一种基于图像聚类的神经解码方法

本发明涉及一种基于图像聚类的神经解码方法，有助于监测肌肉状态，更能有效解释运动皮层神经元活动如何编码运动的。

背景技术：

1、在过去的几十年中，表面肌电图(semg)由于其无创性和使用方便，已被广泛用于研究肌肉疲劳的生化和生理改变。一些研究人员已经研究了肌肉疲劳过程中表面肌电信号的幅度和频率变化。正如我们所看到的，表面肌电图是研究肌肉状态的一种有前途的技术。

2、现有的运动脑机接口多数研究通过分析运动皮层神经元活动，拟合肢体运动的位置、速度等信息，将皮层神经元活动映射到外部动力学参数(如位置、速度、力等)上，来控制外部机械设备进行运动执行，而非真正的肢体。虽然运动皮层记录到的神经元活动与外部设备采集到的运动学参数有很高的相关性，但是涉及关于肢体肌肉的直接运动参数的研究相对较少。emg比传统的动力学参数具有更大的带宽，作为运动产生的生物体内电生理信号，许多研究已经证实了emg在功能上与皮层神经元放电直接相关。直接探索肌肉活动与神经元活动之间是否存在映射关系，排除了肢体肌肉活动与外部设备间的传递，使得神经信号与肢体运动之间的实时性更高，更能有效解释运动皮层神经元活动如何编码运动的。

技术实现思路

1、鉴于以上所述技术的缺陷，本发明的目的在于提供一种基于图像聚类的神经解码方法，其包括如下步骤：

2、步骤一：查找高密度semg信号中，肌肉运动单元初始发放时刻γ(n)＝{n1,n2,....,nn}，记录初始时刻所在电极的列号；

3、步骤二：取出初始发放时刻n1，计算初始解码序列iptn1，解码序列计算公式如下：

4、

5、其中为解码序列，为扩展的表面肌电信号，由初始测量的延迟重复组合而成，表示扩展表面肌电信号与mu尖峰序列之间的互相关向量，是自相关的倒数，并且找到iptn1中最大峰值对应的时刻ns1，利用公式(1)进一步计算初始解码序列ipts1，从该序列中挑选出最大k个峰值所对应时刻φk＝{np1,np2,....,npk}，时刻φk＝{np1,np2,....,npk}是大于阈值thr的时刻。截取φk中每个时刻所在列电极信号的波形，每个波形长度20ms-40ms，列电极是垂直肌纤维方向，这样时刻np1可以得到列信号波形x1(np1),x2(np1),…,xl(np1)，l为列电极个数，将波形x1(np1),x2(np1),…,xl(np1)按次序首尾拼接组成向量z1(np1)，按照上述步骤，k个时刻np1,np2,....,npk可以得到k个向量z1(np1),z2(np2),…,zk(npk)，将向量z1(np1),z2(np2),…,zk(npk)分别转换为k个图像i1(np1),i2(np2),…,ik(npk)，对i1(np1),i2(np2),…,ik(npk)聚类，找出含有最多图像的一类，记录该类对应的时刻δj＝{np1,np2,....,npj}(j＜k)；

6、步骤三：求取平均值利用公式(1)计算得到iptn'0，取出iptn'0中最大的r个峰值所对应的时刻φr＝{np1,np2,....,npr}，计算平均值利用公式(1)计算得到iptn”0，再从iptn”0中取出最大的r+np个峰值所对应的时刻，重复h次步骤3，得到r+h*np个时刻，即神经解码序列ipt1；

7、步骤四：逐个取出初始发放时刻，重复步骤2-3，得到多个神经解码序列；

8、步骤五：直到找不到新的神经解码序列，退出上述步骤。

9、采用上述方法提供一种神经解码方法，以便更好地了解神经肌肉控制策略和神经生理机制。本发明提出的方法将时间序列转换为图像，利用图像技术，有效提高解码的精确性，实现简单。

技术特征：

1.一种基于图像聚类的神经解码方法，其包括如下步骤：

技术总结本发明提供一种基于图像聚类的神经解码方法，首先查找高密度表面肌电信号中初始发放时刻，其次计算初始解码序列，然后将初始解码序列中每个时刻前后一段波形转换为图像，利用图像聚类找到最多发放时刻的一类，迭代计算，最后得到神经解码序列，本发明有效提高追踪精确性。技术研发人员：何金保受保护的技术使用者：宁波工程学院技术研发日：技术公布日：2024/8/1