯性增强，J.应用。生理学。,110(2011), 1233-1240. https://doi.org/10.1152/japplphyperical.01194.2010数字对象标识：10.1152/jappl生理学.01194.2010
    [43] T.W.Boonstra、A.Danna-Dos-Santos、H.B.Xie、M.Roerdink、J.F.Stins、M.Breakspear，《肌肉网络：姿势控制期间肌电活动的连通性分析》，科学。代表。,5(2015), 1-14. https://doi.org/10.1038/srep17830数字对象标识：10.1038/srep17830
    [44] A.Zhang，J.Fang，W.Hu，V.D.Calhoun，Y.Wang，脑成像遗传学混合数据分析的潜在高斯copula模型，IEEE/ACM传输。计算。生物信息。,18(2021), 1350-1360. https://doi.org/10.109/TCBB.2019.2950904数字对象标识：10.1109/TCBB.2019.2950904
    [45] M.T.Amin，F.Khan，S.Ahmed，S.Imtiaz，使用R-vine copula对非线性和非高斯过程系统进行基于风险的故障检测和诊断，工艺安全。环境。保护。,150(2021), 123-136. https://doi.org/10.1016/j.psep.2021.04.010数字对象标识：2016年9月10日/j.psep.2021.04.010
    [46] K.M.Steele，M.C.Tresch，E.J.Perreault，肌肉的数量和选择影响肌肉协同分析的结果，前面。计算。神经科学。,7(2013), 105. http://dx.doi.org/10.3389/fncom.2013.00105数字对象标识：10.3389/fncom.2013.00105
    [47] C.Li，G.Li，G Jiang，D.Chen，H.Liu，智能假肢动作识别的表面肌电数据聚合处理，神经计算。申请。,32(2020), 16795-16806. https://doi.org/10.1007/s00521-018-3909-z数字对象标识：10.1007/s00521-018-3909-z
  • 读者评论
  • ©2022作者，持牌人AIMS出版社。这是一篇开放存取的文章根据知识共享署名许可证的条款(http://creativecommons.org/licenses/by/4.0)
通讯作者:陈斌, bchen63@163.com邮箱
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. 中国知网
数学生物科学与工程
3.9

韵律学

文章观点(1370) PDF下载(53) 引用人(1)

预览PDF
下载XML
出口引文
文章大纲

图和表

数字(10) / 表格(2)

作者撰写的其他文章

相关页面

工具

/

返回
返回

目录