Multi-Planar Ankle Joint Angle Estimation Using Force Myography During Dynamic Gait

Resumen Técnico: Estimación Multiplanar del Ángulo de la Articulación del Tobillo mediante Miografía de Fuerza durante la Marcha Dinámica

Planteamiento del Problema
La medición precisa y continua del ángulo de la articulación del tobillo (AJA, por sus siglas en inglés) es crítica para el control en tiempo real de dispositivos de asistencia portátiles, tales como prótesis de tobillo-pie y exoesqueletos, así como para la evaluación biomecánica. Los métodos actuales de referencia, como la captura de movimiento óptica mediante múltiples cámaras (OMC), están restringidos a entornos de laboratorio debido a sus altos costos, complejidad y requisitos de espacio. Si bien las Unidades de Medición Inercial (IMU) ofrecen una alternativa portátil, sufren de deriva de integración, sensibilidad a la colocación del sensor y retrasos en el procesamiento que pueden comprometer la estabilidad y la capacidad de respuesta de los dispositivos de asistencia. Existe la necesidad de una modalidad de detección de bajo costo, robusta y portátil capaz de estimar la cinemática multiplanar del tobillo durante condiciones de marcha dinámica, incluyendo variaciones de velocidad e inclinación.

Metodología
Este estudio propone un sistema de Miografía de Fuerza (FMG) para estimar el AJA continuo tanto en el plano sagital (dorsiflexión/plantarflexión) como en el frontal (inversión/eversión).

• Adquisición de Datos: Se desarrolló una banda de FMG propia que contiene ocho sensores de resistencia sensible a la fuerza (FSR) que se sujetó circunferencialmente alrededor de los músculos de la pierna de diez sujetos sanos de sexo masculino. Los sensores se posicionaron para capturar cambios volumétricos en compartimentos musculares específicos (tibial anterior, peroneo lateral, gastrocnemio y sóleo).
• Protocolo Experimental: Los datos se recolectaron durante la marcha en cinta de correr bajo cinco condiciones distintas: velocidades lenta, normal y rápida en una superficie nivelada (0°), y velocidad normal en inclinaciones de 5° y 8°. El AJA de referencia (ground truth) se registró simultáneamente utilizando un goniómetro digital de alta precisión.
• Preprocesamiento: Las señales de FMG y del goniómetro se sincronizaron mediante un pulso de disparo TTL, se filtraron mediante un filtro Butterworth de fase cero de cuarto orden (corte de 5 Hz) y se submuestrearon a 100 Hz.
• Marcos de Aprendizaje Automático: Se desarrollaron y compararon dos enfoques de modelado distintos:
  1. Aprendizaje Profundo (CNN-BiLSTM): Se utilizó una Red Neuronal Convolucional (CNN) para extraer características espaciales de las señales de 8 canales de FMG, seguida de capas de Memoria de Corto Plazo Bidireccional (BiLSTM) para capturar las dependencias temporales en el ciclo de la marcha. Se probaron dos arquitecturas:
     • Específica de la Condición: Modelos separados entrenados para cada condición de marcha.
     • Generalizada (con Embedding): Un único modelo por sujeto entrenado con datos combinados, donde la velocidad de marcha y la inclinación se codificaron como embeddings categóricos para permitir que la red aprenda los cambios biomecánicos entre condiciones.
  2. Aprendizaje Automático (XGBoost): Se entrenó un modelo de Potenciación de Gradiente Extremo utilizando datos tabulares derivados de ventanas deslizantes de las señales de FMG. Las características incluyeron amplitudes brutas y sus primera y segunda derivadas (velocidad y aceleración), junto con etiquetas codificadas de velocidad e inclinación.
• Evaluación: Los modelos se evaluaron utilizando el Error Cuadrático Medio (RMSE) y el Coeficiente de Correlación de Pearson (CC) contra la referencia del goniómetro. La significancia estadística se evaluó mediante pruebas t de muestras pareadas y ANOVA de un factor.

Resultados Clave
El estudio demostró que las señales de FMG de la pierna pueden estimar eficazmente los ángulos multiplanares de la articulación del tobillo a través de condiciones de marcha dinámica.

• Métricas de Desempeño: El modelo con mejor desempeño logró un RMSE medio de 1.31° ± 0.39° y un coeficiente de correlación de 0.97 ± 0.01 en el plano sagital. En el plano frontal, el RMSE medio fue de 0.82° ± 0.28° con un coeficiente de correlación de 0.92 ± 0.04.
• Comparación de Modelos: La arquitectura CNN-BiLSTM generalmente proporcionó una alta alineación temporal con los datos de referencia. La inclusión de capas de embedding permitió un modelo generalizado que redujo la necesidad de entrenar modelos separados para cada condición, manteniendo una alta precisión. El modelo XGBoost ofreció una alternativa computacionalmente eficiente con un desempeño competitivo.
• Robustez de la Condición: El sistema mantuvo una alta precisión en todas las velocidades probadas (lenta, normal, rápida) e inclinaciones (0°, 5°, 8°), lo que indica que la señal de FMG contiene información suficiente para adaptarse a variaciones de terreno y dinámica de la marcha.

Significancia y Reivindicaciones
Los autores afirman que este estudio establece una base sólida para el uso de FMG en la evaluación biomecánica, la rehabilitación de la marcha y el control en tiempo real de dispositivos de asistencia. Al superar las limitaciones de la OMC y las IMU, el marco propuesto ofrece una solución portátil, simple y de bajo costo para la estimación continua del ángulo del tobillo multiplanar. La investigación destaca específicamente la viabilidad del uso de FMG de los músculos de la pierna para decodificar la cinemática compleja y multiplanar del tobillo durante la marcha dinámica, una capacidad que ha permanecido mayormente inexplorada en la literatura previa, la cual a menudo se centró en movimientos únicamente sagitales o isocinéticos. La integración exitosa de modelos de aprendizaje profundo y potenciación de gradiente sugiere que la FMG puede servir como una modalidad de sensor viable para la próxima generación de exoesqueletos y prótesis adaptativas.