⚡ electrical engineering

Improving the clinical utility of lower-limb surface electromyography (sEMG) by quantifying and correcting for location changes in inter-session recordings

Este estudio presenta un novedoso algoritmo de sEMG de alta densidad que cuantifica y corrige los desplazamientos en la ubicación de los electrodos entre sesiones en los músculos de las extremidades inferiores, reduciendo así significativamente la variabilidad de las características y mejorando la utilidad clínica de la sEMG para el seguimiento de la recuperación en trastornos neurológicos y musculoesqueléticos.

Autores originales: Fraser Douglas, Mona Pei, Quoc Sy Vu, Linh Le, Calvin Kuo

Publicado 2026-07-07

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Fraser Douglas, Mona Pei, Quoc Sy Vu, Linh Le, Calvin Kuo

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El gran problema: El "objetivo móvil"

Imagina que estás intentando tomar una foto perfecta de una flor específica en un jardín para rastrear cómo crece durante las próximas semanas. Para obtener una comparación justa, necesitas tomar la foto exactamente desde el mismo lugar cada vez.

Sin embargo, si por accidente das dos pasos hacia la izquierda en el segundo día, la flor se ve diferente en la foto; no porque la flor haya cambiado, sino porque tu punto de vista cambió.

Este es exactamente el problema con la sEMG (electromiografía de superficie), una tecnología utilizada para escuchar la actividad muscular. Los médicos e investigadores colocan sensores adhesivos en la piel de un paciente para "escuchar" los músculos. Si colocan los sensores en un lugar ligeramente distinto durante una segunda visita (incluso por solo un centímetro), la señal cambia. Es como la foto de la flor nuevamente: los datos se ven diferentes, pero es solo porque la "cámara" se movió, no porque el músculo del paciente haya mejorado o empeorado. Esto hace que sea muy difícil rastrear la recuperación a lo largo del tiempo, especialmente para pacientes que no pueden ayudar a colocar los sensores perfectamente (como sobrevivientes de un derrame cerebral) o cuando los pacientes realizan los ejercicios en casa.

La solución: Un algoritmo de "Mapa Inteligente"

Los investigadores desarrollaron un nuevo programa informático (un algoritmo) que actúa como un GPS para los músculos.

En lugar de simplemente asumir que los sensores se quedaron en el mismo lugar, este programa observa el "sonido" de la actividad muscular de una rejilla de alta densidad de 64 sensores diminutos (como el sensor de una cámara de alta resolución). Compara el "sonido" de la primera sesión con el "sonido" de la segunda sesión.

Al analizar cómo los patrones de actividad muscular se desplazaron a través de la rejilla, el programa puede calcular matemáticamente: "Ah, los sensores se movieron 2 centímetros a la izquierda y rotaron ligeramente".

Cómo lo probaron

Para demostrar que esto funcionaba, no se limitaron a suponer; establecieron un experimento controlado:

La configuración: Colocaron la rejilla de sensores en las piernas de 11 voluntarios sanos.
La "verdad de terreno": Realizaron un escaneo 3D preciso de la pierna con los sensores puestos. Esto es como tomar un mapa perfecto y de alta definición de dónde estaban realmente los sensores.
El movimiento: Retiraron los sensores, los movieron intencionalmente a un nuevo lugar (desplazándolos hasta 4 cm y rotándolos) y los volvieron a colocar.
La prueba: Le pidieron al programa informático que adivinara dónde se habían movido los sensores, sin mirar el escaneo 3D. Luego, compararon la suposición de la computadora con el mapa 3D real.

Los resultados: Acercándose a la verdad

Los resultados mostraron que el programa informático era mucho mejor para encontrar la nueva ubicación que simplemente asumir que los sensores no se habían movido.

La suposición de "Sin desplazamiento": Si asumes que los sensores no se movieron, te equivocas el 82% de las veces.
La suposición del "Mapa Inteligente": El algoritmo identificó correctamente la nueva ubicación en el 82% de los casos.
Precisión: En aproximadamente el 38% de los casos, el algoritmo localizó la nueva ubicación dentro de 1 centímetro (el ancho de una uña aproximadamente) del lugar real. Esto es impresionante porque incluso los profesionales médicos capacitados suelen tener dificultades para colocar sensores con esa precisión en pacientes con control muscular limitado.

¿Corrige esto los datos?

El objetivo final era ver si corregir la suposición de la ubicación realmente hacía que los datos musculares fueran más consistentes.

Sin la corrección: Si comparas el mismo número de sensor de la Sesión 1 con la Sesión 2 (aunque ahora esté sobre una parte diferente del músculo), los datos se ven muy diferentes (una diferencia del 21% en la intensidad de la señal).
Con la corrección: El algoritmo encuentra la "coincidencia más cercana". Dice: "El sensor #10 en la Sesión 1 es en realidad el mismo punto muscular que el sensor #12 en la Sesión 2". Cuando compararon estos puntos coincidentes, los datos se veían casi idénticos a la comparación "perfecta" del escaneo 3D.

La conclusión

Este artículo muestra que podemos usar un algoritmo inteligente para averiguar exactamente dónde se movieron los sensores musculares entre visitas. Al hacer esto, podemos "corregir" los datos para que estemos comparando manzanas con manzanas, en lugar de manzanas con naranjas.

Esto significa que, en el futuro, podríamos rastrear la recuperación muscular de manera más confiable, incluso si los sensores no se colocan exactamente en el mismo lugar cada vez, lo que facilitará el monitoreo del progreso de los pacientes a lo largo de semanas o meses.

Resumen Técnico: Mejora de la Utilidad Clínica de la sEMG de Miembro Inferior mediante la Cuantificación de la Localización

Planteamiento del Problema
La electromiografía de superficie (sEMG) ofrece una ventana no invasiva a la actividad muscular, lo que representa una promesa significativa para evaluar la recuperación neurológica y musculoesquelética, particularmente en la rehabilitación de accidentes cerebrovasculares. Sin embargo, su adopción clínica se ve obstaculizada por la alta sensibilidad a la colocación de los electrodos. Una colocación constante de los sensores es crítica para asegurar que los cambios en la señal reflejen la recuperación fisiológica en lugar de artefactos del movimiento del sensor. Aunque existen guías como SENIAM, estas dependen de la palpación y de puntos de referencia anatómicos, un proceso que resulta difícil para poblaciones con discapacidad (que pueden carecer de tono muscular) y usuarios no expertos (por ejemplo, en entornos de tele-rehabilitación remotos). Los intentos previos para mitigar esto utilizando sEMG de Alta Densidad (HDsEMG) e Independiente de Componentes (ICA) se limitaron a desplazamientos traslacionales pequeños en direcciones específicas y no tuvieron en cuenta las variaciones rotacionales o los errores de colocación más grandes comunes en la práctica clínica.

Metodología
El estudio desarrolló un nuevo algoritmo para cuantificar y corregir los cambios de localización de los electrodos entre sesiones utilizando datos de HDsEMG de 11 participantes sanos.

Recolección de Datos: Los participantes realizaron ejercicios isométricos (contracciones máximas) y dinámicos (Sit-to-Stand, Timed-Up-and-Go) con arreglos de HDsEMG de 64 canales (8x8, espaciado de 1 cm) en cuatro músculos de la extremidad inferior: gastrocnemio medial (GM), tibial anterior (TA), semitendinoso (ST) y tensor de la fascia lata (TFL).
Generación de la Verdad de Campo (Ground Truth): Para simular la imprecisión clínica, los arreglos se reaplicaron en ubicaciones desplazadas (hasta 4.25 cm de traslación y ±30° de rotación) a través de cuatro segmentos. Un escáner 3D capturó la posición del arreglo con respecto a marcadores cutáneos para establecer los desplazamientos de la "verdad de campo" ( $x, y, \theta$ ).
Desarrollo del Algoritmo: Se diseñó un optimizador global basado en el descenso de gradiente para estimar el desplazamiento entre las sesiones de registro. El algoritmo minimizó una función objetivo ponderada basada en el Error Cuadrático Medio (RMSE) de tres métricas mapeadas espacialmente extraídas de las señales de HDsEMG:
1. Correlación de par mínimo absoluta (patrón espacial de actividad muscular).
2. Frecuencia media (contenido espectral).
3. Amplitud de la envolvente máxima (magnitud en el dominio del tiempo).
  Las métricas fueron normalizadas y los pesos se determinaron (2.72 para correlación, 1.24 para frecuencia media, 1.00 para amplitud) para equilibrar sus contribuciones.
Validación: El desplazamiento estimado por el algoritmo se comparó contra la verdad de campo del escaneo 3D utilizando la Distancia Euclídea Media (μED). Además, el estudio analizó si el uso del algoritmo para identificar los electrodos "más cercanos" entre sesiones reducía la variabilidad de las características en comparación con el uso de los "mismos" electrodos (la práctica estándar actual).

Contribuciones Clave

Estimación de Desplazamiento Robusta: El artículo presenta un algoritmo capaz de estimar tanto el desplazamiento traslacional como el rotacional de los electrodos utilizando únicamente características de la señal sEMG, sin requerir imágenes externas durante la sesión de registro real.
Estrategia de Mitigación de Características: Demuestra un método para mitigar la variabilidad inter-sesión mapeando las características a los electrodos más cercanos identificados por el algoritmo, en lugar de depender de índices de electrodos fijos.
Validación Exhaustiva: El enfoque fue validado contra la verdad de campo de escaneo 3D a través de múltiples músculos y tanto en condiciones de ejercicio isométrico como dinámico, proporcionando una evaluación realista del rendimiento bajo errores de colocación clínicamente relevantes.

Resultados

Estimación de Localización: El algoritmo mejoró la estimación de la localización sobre la suposición de ausencia de desplazamiento (suposición de origen) en el 81.7% de los casos isométricos. La mediana de la μED se redujo de 3.00 cm (suposición de origen) a 1.22 cm (algoritmo). Específicamente, el 37.6% de todos los desplazamientos fueron identificados dentro de 1 cm (la distancia entre electrodos), en comparación con menos del 5% para la suposición de origen. El rendimiento varió según el músculo, siendo el Tibial Anterior (TA) el que mostró la mayor precisión (50.0% dentro de 1 cm).
Variabilidad de Características: Para los ejercicios isométricos, las diferencias de características (diferencia porcentual relativa y desviación estándar normalizada por la media) computadas entre los electrodos "más cercanos" (vía algoritmo o verdad de campo) fueron estadísticamente similares entre sí, pero significativamente menores que las diferencias computadas usando los "mismos" electrodos ante desplazamientos. Por ejemplo, la diferencia media para la amplitud de la envolvente máxima isométrica aumentó del 15.9% (con corrección por algoritmo) al 21.1% (sin corrección).
Ejercicios Dinámicos: Aunque el algoritmo mostró tasas de éxito ligeramente menores para ejercicios dinámicos (mejorando las estimaciones en ~56–63% de los casos e identificando desplazamientos dentro de 1 cm en ~15–17% de los casos), la tendencia de reducción de la variabilidad de las características para el enfoque de electrodos "más cercanos" se mantuvo constante para la mayoría de las características, aunque la significancia estadística fue menos pronunciada que en los datos isométricos.

Significancia y Reivindicaciones
Los autores afirman que este trabajo representa un "paso prometedor hacia una medición de sEMG robusta" para el seguimiento de la recuperación musculoesquelética y neurológica. Al reducir eficazmente las diferencias de características inter-sesión derivadas de los cambios en la ubicación de los electrodos, el enfoque propuesto facilita comparaciones de características entre sesiones más directas. El artículo sugiere que este algoritmo podría permitir evaluaciones longitudinales de sEMG donde los cambios en la señal se atribuyan a la recuperación fisiológica y no a errores de colocación del sensor.

Los autores mantienen la modestia respecto a las limitaciones, señalando que:

El estudio se realizó dentro de una única sesión de 3 horas, y la generalizabilidad multi-semanal (crítica para el seguimiento de la recuperación de un accidente cerebrovascular) requiere de mayor validación.
La población fue de sujetos sanos, no pacientes con accidente cerebrovascular, aunque los resultados del TA durante el ejercicio dinámico se destacan como particularmente relevantes para la evaluación del pie caído (drop-foot).
El algoritmo depende de la optimización global, la cual puede encontrar mínimos locales, y su rendimiento está limitado por el requisito de cierto solapamiento físico entre las posiciones de los arreglos.

En última instancia, el artículo posiciona esta tecnología como una solución a la barrera del "conocimiento experto" en la configuración de la sEMG, permitiendo potencialmente la cuantificación objetiva de la recuperación en entornos remotos o de no expertos.