Improving the clinical utility of lower-limb surface electromyography (sEMG) by quantifying and correcting for location changes in inter-session recordings
Diese Studie präsentiert einen neuartigen hochdichten sEMG-Algorithmus, der Verschiebungen der Elektrodenposition zwischen den Sitzungen in den Muskeln der unteren Extremitäten quantifiziert und korrigiert und dadurch die Merkmalsvariabilität signifikant reduziert sowie den klinischen Nutzen von sEMG für die Verfolgung des Genesungsverlaufs bei neurologischen und muskuloskelettalen Erkrankungen verbessert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Das große Problem: Das „bewegliche Ziel“
Stellen Sie sich vor, Sie versuchen, ein perfektes Foto von einer bestimmten Blume in einem Garten zu machen, um deren Wachstum über die nächsten Wochen zu verfolgen. Um einen fairen Vergleich zu erhalten, müssen Sie das Foto jedes Mal vom exakt gleichen Standort aus aufnehmen.
Wenn Sie jedoch am zweiten Tag versehentlich zwei Fuß weit nach links treten, sieht die Blume auf dem Foto anders aus – nicht, weil sich die Blume verändert hat, sondern weil sich Ihr Blickwinkel geändert hat.
Genau das ist das Problem bei der sEMG (Oberflächen-Elektromyographie), einer Technologie, die dazu verwendet wird, die Muskelaktivität „zuhören“. Ärzte und Forscher platzieren Klebesensoren auf der Haut eines Patienten, um den Muskeln „zuzuhören“. Wenn sie die Sensoren bei einem zweiten Besuch auch nur ein kleines Stück anders platzieren (selbst wenn es nur ein Zentimeter ist), verändert sich das Signal. Es ist wie beim Blumenfoto: Die Daten sehen anders aus, aber das liegt nur daran, dass sich die „Kamera“ bewegt hat, nicht weil sich der Muskel des Patienten verbessert oder verschlechtert hat. Dies macht es sehr schwierig, die Genesung über einen längeren Zeitraum zu verfolgen, insbesondere bei Patienten, die die Sensoren nicht selbst perfekt platzieren können (wie Schlaganfallpatienten) oder wenn Patienten die Übungen zu Hause durchführen.
Die Lösung: Ein „Smart Map“-Algorithmus
Die Forscher haben ein neues Computerprogramm (einen Algorithmus) entwickelt, das wie ein GPS für Muskeln fungiert.
Anstatt einfach davon auszugehen, dass die Sensoren an derselben Stelle geblieben sind, analysiert dieses Programm das „Geräusch“ der Muskelaktivität mithilfe eines hochdichten Gitters aus 64 winzigen Sensoren (ähnlich einem hochauflösenden Kamera-Sensor). Es vergleicht das „Geräusch“ der Muskelaktivität aus der ersten Sitzung mit dem „Geräusch“ aus der zweiten Sitzung.
Durch die Analyse, wie sich die Muster der Muskelaktivität über das Gitter verschoben haben, kann das Programm mathematisch berechnen: „Ah, die Sensoren haben sich 2 Zentimeter nach links bewegt und sind leicht rotiert.“
Wie sie es getestet haben
Um zu beweisen, dass dies funktioniert, haben sie nicht nur geraten, sondern ein kontrolliertes Experiment durchgeführt:
- Der Aufbau: Sie brachten das Sensor-Gitter an den Beinen von 11 gesunden Freiwilligen an.
- Die „Ground Truth“ (die wahre Lage): Sie erstellten einen präzisen 3D-Scan des Beins mit den darauf befindlichen Sensoren. Dies ist vergleichbar mit dem Erstellen einer perfekten, hochauflösenden Karte davon, wo sich die Sensoren tatsächlich befanden.
- Die Bewegung: Sie nahmen die Sensoren ab, bewegten sie absichtlich an eine neue Stelle (sie verschoben sie um bis zu 4 cm und rotierten sie) und brachten sie wieder an.
- Der Test: Sie ließen das Computerprogramm raten, wohin sich die Sensoren bewegt hatten, ohne den 3D-Scan zu berücksichtigen. Dann verglichen sie die Vermutung des Computers mit der tatsächlichen 3D-Karte.
Die Ergebnisse: Näher an der Wahrheit
Die Ergebnisse zeigten, dass das Computerprogramm viel besser darin war, den neuen Standort zu finden, als einfach anzunehmen, dass sich die Sensoren nicht bewegt hatten.
- Die „Keine-Verschiebung“-Vermutung: Wenn man davon ausgeht, dass die Sensoren sich nicht bewegt haben, liegt man in 82 % der Fälle falsch.
- Die „Smart Map“-Vermutung: Der Algorithmus identifizierte den neuen Standort in 82 % der Fälle korrekt.
- Präzision: In etwa 38 % der Fälle konnte der Algorithmus den neuen Standort innerhalb von 1 Zentimeter (etwa der Breite eines Fingernagels) des tatsächlichen Ortes bestimmen. Das ist beeindruckend, da selbst geschulte medizinische Fachkräfte oft Schwierigkeiten haben, Sensoren bei Patienten mit eingeschränkter Muskelkontrolle so präzise zu platzieren.
Repariert es die Daten?
Das eigentliche Ziel war es zu sehen, ob die Korrektur der Position tatsächlich die Konsistenz der Muskeldaten verbessert.
- Ohne die Korrektur: Wenn man die gleiche Sensornummer aus Sitzung 1 mit Sitzung 2 vergleicht (obwohl sie sich nun über einen anderen Teil des Muskels befindet), sehen die Daten sehr unterschiedlich aus (ein Unterschied von 21 % in der Signalstärke).
- Mit der Korrektur: Der Algorithmus findet die „beste Übereinstimmung“. Er sagt: „Sensor #10 in Sitzung 1 befindet sich tatsächlich über demselben Muskelpunkt wie Sensor #12 in Sitzung 2.“ Als sie diese passenden Stellen verglichen, sahen die Daten fast identisch aus wie beim Vergleich mit dem „perfekten“ 3D-Scan.
Das Fazente (Bottom Line)
Dieses Paper zeigt, dass wir einen intelligenten Computeralgorithmus verwenden können, um genau zu bestimmen, wohin sich die Muskelsensoren zwischen den Besuchen bewegt haben. Durch dies können wir die Daten „korrigieren“, sodass wir Äpfel mit Äpfeln vergleichen und nicht Äpfel mit Birnen.
Dies bedeutet, dass wir in Zukunft den Fortschritt der Muskelregeneration zuverlässiger verfolgen können, selbst wenn die Sensoren nicht jedes Mal an exakt derselben Stelle platziert werden, was die Überwachung der Fortschritte von Patienten über Wochen oder Monate hinweg erleichtert.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.