1.基于同步筛选的脑区间耦合分析方法，其特征在于，该方法包括如下步骤：(1).同步采集了在不同握力输出时，32通道脑电信号EEG和12通道肌电信号EMG；

(2).选取步骤(1)中获取的C3、C4、CP5、CP6通道脑电信号和肱桡肌肌电信号，对其进行小波阈值消噪处理，滤除心电、体位的影响并对EEG与EMG进行了时延分析；

(3).使用同步筛选算法，以EMG肱桡肌信号为基准数据，对EEG运动区C3、C4通道与感觉区CP5、CP6通道的信号进行同步筛选，得到EEG与EMG相关的数据SSEM；

同步筛选算法，具体算法如下：

对于任意两列时间序列：X1＝{x1,x2,x3,…}；Y1＝{y1,y2,y3,…}；X1、Y1每一元素都有一个固定的标签，各元素在X1或Y1中的索引值为其对应的标签值；X1,Y1对应的标签序列为WX1、WY1,WX1＝{1,2,3,…}；WY1＝{1,2,3,…}；

X2＝V(X1)          (1)

V(X)表示将X进行非递减的排序；在改变X1中元素的位置得到非递减的X2时，为了实现标签和元素的一一对应，标签序列中标签会发生与X1中元素相同的位置改变，从而得到X2对应的索引序列WX2；

Y2＝T(WX2,Y1)      (2)

T(WX2,Y1)表示将WX2中存放的标签序列当作Y1新的索引序列，对Y1进行重新排列；因为Y1为非递减序列，若X1、Y1完全同步,Y2必为非递减序列；当X1、Y1不完全同步时,Y1中的非同步成分会导致无法将T(WX2,Y1)映射成非递减序列；根据这一特点，通过Y2去掉Y1中的非同步成分；

其中Y3(i)表示Y3中第i个索引元素值，Y2(i)表示Y2中第i个索引元素值；若Y2中某索引大的元素值等于索引小的元素值，则将该值赋值为0，从而得到新的序列Y3；Y3即：对于Y2中的yn、ym,此处n、m为索引，若yn＝ym，n

T(WY1,Y3)表示将WY1中存放的标签序列当作Y3新的索引，对Y3进行重新排列；Y4与原始时间序列Y1具有相同的排序，但与X1非同步的成分都已置0；将X1中为0的元素全部去除，得到Y5；Y5即为Y1基于X1同步筛选后的结果；

(4).结合SSEM，计算在不同握力下大脑运动区C3、C4与感觉区CP5、CP6之间基于同步筛选的符号传递熵，分析脑区间的耦合性；

所述基于同步筛选的符号传递熵，具体算法如下：

同步筛选即为步骤(3)中提到的同步筛选算法；符号传递熵算法如下：

首先对时间序列进行符号化处理，根据时间序列的数值特点进行符号划分的静态法,公式如下：式(5)中，Si为划分好的符号集，xi为时间序列Xt＝{x1,x2,x3,…}中的数据点；B1,B2...BN-1是一系列截断点；设符号划分数量为pieces，pieces＝N；pieces的大小可以任意的放大或缩小；将原始数据符号化后，计算的传递熵称为符号传递熵；

传递熵定义如式(6)：设Xt,Yt为两个长度为n的时间序列，各自从t-1到t-p的历史记为I(X；Y-|X-)表示X与Y-在X-条件下的互信息；则Yt对Xt的传递熵TX→Y定义为X与Y-在X-下的互信息；

在相同的符号集下，计算TX→Y越大，表明数据X传递到数据Y的信息量越多，X对Y的影响越大。