Resumen Técnico: ReactEMG Stroke

Declaración del Problema

La electromiografía de superficie (sEMG) ofrece una señal prometedora y no invasiva para el control de ortesis de mano asistenciales en la rehabilitación post-ictus, permitiendo sistemas de "asistencia según sea necesario" que responden a la intención voluntaria del paciente. Sin embargo, el despliegue de la detección de intención basada en sEMG para sobrevivientes de accidentes cerebrovasculares enfrenta un cuello de botella crítico: la calibración específica para cada sujeto es prolongada, requiere muchos datos y es frágil.

Las señales de los músculos pareticos (afectados) difieren fundamentalmente de las de los usuarios sanos debido a la debilidad, la reducción del impulso voluntario, la espasticidad y las sinergias anormales (por ejemplo, la co-contracción). En consecuencia, los modelos entrenados con datos de accidentes cerebrovasculares suelen requerir grandes cantidades de datos etiquetados para ser utilizables, pero siguen siendo frágiles ante la variabilidad del mundo real, como los cambios de postura, el reposicionamiento de los sensores y la deriva de la señal dentro de una sesión. Las estrategias existentes de pocos disparos (few-shot) o adaptativas típicamente inicializan los modelos desde cero utilizando únicamente datos de accidentes cerebrovasculares o utilizan datos de personas sanas meramente para ajustar configuraciones, fallando al no aprovechar las representaciones ricas y reutilizables que se encuentran en los conjuntos de datos de sEMG de personas sanas a gran escala.

Metodología

Los autores proponen ReactEMG Stroke, un marco de trabajo para la adaptación de pocos disparos de sano a accidente cerebrovascular (healthy-to-stroke). La premisa central es inicializar un detector de intención utilizando un modelo preentrenado en datos de sEMG de personas sanas a gran escala y luego ajustarlo para participantes individuales con accidente cerebrovascular utilizando una cantidad mínima de datos etiquetados específicos del sujeto.

1. Modelo Base y Datos

• Modelo Base: Los autores utilizan ReactEMG, un codificador de tipo transformador (encoder-only transformer) preentrenado en cinco conjuntos de datos públicos que comprenden más de 650 participantes sanos. ReactEMG utiliza un objetivo de modelado de máscara multimodal, aprendiendo a reconstruir tanto las señales de EMG como las etiquetas de intención alineadas, capturando así representaciones de EMG robustas.
• Conjunto de Datos de Accidente Cerebrovascular: Se recolectó un nuevo conjunto de datos de tres individuos con accidente cerebrovascular crónico. Los participantes usaron una banda Myo en el antebrazo parético y una ortesis MyHand. El protocolo consistió en secuencias temporizadas de intentos de apertura y cierre de la mano, y relajación.
• Protocolo de Evaluación: Para probar la robustez, los modelos fueron evaluados en conjuntos de prueba retenidos que presentan cambios de distribución realistas:
  • Deriva dentro de la sesión: Señales recolectadas a mitad y al final de la sesión.
  • Postura no vista: Brazo levantado de la mesa (postura de suspensión/hovering).
  • Colocación del sensor: Banda girada aproximadamente 15°.
  • Movimiento impulsado por el dispositivo: La ortesis abre activamente la mano mientras el paciente intenta cerrarla.

2. Estrategias de Adaptación

El estudio compara tres estrategias de ajuste fino (fine-tuning) contra dos líneas base bajo presupuestos de datos idénticos:

• Líneas Base (Baselines):
  • Zero-shot de sujetos sanos: El modelo preentrenado congelado aplicado directamente a los datos de accidente cerebrovascular.
  • Entrenamiento solo de accidente cerebrovascular: Un modelo entrenado desde cero (inicialización aleatoria) utilizando únicamente el pequeño conjunto de datos de accidente cerebrovascular.
• Estrategias de Adaptación:
  • Ajuste solo de la cabeza (Head-only Tuning): Congelar la arquitectura base (backbone) preentrenada y actualizar únicamente la cabeza de clasificación.
  • LoRA (Low-Rank Adaptation): Congelar los pesos preentrenados y entrenar matrices de actualización de bajo rango para las capas lineales, permitiendo el ajuste de características internas con pocos parámetros.
  • Ajuste Fino Completo (Full Fine-tuning): Actualizar todos los parámetros del modelo.

3. Métricas

El rendimiento fue evaluado mediante:

• Precisión Bruta (Raw Accuracy): Fracción de pasos de tiempo con etiquetas predichas correctas.
• Precisión de Transición (Transition Accuracy): Una métrica más estricta que refleja la estabilidad del control en tiempo real. Mide la corrección de las transiciones de intención (requiriendo una predicción correcta dentro de un búfer de reacción) y el mantenimiento de la nueva clase sin "parpadeo" (flicker) hasta la siguiente transición.

Contribuciones Clave

1. Primer Transferencia de Sano a Accidente Cerebrovascular para la Detección de Intención: Los autores presentan el primer marco para adaptar un modelo fundacional de EMG a gran escala de dominio sano específicamente para la detección de intención en accidentes cerebrovasculares.
2. Comparación Exhaustiva de Estrategias: Bajo presupuestos de datos controlados, el artículo compara sistemáticamente el ajuste de solo la cabeza, la adaptación eficiente de parámetros (LoRA) y el ajuste fino completo frente al entrenamiento solo de accidente cerebrovascular y la transferencia zero-shot.
3. Evaluación de Robustez: La evaluación incluye diversos cambios de distribución (postura, colocación del sensor, deriva) que imitan los desafíos de despliegue clínico en el mundo real, en lugar de solo pruebas estáticas dentro de la misma distribución.

Resultados

• Ganancias de Rendimiento: La adaptación con preentrenamiento de sujetos sanos superó consistentemente tanto a la transferencia zero-shot como al entrenamiento solo de accidente cerebrovascular. Los mejores métodos de adaptación (LoRA y Ajuste Fino Completo) mejoraron la precisión de transición promedio de 0.42 a 0.61 y la precisión bruta de 0.69 a 0.78 en comparación con la línea base de solo accidente cerebrovascular.
• Dependencia de la Estrategia: Ninguna estrategia única dominó a todos los participantes.
  • LoRA y el Ajuste Fino Completo generalmente produjeron el mayor rendimiento, particularmente para los participantes con mayor grado de deterioro (S1, S2).
  • El ajuste solo de la cabeza funcionó sorprendentemente bien para el participante con menor deterioro (S3), lo que sugiere que un deterioro menos severo puede requerir cambios de representación menos agresivos.
• Eficiencia de Datos: Se observaron mejoras significativas incluso con presupuestos de datos extremadamente bajos (por ejemplo, N=1 o N=4 pares). Para los participantes con menor deterioro, el rendimiento con datos mínimos se acercó o superó al del entrenamiento con presupuesto completo. Sin embargo, los participantes con mayor deterioro mostraron un beneficio continuo de presupuestos de datos más grandes.
• Convergencia: Los modelos inicializados con datos de sujetos sanos lograron ganancias significativas dentro de las primeras pocas épocas de ajuste fino, mientras que los modelos de solo accidente cerebrovascular entrenados desde cero mejoraron de forma más gradual.

Significado y Reivindicaciones

El artículo afirma que transferir una representación de EMG de dominio sano reutilizable puede reducir sustancialmente la carga de calibración para la rehabilitación de accidentes cerebrovasculares, mejorando al mismo tiempo la robustez ante los cambios de distribución.

Los autores enfatizan que, si bien escalar modelos fundacionales de sujetos sanos es factible debido a la abundancia de datos de personas sanas seguros, económicos y a gran escala, los datos de EMG de accidentes cerebrovasculares son inherentemente escasos. Por lo tanto, el ajuste fino de sano a accidente cerebrovascular ofrece una vía escalable para traducir la gran capacidad de los modelos en una mejor detección de la intención para conjuntos de datos limitados de accidentes cerebrovasculares. Los resultados sugieren que este enfoque es una estrategia viable para superar el cuello de botella de datos que actualmente impide el despliegue práctico de los dispositivos de asistencia basados en sEMG.