基于Gabor小波和格兰杰因果的脑-肌电同步性分析

谢 平 陈迎亚 张园园 邹 策 陈晓玲 张利泰

1(燕山大学电气工程学院河北省测试计量技术及仪器重点实验室，河北 秦皇岛 066000)2(燕山大学河北省控制工程重点实验室生物信息研究中心，河北 秦皇岛 066000)3(中国人民解放军第281医院康复医学科，河北 秦皇岛 066000)

基于Gabor小波和格兰杰因果的脑-肌电同步性分析

谢 平1,2*陈迎亚1张园园1邹 策1陈晓玲1张利泰3

1(燕山大学电气工程学院河北省测试计量技术及仪器重点实验室，河北 秦皇岛 066000)2(燕山大学河北省控制工程重点实验室生物信息研究中心，河北 秦皇岛 066000)3(中国人民解放军第281医院康复医学科，河北 秦皇岛 066000)

手部运动功能神经肌肉调节机制的研究在假肢控制、康复治疗和评价等方面具有重要意义。基于Gabor小波和格兰杰因果(WT-GC)实现皮层肌肉耦合(CMC)分析，并定义GC峰值频率和显著性面积指标，定量描述不同频段的脑-肌电耦合及信息流向特征。同步采集10名健康被试在10%和60%最大自主收缩力(MVC)下的脑电(EEG)与肌电(EMG)信号，运用脑-肌电同步性分析方法进行手部不同力量下的脑-肌电同步耦合特征分析。结果显示：与10%MVC相比，在60%MVC握力输出下，EEG→EMG和EMG→EEG方向GC峰值频率均向高频段转移；EEG→EMG方向上beta频段的GC显著性面积降低，并具有统计性差异(P<0.05)。研究结果验证，所提出方法能够有效刻画不同频段的皮层肌肉间能量耦合特征，可描述不同信息传递方向上的神经元同步振荡强度，也可揭示皮层肌肉运动系统通过调节神经元同步振荡强度、频段与流向来控制手部力量输出的神经机制，为探索手部运动控制与反馈信息解码提供了依据。

小波变换-格兰杰因果；脑-肌电同步；皮层肌肉耦合；信息流向；自主收缩力

EEG-EMG Synchronization Analysis Based onGabor Wavelet Transform-Granger Causality

引言

在人类及哺乳动物的初级感觉运动皮层均存在15～35 Hz的神经振荡活动[1]。运动神经系统通过神经振荡来传递运动控制信息，引起运动单元的同步性振荡活动，这种同步振荡活动揭示了运动过程中大脑皮层与肌肉间耦合(corticomuscular coupling, CMC)连接[2]。CMC的研究可以反映运动系统内部的信息流动，有助于理解神经肌肉运动控制及响应机制。由于脑电(electroencephalogram, EEG)信号和表面肌电(surface electromyographic, sEMG)信号分别包含了躯体运动控制信息和肌肉对大脑控制意图的功能响应信息，能够直接反映运动神经系统的功能状态，因此皮层肌肉间的耦合连接可以通过脑-肌电(EEG-EMG)信号的同步耦合分析来测量。

人手可以完成各种复杂精细的动作，关于手部运动功能神经肌肉调节机制的研究在假肢控制、运动医学、康复治疗和评价等方面具有重要意义。由神经通路损伤造成上肢运动功能障碍的患者手部抓握力量的丧失较为常见[3]，手部力量恢复是临床康复评价的一项重要指标。因此，研究手部不同力量输出时运动皮层和肌肉间功能耦合连接可为探索神经肌肉调节机制及临床康复评价提供依据。自1995年Conway等发现了运动过程中脑、肌电信号之间具有相关性[4]以来，研究者开始基于传统脑-肌电相干分析方法探讨手部不同力量水平输出时神经肌肉的调节机制。运动皮层的重要功能之一就是通过调制运动神经元的节律振荡活动控制肌肉运动[5]，因此手部不同力量的输出与运动系统不同的振荡活动相关。已有研究表明，beta频段(13～30 Hz)的皮层肌肉相干在手部微弱或适中的静态力输出时显著[6-7]；而在较大肌力或动态力输出时相干频率会向高频转移，出现在gamma频段(31～45 Hz)[7-9]；Brown等进一步指出gamma频段CMC与受试者完成任务时的注意力相关[7]；然而，Mima等发现手部从10%～60%最大自主收缩力(maximum volunteer contraction, MVC)输出下，CMC在幅值和频率上无显著性差异[10]；Witte等研究发现在手部较小静态力(4%和16% MVC)输出状态下，随着力的增大，beta频段的CMC幅值升高，且显著频段由高beta频段向低beta频段转移[11]。

上述研究表明，皮层肌肉不同频段的相干性与手部力量输出相关，体现不同的功能耦合关系。然而，大脑皮层与肌肉之间的同步振荡不仅从发出命令的大脑皮层传导至作为效应器的肌肉，同时也由肌肉反馈回大脑皮层[12]，以上基于传统相干方法的手部不同力量下脑-肌电同步性分析，不能体现皮层-肌肉间与方向相关的耦合关系，即难以区分神经肌肉对力量输出的调控是源于下行(EEG→EMG)方向还是上行方向(EMG→EEG)。而格兰杰因果性(Granger causality, GC)能够描述信息间的双向因果性传递规律，因此部分学者基于频域GC方法分析脑肌电同步耦合的方向性信息[13-15]。Whitham等基于频域GC方法研究发现，EEG→EMG方向上的平均相位延迟低于EMG→EEG方向[13]。然而，传统的频域GC方法存在模型阶数难以确定及频率分辨率受限等问题。研究脑-肌电间同步在频域上的变化规律更具有实际意义，因此频率分辨率不能过低，否则会丢失细节信息。基于小波变换高频率分辨率特点，本研究提出小波-格兰杰因果(wavelet transform-Granger causality, WT-GC)方法来更好地描述脑-肌电间同步耦合的频谱特征和信息流动方向，从EEG→EMG和EMG→EEG两个方向上探讨手部不同力量输出下皮层肌肉间不同频段的功能关联机制，为更好地理解神经肌肉的调控机制提供生理依据。

1 材料和方法

1.1 数据采集

选取10名无任何病史的健康的被试(在校大学生，均为男性，年龄(24.0±3.0)岁)，所有被试均签署了知情同意书。实验在安静的屏蔽室内进行，被试者端坐在舒适的座椅上，握力传感器的压力感应端放置于被试右手掌心，如图1(a)所示。目标力(target force, TF.上面那条)和被试实际输出力(exerted force, EF.下面那条)可显示在距离被试80 cm的屏幕上，为受试者提供视觉反馈，被试应实时维持目标力追踪输出力以维持恒定力输出，如图1(b)所示。

图1 EEG和EMG信号同步采集实验。(a)EEG和EMG数据记录；(b)目标力和实际输出力显示界面Fig.1 The synchronous acquisition of the EEG and EMG signals. (a) Recording of the EEG and EMG data; (b) Force profile generated by the mainpulandum during one trial

首先测试每位被试的MVC：被试以最大力输出维持5 s，共测量3次，以平均值作为被试的MVC。测试完MVC后，休息5 min，再要求被试以10% MVC和60% MVC的力进行抓握。为避免被试疲劳，每个任务实验维持10 s，重复30次，间隔休息2～3 min。握力信号的采样频率为50 Hz。

数据记录采用Neuroscan脑电采集系统同步采集EEG和sEMG。根据10～20系统电极放置法，采集64通道EEG。选取头顶CPZ为电极参考，AFZ额头中央接地，同时采集水平和垂直两通道眼电信号。利用Neuroscan脑电采集系统的预留通道采集受试者前臂尺侧腕屈肌(flexor carpi ulnaris, FCU)和桡侧腕长伸肌(extensor carpi radialis longus, ECRL)两块肌肉的sEMG。采样频率设定为1 000 Hz，并进行50 Hz陷波处理。

1.2 脑电与肌电信号预处理

首先对原始脑电信号进行1～45 Hz带通滤波，同时滤除基线漂移和工频等噪声干扰；再应用独立分量分析(independent component analysis, ICA)，去除眼电、肌电伪迹；ICA能够将多通道EEG分成多个相互独立信号，并可分离出明显的眼电、肌电等干扰成分。

对原始肌电信号进行5～200 Hz带通滤波，采用自适应滤波器滤除工频干扰；去除噪声后将脑电和肌电信号降采样到200 Hz，肌电信号进行全波整流。截取握力较为平稳状态下的数据段，进一步分割成长度为1 s的不重复的数据段，每位被试每种实验任务(10%或60% MVC)各得到240段数据。

1.3 WT-GC分析

皮层肌肉间不同频段的同步振荡体现不同的功能耦合关系，因此研究脑-肌电间同步在频域上的变化规律更具有实际意义。小波变换能同时提供信号时域和频域两方面的信息[16]，是分析EEG和EMG信号的一种有效手段。本研究选取具有更优时频分辨率的Gabor小波提取各频带EEG和EMG信号。

1.3.1 Gabor小波变换

令x(t)和y(t)分别表示本文第1.2节预处理后的一段EEG及EMG的时间序列，以EEG为例，其Gabor小波变换为

(1)

式中，wx(f,t)表示特定频率f的EEG在时间点t处的幅值特征，h(f,t)为Gabor函数，是由复正弦调制的高斯函数，即

(2)

式中：k1为归一化系数；ω0为无量纲常数，决定了时频分辨率；中心频率ω=ω0/a，a为尺度因子。

对EMG进行同样的Gabor小波变换，可得到特定频率f的EMG在时间点t处的幅值特征wy(f,t)。当频率分辨率为1时，既不丢失脑肌电间GC随频率变化的细节信息，也不会出现频率混叠现象，因此本研究设置频率分辨率为1Hz，分别提取中心频率f=1,2,…，50 Hz的EEG和EMG信号。

1.3.2 GC计算

以wx(f)和wy(f)分别表示预处理后的特定频率f下的一段EEG和EMG时间序列，其AR模型为

(3)

(4)

式中，a1j和d1j为模型系数，Σ1(f)和Γ1(f)分别代表序列wx(f)和wy(f)单变量自回归模型的方差，利用AIC准则确定模型的阶数p。

将EEG和EMG信号结合起来考虑，其双变量自回归模型可以表示为

(5)

(6)

式中，a2j、b2j、c2j、d2j为模型系数，Σ2(f)和Γ2(f)分别代表序列wx(f)和wy(f)双变量自回归模型的方差。同样，利用AIC准则确定模型的阶数p。

如果Σ1=Σ2，Γ1=Γ2，则wx(f)和wy(f)是相互独立的；如果Σ1>Σ2，则意味着拟合模型式(3)中加入wy(f)可以使拟合精度提高，从而认为序列wy(f)是序列wx(f)的因。由此，定义wy(f)对wx(f)的GC为

(7)

类似可以定义wx(f)对wy(f)的GC为

(8)

1.3.3 脑-肌电间同步耦合定量指标

Baker等指出，一致性显著阈值求取方法同样适用于GC显著性分析[12]，显著性阈值CL可计算为

(9)

式中，n为数据段数目，α为置信水平(本研究设置为0.95)，超过显著性阈值为GC显著。

进一步，为定量描述不同情况下各频段脑-肌电间的同步耦合差异，具体定义GC显著性面积指标AGC(Ax→y或Ay→x)和峰值频率指标FGC。AGC为GC曲线以下显著相干阈值以上的面积，计算公式为

(10)

(11)

式中：Δf表示频率分辨率；Ax→y和Ay→x则分别表示EEG→EMG和EMG→EEG方向上的GC显著性面积指标，其数值越大表示此频段范围内脑肌电耦合强度越强，反之亦然。

FGC为脑-肌电间GC在显著性阈值以上的峰值所对应的频率点。

1.3.4 统计性分析

为了更好地比较10%与60%MVC下各频段GC的统计差异，在EEG→EMG方向上，对10%MVC和60%MVC两组的各频段的AGC进行重复测量方差分析，检验组内(不同频段)、组间因素(不同握力)对观测变量的影响。随后，分别对主效应显著的因素对应的AGC进行两独立样本t检验。在EMG→EEG方向上，做同样的统计分析。在进行统计分析前，AGC应进行如下变换以尽量满足正态分布和方差齐性，即

(12)

为进一步分析影响脑-肌电GC的因素，对任务完成程度和AGC进行Pearson相关检验。通过计算实际输出力与期望力的均方根误差(rootmeansquarederror,RMSE)来评定任务完成程度，RMSE计算公式为

(13)

式中，EFki为第i段数据第k个采样点的实际输出力幅值，n为数据段数，s为每段力数据的采样点数。

2 结果

按照本文第1.1节中实验过程，分别同步采集10名健康被试在10%和60%MVC两种握力下的脑电和表面肌电信号，按第1.2节中方法进行预处理，图2(a)为存在眼电伪迹的原始脑电信号，可以看出原始脑电信号中含有明显的眼电和高频肌电伪迹。图2(b)为分解出来的部分独立分量，第1、6、7、8个分量的脑地形分布和频谱如图3所示。第1个分量频谱能量集中在8Hz左右，分布在前额区域，结合其时域波形明显可以看出是眨眼时产生的眼电伪迹；第8个分量频谱能量也集中在8Hz左右，分布在前额两侧区域，结合其时域波形可以推断是眼球左右移动时产生的眼电伪迹；第6和7个分量频谱能量在高频区域较强，分布在前额两侧区域，结合其时域波形可以推断是眨眼、眼球运动、皱眉产生的高频肌电伪迹。去除第1、6、7、8个分量，重组后得到脑电信号如图2(c)所示，可以看出明显降低了脑电中的眼电和肌电伪迹干扰。

图2 基于ICA的去眼电和肌电伪迹过程。(a)含有伪迹的EEG；(b)ICA分解后各成分信号；(c)去除伪迹成分后的EEGFig. 2 Removing of ocular artifact from EEG based on ICA. (a)Raw EEG containing artifact; (b)Components based on ICA decomposition; (c)EEG after removing artifact

图3 部分独立分量的脑地形分布(左)和频谱(右)。(a)第1个分量；(b)第6个分量；(c)第7个分量；(d)第8个分量Fig. 3 Brain topographic map (left) and spectra power (right) of some components. (a)Component 1; (b)Component 6; (c)Component 7; (d)Component 8

进行预处理后得到每个任务下240段时长为1s的数据。按本文第1.3.1节方法，运用Gabor小波变换提取1～50Hz内各频带EEG和EMG信号，图4为预处理后的一段EEG、EMG信号及经小波变换后提取的8、15、30Hz频带的EEG、EMG信号。可以看出，经过Gabor小波变换后，EEG和EMG信号各频带信号很好地被提取出来，且频率分辨率不受AR模型阶数影响。按照文中第1.3.2～1.3.4节方法计算各频带EEG和EMG信号间GC关系，并对握力数据进行分析，下面分别从GC总体趋势、GC定量指标和GC与任务完成程度相关分析几方面进行说明。

图4 信号的Gabor小波变换(自上而下为预处理后信号，以及经小波变换后提取的8、15、30 Hz频带的信号)。(a)EEG；(b)EMGFig. 4 The Gabor-based wavelet transform of the EEG and EMG signals(from top to bottom are the pretreated signals and the 8，15，30 Hz signals after wavelet transform). (a) EEG; (b) EMG

2.1 各频段的脑-肌电GC总体趋势分析

按照本文第1.3.2节方法分别计算所有被试各个频段每个通道脑电和每个通道肌电格兰杰因果影响GEEG→EMG和GEMG→EEG，进一步按照本文第1.3.3节方法分别计算EEG→EMG和EMG→EEG方向上的5～45Hz频段范围内的GC显著性面积指标AGC(EEG→EMG)和AGC(EMG→EEG)。图5为被试S1在10%和60%MVC两种握力下，EEG→EMG方向上所有通道脑电和ECRL通道肌电间在5～45Hz频段上AGC的脑地形图和所有被试的平均脑地形图，可以看出在两种握力下AGC的皮层分布类似，左侧感觉运动区(FC5,FC3,FC1,C3,C1,C5,CP5,

CP3,CP1)与ECRL之间的GC耦合幅值最强而不受任务影响。在EMG→EEG方向上计算得到的AGC结果类似并且不存在个体差异性。由于被试运动时为右手抓握力传感器，所以这一现象合理说明了肢体运动受对侧脑区控制。分别选取每位被试最强幅值AGC所对应的脑电和肌电通道，进一步分析不同握力下脑-肌电GC差异性，10名被试选取的脑电通道如表1所示，肌电通道均为ECRL。

图5 被试S1在EEG→EMG方向上5～45 Hz频段AGC(上)及所有被试平均AGC(下)的脑地形图。(a)10% MVC；(b)60% MVCFig. 5 The brain topographic map of AGC values among 5～45 Hz frequency bands in EEG→EMG direction for Subject S1 and the average AGC values across all participants. (a)10% MVC task; (b)60% MVC task

表1 最强脑-肌电GC幅值所对应的脑电通道

Tab.1 The highest GC values across all pairs of EEG and EMG channels

被试10%MVC60%MVCEEG→EMGEMG→EEGEEG→EMGEMG→EEGS1FC3FC3C5C5S2FC1FC1C3C3S3C3C3CP3CP3S4FC3FC3CP5CP5S5C1C1C3C3S6CP3CP3CP1CP1S7C3C3FC1FC1S8FC5FC5C3C3S9FC3FC3C1C1S10C3FC3C3FC5

图6 被试S2、S5、S7(上、中、下)的脑-肌电格兰杰因果分析。(a)10% MVC；(b)60% MVCFig.6 The EEG- EMG GC values of subjects S2(upper), S5(middle) and S7(lower). (a)10% MVC; (b)60% MVC

图6为被试S2、S5、S7分别在10% MVC与60% MVC两种力下GEEG→EMG和GEMG→EEG对比图，虚线为GC显著性阈值CL。可以看出，脑-肌电间同步耦合关系在频域上的变化规律能清晰地显现出来；3名被试在EEG→EMG方向上的GC强度均高于EMG→EEG方向；GEEG→EMG主要在beta频段显著，且有明显的峰值，而GEMG→EEG在alpha、beta、gamma频段均出现不同峰值。这说明稳定力输出状态下，皮层肌肉功能耦合具有双向性，但主要在EEG→EMG方向上显著；皮层命令通过beta频段振荡传递到肌肉并引起肌电beta频段振荡；而由肌肉到皮层的感觉反馈导致的脑肌电耦合在多个频段显著。此研究结果与已有研究结论一致[13]。

2.2 不同方向上脑-肌电GC定量指标分析

图7 所有被试在10% MVC(空心)和60% MVC(实心)力输出下GC峰值频率比较(圆圈和三角图标内数字为被试编号，方框图标表示所有被试的平均值)。(a)EEG→EMG；(b)EMG→EEGFig.7 The comparison of GC peak frequency in all subjects under 10% MVC (hollow) and 60% MVC (solid) tasks. The numbers in circle and triangle represent the subjects, the square represent the average values of all subjects. (a)EEG→EMG; (b)EMG→EEG

为进一步定量描述不同握力下脑-肌电GC在功能频段上的差异性，按照文中第1.3.3节方法计算所有被试在EEG→EMG和EMG→EEG方向上的GC峰值频率，如图7所示，其中方框图标代表10名被试GC峰值频率的平均值。由图7可知：一是在EEG→EMG方向上，随着力输出增大(10% MVC～60%MVC)，除被试1外，GC峰值频率由低beta(13～19 Hz)向高beta频段(20～30 Hz)转移。二是在EMG→EEG方向上，10% MVC输出下，GC峰值频率在beta和gamma频段均有出现；而60% MVC下GC峰值频率集中在高beta和gamma频段上；除被试1外，随着力的增大，GC峰值频率随之增大。

由图6可知，在两种握力下所有被试的GEEG→EMG和GEMG→EEG主要在beta或gamma频段上显著。为了更好地比较不同握力下各频段脑肌电同步耦合强度的差异，按照本文第1.3.3节方法计算所有被试EEG→EMG及EMG→EEG方向上的beta和gamma频段GC显著面积指标AGC及所有被试的AGC平均值，并按照本文第1.3.4节方法进行统计性分析，8名被试的结果如图8所示，另外2名被试EEG→EMG和EMG→EEG方向上均未出现显著的因果性关系，可能是由于伪迹干扰的影响或是存在个体差异性。由图8可知：不同方向上比较，在两种握力下，EEG→EMG方向的beta频段AGC均明显高于EMG→EEG方向的beta频段AGC，这与图4的结果一致，而gamma频段AGC在两个方向上无明显差异；不同握力下比较，在EEG→EMG方向上，随着握力增大(10%MVC～60%MVC)beta频段AGC降低，并具有统计性差异(P=0.038)，图8中*表示在P=0.05具有显著差异，而在EMG→EEG方向上beta频段的AGC在两种握力下无显著差别(P=0.59)。部分受试者在60% MVC握力下，在EEG→EMG和EMG→EEG方向上gamma频段的AGC增大，但不存在显著性差异(P=0.144，P=0.294)。

图8 8名被试在10% MVC和60% MVC力输出下AGC及所有被试AGC平均值(*表示在P=0.05水平上具有显著差异)。(a)Beta频段AGC；(b)Gamma频段AGCFig.8 The AGC values of six subjects under 10% MVC and 60% MVC output and the average AGC values across all participants(* indicates the difference is significant when confidence is 0.05). (a) The AGC values at beta frequency; (b)The AGC values at gamma frequency

2.3 任务完成程度与GC分析结果相关分析

为了分析上述差异是否与任务完成程度相关，按照本文第1.3.4节方法计算两种握力的RMSE，结果如图9所示。可以看出，60% MVC握力输出误差显著高于10% MVC(P=0.001)。进一步将EEG→EMG和EMG→EEG方向上beta和gamma频段的AGC分别与RMSE做Pearson相关检验，结果如表2所示。可以看出，EEG→EMG方向上beta频段AGC与力输出误差成反比，而EEG→EMG方向上gamma频段AGC及EMG→EEG方向上beta和gamma频段的AGC均与力输出误差无显著相关关系。

图9 10% MVC和60% MVC握力输出均方根误差(*表示在P=0.05水平上具有显著差异)Fig.9 The RMSE under 10% MVC and 60% MVC grip task(* indicates the difference is significant when confidence is 0.05)

Tab.2 The Pearson correlation-based statistical results between theAGCvaluesandtheRMSEvalues

EEG→EMGEMG→EEGAGC(beta)AGC(gamma)AGC(beta)AGC(gamma)RMSE相关系数-0888∗∗0314-．086．302显著性(双边)00010321．689．340

注：**表示在P=0.01水平上具有显著差异。

Note：**indicates the difference is significant when confidence is 0.01.

3 讨论

目前，关于手部不同力量下脑肌电同步特征的研究并不多见，且大多数基于传统相干性分析方法，不能给出脑-肌电耦合的方向性信息。本研究提出WT-GC算法，从EEG→EMG和EMG→EEG两个方向上探讨手部不同握力下脑-肌电同步特征差异。与传统频域GC相比，WT-GC具有更优的频率分辨率，全面揭示了脑-肌电同步耦合的频谱特征和方向性信息。

针对与握力任务无关的脑肌电间GC整体分布情况，在EEG→EMG和EMG→EEG方向上GC幅值最强的脑电通道都分布在左侧感觉运动区而不受任务影响，这一现象合理说明了肢体运动受对侧脑区控制，与已有研究结果一致[21]。但由于个体差异性，每名被试的具体脑电通道会存在一定差异性。下面主要讨论受握力影响的GC变化的生理机制。

3.1 GC峰值频率变化规律及生理机制

在较大力量输出下，脑-肌电GC的峰值频率在EEG→EMG和EMG→EEG方向上均向高频段转移，说明神经肌肉运动神经元同步振荡频率加快，这可能由于肌肉收缩增强时需要更多运动神经元的参与，并且募集到的神经元电位发放率加快[17]。研究表明，皮层运动神经元的电位发放率会随着静态力输出的增大而加快[18]；猴子的运动皮层神经元电位发放率与手指抓握力量间也有类似的正比关系[19]。然而，Witte等研究发现[11]，与16% MVC输出相比，在4% MVC输出下脑-肌电相干频率增大且beta频段相干幅值降低，即在较小力输出下，相干峰值频率增大。这说明在维持很小或很大静态力输出时神经元电位发放率均加快，由此推断，脑-肌电较高频段同步振荡参与任务选择性注意的感觉认知活动。

3.2 Beta频段脑肌电同步振荡

在较大力量输出下，在EEG→EMG方向上beta频段的同步振荡幅值下降，这说明较大静态力输出下，力的大幅值波动抑制了皮层到肌肉beta频段的耦合强度。研究表明，beta频段的皮层肌肉功能耦合体现了运动皮层相对稳定的控制状态，即运动皮层耗费较少能量即可维持稳态运动[20]。当维持较大力时，运动皮层需要耗费更多能量来维持稳态运动，力的大幅值波动表明运动系统已不处于一个严格稳定的状态，由此导致EEG→EMG方向上beta频段的皮层肌肉功能耦合强度降低，说明EEG→EMG方向上beta频段的皮层肌肉功能耦合主要促进维持力稳定输出。

Beta频段皮层肌肉功能耦合与运动完成效果相关性的研究可为运动功能障碍的临床分析提供依据。本研究发现EEG→EMG方向上beta频段脑-肌电GC强度与运动完成效果显著正相关，即beta频段皮层肌肉耦合依赖于运动控制精度。Mendez Balbuena等研究发现类似的相关关系，在非预测力下脑-肌电相干幅值降低[21]。传入神经阻滞患者运动控制精度的下降，伴随着脑-肌电相干性的缺失[22]。因此，EEG→EMG方向上beta频段的皮层肌肉功能耦合，体现了皮层与运动神经元间有效的稳态连接性。

研究证实，beta频段脑-肌电同步耦合主要体现了皮层对肌肉的控制信息[20]，即脑-肌电间GC主要在EEG→EMG方向上显著，因此不同力量水平并不影响EMG→EEG方向上beta频段的感觉反馈信息。

3.3 Gamma频段脑肌电同步振荡

研究表明，gamma频段脑-肌电同步性与较大或动态力输出相关[7-9]。本研究的实验结果表明，在60% MVC握力下，被试S3、S5、S6、S7在gamma频段出现显著性脑肌电同步耦合，尤其在EMG→EEG方向上gamma频段脑-肌电GC更为显著。EEG→EMG方向出现gamma频段GC耦合强度增强可能与受试者在维持较大力输出时注意力更加集中有关。研究证实，gamma频段振荡与注意力改变相关[23-25]；Bauer等指出，任务注意力的增强会促进神经元gamma频段活动[23]。EMG→EEG方向出现gamma频段GC耦合强度增强可能与肌肉Piper节律振荡相关，即在肌肉强力收缩过程中出现40 Hz左右(Piper节律)肌电节律性振荡[26]并反馈给运动皮层，从而出现EMG→EEG方向上的gamma频段显著性因果关系。因此，gamma频段皮层肌肉功能耦合体现了与任务注意力相关的运动信息处理与整合过程。但是，gamma频段皮层肌肉耦合仍具有个体差异性。

Fang等发现中风患者手部运动时脑、肌电相干性在gamma频段较健康人有所缺失[27]。因此，神经肌肉耦合可能作为一种潜在的康复评价手段，这对运动功能障碍患者的运动功能恢复具有重要意义。本研究主要基于WT-GC方法对健康人手部不同力量输出的神经肌肉调控机制进行探讨，研究方法和结果为进一步研究运动障碍患者在皮层肌肉耦合层面的病理机制提供基础，同时在脑网络、认知功能连接等其他神经科学领域有着潜在的应用价值。

4 结论

本研究构建WT-GC分析方法，探讨手部不同握力输出下脑-肌电信号同步耦合在耦合强度、频段及信息流向特征上的差异性。实验结果表明，WT-GC方法具有更优的频率分辨率，能够全面揭示脑-肌电同步耦合的频谱特征和方向性信息，也揭示了皮层肌肉运动系统通过调节神经元同步振荡强度、频段与流向来控制手部力量输出的神经机制。这些研究结果有助于进一步探索手部运动控制与反馈机制，为神经肌肉耦合在临床康复评价上的应用提供了神经生理依据。

(致谢：感谢实验工作人员杨芳梅、郭子晖在研究工作中给予支持。)

[1] Sanes JN, Donoghue JP. Oscillations in local field potentials of the primate motor cortex during voluntary movement [J]. Proceedings of the National Academy of Sciences, 1993, 90(10): 4470-4474.

[2] Groß J, Tass PA, Saleninus S, et al. Cortico-muscular synchronization during isometric muscle contraction in humans as revealed by magnetoencephalography [J]. The Journal of Physiology, 2000, 527(3): 623-631.

[3] 何艳, 侯文生, 郑小林, 等. 经颅磁刺激对握力影响机理的初步研究[J]. 中国生物医学工程学报, 2008, 27(6): 942-945.

[4] Conway BA, Halliday DM, Shahani U, et al. Common frequency components identified from correlations between magnetic recordings of cortical activity and the electromyogram in man [J]. J Physiol, 1995, 483: 35-35.

[5] Fetz EE. Volitional control of cortical oscillations and synchrony [J]. Neuron, 2013, 77(2): 216-218.

[6] Lim M, Kim JS, Kim M, et al. Ascending beta oscillation from finger muscle to sensorimotor cortex contributes to enhanced steady-state isometric contraction in humans [J]. Clinical Neurophysiology, 2014, 125(10): 2036-2045.

[7] Brown P, Salenius S, Rothwell JC, et al. Cortical correlate of the Piper rhythm in humans [J]. Journal of Neurophysiology, 1998, 80(6): 2911-2917.

[8] Mehrkanoon S, Breakspear M, Boonstra TW. The reorganization of corticomuscular coherence during a transition between sensorimotor states [J]. Neuroimage, 2014, 100: 692-702.

[9] 马培培, 陈迎亚, 杜义浩, 等. 中风康复运动中脑-肌电相干性分析 [J]. 生物医学工程学杂志, 2014, 31(5): 971-977.

[10] Mima T, Simpkins N, Oluwatimilehin T, et al. Force level modulates human cortical oscillatory activities [J]. Neuroscience Letters, 1999, 275(2): 77-80.

[11] Witte M, Patino L, Andrykiewicz A, et al. Modulation of human corticomuscular beta-range coherence with low-level static forces [J]. European Journal of Neuroscience, 2007, 26(12): 3564-3570.

[12] Witham CL, Riddle CN, Baker MR, et al. Contributions of descending and ascending pathways to corticomuscular coherence in humans [J]. The Physiol Soc, 2011, 589(15): 3789-3800.

[13] Baker SN, Chiiu M, Fetz EE. Afferent encoding of central oscillations in the monkey arm [J]. Journal of Neurophysiology, 2006, 95(6): 3904-3910.

[14] Witham CL, Wang M, Baker SN. Corticomuscular coherence between motor cortex, somatosensory areas and forearm muscles in the monkey [J]. Frontiers in Systems Neuroscience, 2010: 4.

[15] 牛小辰, 陈晓玲, 陈迎亚, 等. 基于格兰杰因果性的行走状态下脑肌电同步分析 [J]. 中国生物医学工程学报, 2014, 31(6): 696-706.

[16] 席旭刚, 李仲宁, 罗志增. 基于相关性分析和支持向量机的手部肌电信号动作识别 [J]. 电子与信息学报, 2008, 30(10): 2315-2319.

[17] Nunez PL, Srinivasan R. Electric fields of the brain: the neurophysics of EEG [J]. Physics Today, 2008, 35(35):59-59.

[18] Siemionow V, Yue GH, Ranganathan VK, et al. Relationship between motor activity-related cortical potential and voluntary muscle activation [J]. Experimental Brain Research, 2000, 133(3): 303-311.

[19] Hepp-Reymond MC, Wannier TMJ, Maier MA, et al. Sensorimotor cortical control of isometric force in the monkey [J]. Progress in Brain Research, 1989, 80: 451-463.

[20] Brown P. Cortical drives to human muscle: the Piper and related rhythms [J]. Progress in Neurobiology, 2000, 60(1): 97-108.

[21] Mendez-Balbuena I, Naranjo JR, Wang X, et al. The strength of the corticospinal coherence depends on the predictability of modulated isometric forces [J]. Journal of Neurophysiology, 2013, 109(6): 1579-1588.

[22] Kilner JM, Fisher RJ, Lemon RN. Coupling of oscillatory activity between muscles is strikingly reduced in a deafferented subject compared with normal controls [J]. Journal of Neurophysiology, 2004, 92(2): 790-796.

[23] Bauer M, Oostenveld R, Peeters M, et al. Tactile spatial attention enhances gamma-band activity in somatosensory cortex and reduces low-frequency activity in parieto-occipital areas [J]. The Journal of Neuroscience, 2006, 26(2): 490-501.

[24] 王静, 李小俚, 邢国刚, 等. Gamma 神经振荡产生机制及其功能研究进展 [J]. 生物化学与生物物理进展, 2011, 38(8): 688-693.

[25] Honkanen R, Rouhinen S, Wang SH, et al. Gamma oscillations underlie the maintenance of feature-specific information and the contents of visual working memory [J]. Journal of Cellular Biochemistry, 2015, 25(10): 239-250.

[26] Piper H. Über den willkürlichen muskeltetanus [J]. Pflügers Archiv European Journal of Physiology, 1907, 119(6): 301-338.

[27] Fang Y, Daly JJ, Sun JY, et al. Functional corticomuscular connection during reaching is weakened following stroke [J]. Clin Neurophysiol, 2009, 120(5): 994-1002.

Xie Ping1,2*Chen Yingya1Zhang Yuanyuan1Zou Ce1Chen Xiaoling1Zhang Litai3

1(YanshanUniversity,CollegeofElectricalEngineering,KeyLabofMeasurementTechnologyandInstrumentation

ofHebeiProvince,QinhuangdaoHebei066000,China)2(YanshanUniversity,KeyLaboratoryofControlEngineeringofHebeiProvince,BiologicalInformationResearchCenter,QinhuangdaoHebei066000,China)3(DepartmentofRehabilitationMedicine,theNo.281HospitalofChinesePeople′sLiberationArmy,Qinhuangdao,Hebei066004,China)

The corticomuscular coordinate mechanism of hand movements has important application values in prosthesis control, rehabilitation treatment and evaluation. This paper proposed Gabor wavelet transform-Granger causality (WT-GC) method to analyze corticomuscular coupling (CMC). Furthermore, the GC peak frequency and significant GC area were defined to quantitatively describe the corticomuscular function coupling and information flow direction at different frequencies. We collected the EEG and EMG datasets acquired simultaneously from 10 healthy subjects during maintaining static forces at 10% and 60% of their maximal voluntary contraction (MVC) isometrically. The proposed wavelet transform-Granger causality (WT-GC) method was used to analyze the synchronization between EEG and EMG data. Results showed a shift of GC peak frequency to higher frequency range for 60% MVC as compared with 10% MVC in both EEG→EMG and EMG→EEG directions. There was a decreased significant GC area appearing at beta band in EEG→EMG direction for 60% MVC. It was verified that the TF-GC method proposed could describe the corticomuscular coupling frequency and directional features. In addition, corticomuscular controls the force output of hand by adjusting neuronal oscillation amplitude, frequency and flow direction. In conclusion, this analysis provided a basis for exploring the motor control and feedback information encoding of hand.Key words：WT-GC; EEG-EMG synchronization; corticomuscular coupling; flow direction; voluntary contraction

10.3969/j.issn.0258-8021. 2017. 01.004

2016-01-14， 录用日期:2016-09-05

国家自然科学基金(61271142, 61503325)； 河北省自然科学基金(F2015203372)

R318

A

0258-8021(2016) 06-0028-11

*通信作者(Corresponding author)， E-mail: pingx@ysu.edu.cn