义浩 杜
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
文娟 杨
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
文轩 姚
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
文靖 齐
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
晓玲 陈
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
博多 谢
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
平 谢
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
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 066004）,
Key Lab of Measurement Technology and Instrumentation of Hebei Province, Institute of Electric Engineering, Yanshan University, Qinhuangdao, Hebei 066004, P.R.China
中国人民解放军281医院 康复医学科（河北秦皇岛 066100）,
Department of Rehabilitation Medicine, the No. 281 Hospital of Chinese People’s Liberation Army, Qinhuangdao, Hebei 066100, P.R.China
谢平，Email：
nc.ude.usy@xgnip
有研究表明，神经运动控制系统中的耦合关系不仅存在线性和非线性，而且非线性耦合在运动控制系统中起着至关重要的作用
[
5
]
。大脑感觉运动区域的脑电信号和肌电信号间存在非线性耦合
[
6
]
，且 theta 和 gamma 频段之间的耦合强度最强。有研究发现患者的神经振荡信号间存在交叉频率耦合
[
7
]
，且脑肌电之间存在谐波和次谐波的非线性耦合
[
8
]
。更重要的是，研究发现肌间耦合和脑肌间耦合具有相似的模式，均起源于皮质脊髓通路
[
9
]
，说明肌间耦合能够反映脑肌间耦合的趋势
[
10
]
。然而，有关肌间非线性耦合特性的研究尚不多见，值得进一步深入探讨。
近年来，肌间相干分析（intermuscular coherence，IMC）已成为研究运动过程中肌间耦合特性和运动控制机制的主要方法之一。研究结果表明，传统相干分析方法可以量化两通道生理信号间的线性耦合关系
[
11
]
，发现肌间耦合强度存在频段特征
[
12
]
，且主要集中在 beta（15～30 Hz）频段和 gamma（30～60 Hz）频段。此外，有研究将 IMC 分析引入到运动功能障碍病理机制的研究中，发现肌张力障碍患者与健康被试者的 IMC 在 theta 频段（4～7 Hz）具有显著差异
[
13
]
；中风患者进行抓取运动时肌间耦合在 0～3.9 Hz 和 4～7.9 Hz 两个频段相较于健康被试出现缺失
[
14
]
；beta 频段的 IMC 可以作为评价运动神经损伤患者上肢运动功能紊乱的指标
[
15
]
。因此，利用 IMC 分析可以研究健康人和中风患者肌电信号在不同频段上的耦合特性差异，进而为中风康复过程评价提供理论依据，但传统的 IMC 分析仅能描述两信号间的线性耦合关系，无法深入挖掘肌间非线性耦合特性。
为此，本文将 IMC 分析方法拓展到非线性耦合分析，采用交叉频率相干（cross-frequency coherence，CFC）
[
16
]
分析方法，定量描述中风康复运动中肌间线性和非线性耦合特性。此外，由于人体运动是由多块相关肌肉以一定时空关系共同作用的结果，本文运用多元数据分析方法——非负矩阵分解（non-negative matrix factorization，NMF）对基于相干分析构建的多通道肌间耦合矩阵进行分解
[
17
]
，建立交叉频率相干分析-非负矩阵分解（CFC-NMF）多通道肌间耦合分析模型，并进行健康人和中风患者上肢肘关节屈伸运动对比分析实验，揭示神经肌肉系统的同步耦合特性和功能联系，探索中风患者运动功能障碍的产生机制，为康复过程中的运动功能评价提供依据。
1. 信号采集与预处理
1.1. 实验对象与数据采集
以中国人民解放军 281 医院 8 名中风患者作为研究对象，并选取 8 名健康人被试作为对照组，相关信息见
（S 表示患者，H 表示健康人）。要求患者中风之前无神经系统及相关的疾病病史，没有疼痛或其他伤病因素影响上肢运动和力量。实验之前，所有被试均需要签订知情同意书，并且熟悉实验流程。整个实验研究过程均依据 the Declaration of Helsinki 进行，并获得了燕山大学伦理委员会的支持。所有中风患者自愿参加实验，且具有认知和语言能力，能够理解和执行相应的实验动作。所有健康被试无神经病史，精神状态良好。
表 1
Clinical and demographic details of participants
被试相关信息
|
被试
|
性别
|
年龄/岁
|
习惯性使用
|
患侧
|
中风类型
|
中风时间/月
|
F.M 评分
|
|
S1
|
女
|
53
|
右
|
右
|
缺血性
|
1.5
|
21
|
|
S2
|
男
|
48
|
右
|
右
|
缺血性
|
3.0
|
34
|
|
S3
|
男
|
42
|
右
|
左
|
缺血性
|
4.0
|
28
|
|
S4
|
女
|
45
|
右
|
右
|
缺血性
|
5.0
|
37
|
|
S5
|
男
|
30
|
右
|
右
|
缺血性
|
5.5
|
28
|
|
S6
|
男
|
52
|
右
|
左
|
出血性
|
5.5
|
24
|
|
S7
|
男
|
64
|
右
|
右
|
缺血性
|
6.0
|
39
|
|
S8
|
男
|
54
|
右
|
右
|
缺血性
|
7.0
|
41
|
|
H1
|
女
|
23
|
右
|
—
|
—
|
—
|
—
|
|
H2
|
男
|
25
|
右
|
—
|
—
|
—
|
—
|
|
H3
|
男
|
24
|
右
|
—
|
—
|
—
|
—
|
|
H4
|
男
|
26
|
右
|
—
|
—
|
—
|
—
|
|
H5
|
男
|
24
|
右
|
—
|
—
|
—
|
—
|
|
H6
|
女
|
24
|
右
|
—
|
—
|
—
|
—
|
|
H7
|
男
|
25
|
右
|
—
|
—
|
—
|
—
|
|
H8
|
男
|
24
|
右
|
—
|
—
|
—
|
—
|
实验利用美国 Delsys 公司 Trigno
TM
Wireless EMG 采集系统，分辨率设为 16 bit，采样频率为 2 000 Hz，分别记录患者患侧上肢和健康被试右上肢与肘关节屈伸运动相关的七块肌肉的肌电信号：肱二头肌（biceps brachii，BB）、肱三头肌（triceps brachii，TB）、肱桡肌（brachioradialis，B）、桡侧腕屈肌（flexor carpi radialis，FCR）、指浅屈肌（flexor digitorum superficialis，FDS）、指伸肌（extensor digitorum，ED）、尺侧腕伸肌（extensor carpi ulnaris，ECU）。放置电极之前，使用 75% 酒精擦拭皮肤去除皮屑。电极与肌纤维方向相同，且放置在肌腹处。考虑到患者行动不便，提供自制训练器械以方便患者进行上肢肘关节屈伸运动实验，肌电信号采集位置与实验示意图如
所示。
为减小外界噪声的干扰，肌电信号采集实验在封闭、隔音的屋内进行。实验开始之前，被试静坐在电脑屏幕前，保持放松状态；实验过程中，被试集中精力注视屏幕，并根据提示进行肘关节屈伸运动，要求被试最大限度募集运动单位加入协同收缩。考虑到患者动作较为缓慢，每次屈伸运动持续 3 s，每 5 次动作为一组，每个受试者共采集 5 组。为避免被试肌肉疲劳，每组实验完成后休息 60 s，具体实验范式如
所示。
1.2. 数据预处理
由于肌电信号易受到噪声干扰，同时为获取更为有效的肌电信号特征用于肌间耦合分析，需要对肌电信号进行一系列预处理。首先，去掉上肢颤抖和反应时间长的信号；其次，对肌电信号降采样到 500 Hz，并采用带通滤波使得肌电信号主要集中在 2～400 Hz 之间；最后，利用改进独立成分分析（independent component analysis，ICA）方法去除 50 Hz 工频及其谐波干扰。
2. 多通道肌间耦合分析
2.1. 交叉频率相干分析
为进一步挖掘中风患者和健康被试之间的肌间耦合差异，在 IMC 方法基础上基于高阶统计的直接拓展
[
18
]
，采用 CFC 分析方法，定量描述肌间线性和非线性耦合特性，将预处理后的肌电信号
X
和
Y
进行 CFC 分析，计算过程如下：
当
n
=
m
= 1 时，即为线性相干分析的表达式。因此，CFC 分析可以定量描述两通道肌电信号间的线性和非线性耦合特性。CFC 值的大小与肌间耦合强度成正比，取值为 0～1。
为直观表征两信号间的相干程度，在相干函数基础上采用显著性相干阈值（
CL
）
[
19
]
，计算如下：
此时，系数矩阵相较于原始矩阵的维数降低，并得到不同频段下的肌间耦合强度，可挖掘中风患者康复运动中原始数据的潜在特征，进而探究中风患者上肢运动功能障碍的产生机制。
3. 结果
3.1. 中风患者和健康被试的肌间耦合特性差异分析
运用 1.1 节中的实验范式采集健康被试和中风患者的上肢多通道肌电信号，经预处理后进行 IMC 对比分析，任选其中 1 名健康被试和 1 名中风患者被试进行对比分析，7 块肌肉每两块计算相干值，结果如
所示。由
可见，随着频率的增加，健康被试和中风患者的肌间耦合特性表现出不同的特征，在 theta（1～8 Hz）和 alpha（8～15 Hz）频段，中风患者和健康被试的肌间相干值相对较高，且没有明显差异；在 beta（15～30 Hz）和 gamma（30～60 Hz）频段，中风患者的相干值明显低于健康被试。然而由
无法直观地得到不同频段内的多通道肌间耦合强度的变化趋势，更不能获得肌间非线性耦合强度的变化。为此，本文将 CFC 与 NMF 相结合，构建耦合矩阵并将其分解，可以同时获得不同频段内的肌间耦合变化和肌间非线性特征。同样任选其中 1 名健康被试和 1 名中风患者被试进行 CFC 分析（取
n
=
m
= 1），构建多通道肌间耦合矩阵后利用 NMF 分解，获得不同频段下对应的多通道肌间线性耦合特征，结果如
所示。由
可见，a 列中不同的峰值所在范围代表不同的频段，从上到下分别是 theta、alpha、beta 和 gamma 频段；b 列和 c 列中分别对应不同频段内健康被试和中风患者的多通道肌间耦合强度，每块肌肉的自相干设置为 1，即 b 列和 c 列对角线的位置；低频段内健康被试和中风患者的整体耦合强度均较强，随着频段的升高，耦合强度逐渐减弱，且中风患者的肌间耦合强度均弱于健康被试对照组：在 beta 和 gamma 频段，整体耦合强度趋于更弱，且相较于健康被试对照组，中风患者的耦合强度差异更加明显。
为进一步挖掘中风患者与健康被试多通道肌间耦合特性的差异，分别设置
n
= 1、
m
= 2 和
n
= 1、
m
= 3，即 CFC 频率比分别为 1∶2 和 1∶3，进行多通道肌间非线性耦合分析。选择协同肌对 FCR-FDS 和拮抗肌对 FDS-ED，分析频率比为 1∶2 和 1∶3 时的多通道肌间非线性耦合特性差异，结果如
所示。由
可见，在频率比为 1∶2 和 1∶3 时，中风患者的 FCR-FDS 和 FDS-ED 肌间非线性耦合强度均明显低于健康被试对照组；同时，还发现相同频率比下，健康被试和中风患者的 FCR-FDS 肌间非线性耦合强度略大于 FDS-ED。
3.2. 中风患者和健康被试的肌间耦合统计分析
为验证上述多通道肌间线性耦合结果是否具有普遍性，分别计算不同频段内所有被试的显著性相干面积的均值与方差，进一步采用 SPSS（Version 22，IBM）进行统计分析，运用
t
检验对比分析中风患者和健康被试之间是否有明显差异，如
所示。观察
可知，不同频段内健康被试和中风患者的显著性相干面积略有不同，且随着频段的升高耦合强度变弱；患者的显著相干面积均低于健康对照组，且在高频段两组差异更加明显。
4. 讨论
肌电信号间的耦合是在人体运动控制信息传递过程中产生的，可以反映肌肉间的耦合强度和信息流关系。肌间耦合特性的研究对于人体运动理论分析、中风康复研究以及中枢神经系统运动控制机制的探索等方面均具有十分重要的意义。本文对比分析了健康被试和中风患者的肌间线性和非线性耦合特性差异，并研究分析差异结果是否具有统计学意义。
对于肌间线性耦合，发现不同频段内中风患者的肌间耦合强度均弱于健康被试对照组，尤其是在 beta 和 gamma 频段更是出现明显缺失。通过统计分析可得，健康被试和中风患者的耦合强度有明显差异（
P
<0.05），尤其在 beta 和 gamma 频段（
P
<0.01）。在相关研究中，Grosse 等
[
13
]
发现肌张力障碍患者与正常受试者的 IMC 在 theta 频段有明显差异；Kisiel-Sajewicz 等
[
14
]
发现中风患者进行抓取运动时肌肉功能性耦合在 0～3.9 Hz 和 4～7.9 Hz 有缺失；运动神经损伤患者肌间耦合相对于健康受试者在 beta 频段内有缺失
[
20
]
；中风患者与健康被试在 gamma 频段的耦合关系也有明显差异
[
21
]
。上述研究与本文所观察到的现象基本一致。已有研究表明，beta 频段内的肌间耦合代表了从初级运动皮层到运动神经元的信息传递过程，而 gamma 频段振荡体现与认知功能相关的脑皮层信息整合过程
[
22
]
。正常条件下皮质脊髓系统对控制肢体运动具有重要作用，而中风患者上肢运动执行过程中的肌肉功能性耦合减弱，可能是由于皮质脊髓通路信息阻断导致的共同驱动丢失造成的
[
23
]
，这也是导致中风患者运动功能减弱、执行能力降低的原因之一。
对于肌间非线性耦合，研究发现在频率比为 1∶2 和 1∶3 时中风患者的肌间非线性耦合强度均低于健康被试对照组，通过统计分析可得，健康被试和中风患者的肌间非线性耦合强度有明显差异（
P
<0.05）。有研究认为非线性耦合与神经元间的突触耦合有关
[
24
]
，非线性耦合关系起源于感觉反馈系统
[
5
]
，但由于中风患者的运动神经系统损伤，导致反馈通路信息阻断，引起患者运动功能减弱，使得非线性耦合强度减弱。已有研究表明，不同频率比下的脑肌间耦合强度有差异，在 1∶2 时的耦合强度略高于 1∶3 时
[
25
]
，这与本文观察到的肌间交叉频率耦合结果类似，由于肌间耦合可以反映脑肌间耦合的趋势，这可能是由于神经系统对不同频率比值下的协调方式不同。另外，观察本文实验结果还发现协同肌肉对 FCR-FDS 肌间非线性耦合强度高于拮抗肌肉对 FDS-ED，这可能与两对肌肉在运动过程中神经系统对其采取的控制策略不同有关。神经运动控制系统中，生理信号间同时存在线性耦合和非线性耦合，特别是研究生理信号间非线性耦合特性可以更深入地理解运动控制机制，为进一步研究运动功能障碍提供理论基础。
5. 结论
本文将 CFC 分析与 NMF 方法相结合，用于多通道肌电信号耦合特性研究，对比分析了健康被试和中风患者的肌间线性和非线性耦合特性，并验证耦合差异是否具有统计学意义。结果表明，中风患者的肌间耦合强度均低于健康被试对照组，对于肌间线性耦合，在 beta 和 gamma 频段明显缺失；对于肌间非线性耦合，在频率比为 1∶2 下的肌间非线性耦合强度高于频率比为 1∶3 下。因此，本文方法可以用于分析多通道肌间耦合特性，研究不同被试之间的肌间耦合特性差异，同时有助于理解中枢神经系统的运动控制机制，为运动功能障碍研究提供理论基础。
利益冲突声明：本文全体作者均声明不存在利益冲突。
Funding Statement
国家自然科学基金（61673336）；河北省自然科学基金（F2015203372）；河北省高等学校科学技术研究项目（QN2016094）
References
1.
Summers J J, Kagerer F A, Garry M I, et al Bilateral and unilateral movement training on upper limb function in chronic stroke patients: a TMS study.
J Neurol Sci.
2007;
252
(1):76–82. doi: 10.1016/j.jns.2006.10.011.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
2.
Baker S N Oscillatory interactions between sensorimotor cortex and the periphery.
Curr Opin Neurobiol.
2007;
17
(6):649–655. doi: 10.1016/j.conb.2008.01.007.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
3.
Tao Wen, Zhang Xu, Chen Xiang, et al Multi-scale complexity analysis of muscle coactivation during gait in children with cerebral palsy.
Front Hum Neurosci.
2015;
9
:367.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
4.
Grosse P, Cassidy M J, Brown P EEG-EMG, MEG-EMG and EMG-EMG frequency analysis: physiological principles and clinical applications.
Clinical Neurophysiology.
2002;
113
(10):1523–1531. doi: 10.1016/S1388-2457(02)00223-7.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
5.
Roberts J A, Robinson P A Quantitative theory of driven nonlinear brain dynamics.
Neuroimage.
2012;
62
(3):1947–1955. doi: 10.1016/j.neuroimage.2012.05.054.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
6.
谢平, 杨芳梅, 李欣欣, 等 基于变分模态分解-传递熵的脑肌电信号耦合分析
物理学报
2016;
65
(11):277–285.
[
Google Scholar
]
7.
Wang Jing, Fang Yuxing, Wang Xiao, et al Enhanced gamma activity and cross-frequency interaction of resting-state electroencephalographic oscillations in patients with Alzheimer’s disease.
Front Aging Neurosci.
2017;
9
:243. doi: 10.3389/fnagi.2017.00243.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
8.
Yang Yuan, Solis-Escalante T, van der Helm F C T, et al A generalized coherence framework for detecting and characterizing nonlinear interactions in the nervous system.
IEEE Trans Biomed Eng.
2016;
63
(12):2629–2637. doi: 10.1109/TBME.2016.2585097.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
9.
Brown P, Farmer S F, Halliday D M, et al Coherent cortical and muscle discharge in cortical myoclonus.
Brain.
1999;
122
(Pt 3):461–472.
[
PubMed
]
[
Google Scholar
]
10.
Grosse P, Guerrini R, Parmeggiani L, et al Abnormal corticomuscular and intermuscular coupling in high-frequency rhythmic myoclonus.
Brain.
2003;
126
(2):326–342. doi: 10.1093/brain/awg043.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
11.
Danna-Dos Santos A, Poston B, Jesunathadas M, et al Influence of fatigue on hand muscle coordination and EMG-EMG coherence during three-digit grasping.
J Neurophysiol.
2010;
104
(6):3576–3587. doi: 10.1152/jn.00583.2010.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
12.
杜义浩, 齐文靖, 邹策, 等 基于变分模态分解-相干分析的肌间耦合特性
物理学报
2017;
66
(6):341–350.
[
Google Scholar
]
13.
Grosse P, Edwards M, Tijssen M A J, et al Patterns of EMG-EMG coherence in limb dystonia.
Mov Disord.
2004;
19
(7):758–769. doi: 10.1002/mds.20075.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
14.
Kisiel-Sajewicz K, Fang Yin, Hrovat K, et al Weakening of synergist muscle coupling during reaching movement in stroke patients.
Neurorehabil Neural Repair.
2011;
25
(4):359–368. doi: 10.1177/1545968310388665.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
15.
Fisher K M, Zaaimi B, Williams T L, et al Beta-band intermuscular coherence: a novel biomarker of upper motor neuron dysfunction in motor neuron disease.
Brain.
2012;
135
(9):2849–2864. doi: 10.1093/brain/aws150.
[
PMC free article
]
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
16.
Yang Yuan, Schouten A C, Solis-Escalante T, et al Probing the nonlinearity in neural systems using cross-frequency coherence framework.
IFAC-PapersOnline.
2015;
48
(28):1386–1390. doi: 10.1016/j.ifacol.2015.12.326.
[
CrossRef
]
[
Google Scholar
]
17.
Lee D D, Seung H S Algorithms for non-negative matrix factorization// Advances in Neural Information Processing Systems.
Vancouver: Oregon State University.
2001:556–562.
[
Google Scholar
]
18.
Nikias C L, Mendel J M Signal processing with higher-order spectra.
IEEE Signal Process Mag.
1993;
10
(3):10–37. doi: 10.1109/79.221324.
[
CrossRef
]
[
Google Scholar
]
19.
Rosenberg J R, Amjad AM, Breeze P, et al The Fourier approach to the identification of functional coupling between neuronal spike trains.
Prog Biophys Mol Biol.
1989;
53
(1):1–31. doi: 10.1016/0079-6107(89)90004-7.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
20.
谢平, 宋妍, 郭子晖, 等 中风康复运动中肌肉异常耦合分析
生物医学工程学杂志
2016;
33
(2):244–254. doi: 10.7507/1001-5515.20160043.
[
CrossRef
]
[
Google Scholar
]
21.
马培培, 陈迎亚, 杜义浩, 等 中风康复运动中脑电-肌电相干性分析
生物医学工程学杂志
2014;
34
(5):971–977. doi: 10.7507/1001-5515.20140183.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
23.
Mima T, Toma K, Koshy B, et al Coherence between cortical and muscular activities after subcortical stroke.
Stroke.
2001;
32
(11):2597–2601. doi: 10.1161/hs1101.098764.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
24.
Hyafil A, Giraud A L, Fontolan L, et al Neural cross-frequency coupling: connecting architectures, mechanisms, and functions.
Trends Neurosci.
2015;
38
(11):725–740. doi: 10.1016/j.tins.2015.09.001.
[
PubMed
] [
CrossRef
]
[
Google Scholar
]
25.
Yang Yuan, Solis-Escalante T, van de Ruit M, et al Nonlinear coupling between cortical oscillations and muscle activity during isotonic wrist flexion.
Front Comput Neurosci.
2016;
10
:126.
[
PMC free article
]
[
PubMed
]
[
Google Scholar
]
Articles from
Sheng Wu Yi Xue Gong Cheng Xue Za Zhi = Journal of Biomedical Engineering
are provided here courtesy of
West China Hospital of Sichuan University
