⚡ electrical engineering

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

Cette étude présente un nouvel algorithme d'sEMG haute densité qui quantifie et corrige les décalages de l'emplacement des électrodes entre les sessions dans les muscles des membres inférieurs, réduisant ainsi de manière significative la variabilité des caractéristiques et améliorant l'utilité clinique de l'sEMG pour le suivi de la récupération dans les troubles neurologiques et musculosquelettiques.

Auteurs originaux : Fraser Douglas, Mona Pei, Quoc Sy Vu, Linh Le, Calvin Kuo

Publié 2026-07-07

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Fraser Douglas, Mona Pei, Quoc Sy Vu, Linh Le, Calvin Kuo

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Le gros problème : la « cible mouvante »

Imaginez que vous essayiez de prendre une photo parfaite d'une fleur spécifique dans un jardin pour suivre sa croissance au cours des prochaines semaines. Pour obtenir une comparaison équitable, vous devez prendre la photo exactement du même endroit à chaque fois.

Cependant, si vous faites accidentellement deux pas vers la gauche le deuxième jour, la fleur semble différente sur la photo — non pas parce que la fleur a changé, mais parce que votre point de vue a changé.

C'est exactement le problème de l'sEMG (électromyographie de surface), une technologie utilisée pour « écouter » l'activité musculaire. Les médecins et les chercheurs placent des capteurs adhésifs sur la peau d'un patient pour « écouter » les muscles. S'ils placent les capteurs à un endroit légèrement différent lors d'une seconde visite (même d'un seul centimètre), le signal change. C'est comme la photo de la fleur à nouveau : les données semblent différentes, mais c'est juste parce que la « caméra » a bougé, et non parce que le muscle du patient s'est amélioré ou détérioré. Cela rend le suivi de la récupération très difficile au fil du temps, en particulier pour les patients qui ne peuvent pas placer les capteurs parfaitement eux-mêmes (comme les survivants d'un AVC) ou lorsque les patients font leurs exercices à domicile.

La solution : un algorithme de « Carte Intelligente »

Les chercheurs ont développé un nouveau programme informatique (un algorithme) qui agit comme un GPS pour les muscles.

Au lieu de simplement supposer que les capteurs sont restés au même endroit, ce programme analyse le « son » de l'activité musculaire provenant d'une grille haute densité de 64 capteurs minuscules (comme un capteur de caméra haute résolution). Il compare le « son » de la première session au « son » de la deuxième session.

En analysant comment les motifs d'activité musculaire se sont déplacés à travers la grille, le programme peut calculer mathématiquement : « Ah, les capteurs ont bougé de 2 centimètres vers la gauche et ont pivoté légèrement. »

Comment ils l'ont testé

Pour prouver que cela fonctionnait, ils n'ont pas seulement fait des suppositions ; ils ont mis en place une expérience contrôlée :

La configuration : Ils ont placé la grille de capteurs sur les jambes de 11 volontaires sains.
La « Vérité Terrain » : Ils ont effectué un scan 3D précis de la jambe avec les capteurs dessus. C'est comme prendre une carte parfaite et en haute définition de l'endroit où se trouvaient réellement les capteurs.
Le mouvement : Ils ont retiré les capteurs, les ont déplacés intentionnellement vers un nouvel endroit (en les décalant jusqu'à 4 cm et en les faisant pivoter), puis les ont remis en place.
Le test : Ils ont demandé au programme informatique de deviner le nouvel emplacement, sans regarder le scan 3D. Ensuite, ils ont comparé la supposition de l'ordinateur à la véritable carte 3D.

Les résultats : Se rapprocher de la vérité

Les résultats ont montré que le programme informatique était bien meilleur pour trouver le nouvel emplacement que de simplement supposer que les capteurs n'avaient pas bougé.

La supposition « Sans Déplacement » : Si l'on suppose que les capteurs n'ont pas bougé, on se trompe dans 82 % des cas.
La supposition « Carte Intelligente » : L'algorithme a correctement identé le nouvel emplacement dans 82 % des cas.
Précision : Dans environ 38 % des cas, l'algorithme a localisé le nouvel emplacement à moins de 1 centimètre (environ la largeur d'un ongle) de l'endroit réel. C'est impressionnant car même les professionnels de santé formés ont souvent du mal à placer des capteurs avec une telle précision sur des patients ayant un contrôle musculaire limité.

Cela corrige-t-il les données ?

L'objectif ultime était de voir si la correction de la supposition de localisation rendait réellement les données musculaires plus cohérentes.

Sans la correction : Si l'on compare le même numéro de capteur de la Session 1 à la Session 2 (bien qu'il soit maintenant sur une partie différente du muscle), les données semblent très différentes (une différence de 21 % de l'intensité du signal).
Avec la correction : L'algorithme trouve la « correspondance la plus proche ». Il dit : « Le capteur n°10 de la Session 1 est en fait sur le même point musculaire que le capteur n°12 de la Session 2. » Lorsqu'ils ont comparé ces points correspondants, les données étaient presque identiques à la comparaison du « scan 3D parfait ».

L'essentiel à retenir

Cet article montre que nous pouvons utiliser un algorithme informatique intelligent pour déterminer exactement où les capteurs musculaires ont bougé entre deux visites. En faisant cela, nous pouvons « corriger » les données afin de comparer des pommes avec des pommes, plutôt que des pommes avec des oranges.

Cela signifie qu'à l'avenir, nous pourrions suivre la récupération musculaire de manière plus fiable, même si les capteurs ne sont pas placés exactement au même endroit à chaque visite, ce qui faciliterait le suivi des progrès des patients sur des semaines ou des mois.

Résumé Technique : Améliorer l'utilité clinique de l'sEMG des membres inférieurs via la quantification de la localisation

Énoncé du problème
L'électromyographie de surface (sEMG) offre une fenêtre non invasive sur l'activité musculaire, promettant un potentiel important pour l'évaluation de la récupération neurologique et musculo-squelettique, particulièrement dans la réadaptation après un accident vasculaire cérébral (AVC). Cependant, son adoption clinique est entravée par une haute sensibilité au placement des électrodes. Un placement constant des capteurs est crucial pour garantir que les changements de signal reflètent une récupération physiologique plutôt que des artefacts de mouvement du capteur. Bien que des directives comme SENIAM existent, elles reposent sur la palpation et des repères anatomiques, un processus difficile pour les populations présentant des déficiences (qui peuvent manquer de tonus musculaire) et les utilisateurs non experts (par exemple, dans des contextes de télé-réadaptation à distance). Des tentatives précédentes visant à atténuer ce problème en utilisant l'sEMG haute densité (HDsEMG) et l'analyse en composantes indépendantes (ICA) étaient limitées à de petits décalages translationnels dans des directions spécifiques et ne prenaient pas en compte les variations rotationnelles ou les erreurs de placement plus importantes, courantes en pratique clinique.

Méthodologie
L'étude a développé un nouvel algorithme pour quantifier et corriger les changements de localisation des électrodes entre les sessions en utilisant des données HDsEMG.

Collecte de données : Les participants ont effectué des exercices isométriques (contractions maximales) et dynamiques (Sit-to-Stand, Timed-Up-and-Go) avec des réseaux HDsEMG à 64 canaux (8x8, espacement de 1 cm) sur quatre muscles des membres inférieurs : le gastrocnémien médial (GM), le tibial antérieur (TA), le semi-tendineux (ST) et le tenseur du fascia latae (TFL).
Génération de la vérité terrain (Ground Truth) : Pour simuler l'imprécision clinique, les réseaux ont été réappliqués à des emplacements décalés (jusqu'à 4,25 cm de translation et ±30° de rotation) à travers quatre segments. Un scanner 3D a capturé la position du réseau par rapport à des marqueurs cutanés pour établir les décalages de la « vérité terrain » ( $x, y, \theta$ ).
Développement de l'algorithme : Un optimiseur global basé sur la descente de gradient a été conçu pour estimer le décalage entre les sessions d'enregistrement. L'algorithme minimise une fonction d'objectif pondérée basée sur l'erreur quadratique moyenne (RMSE) de trois métriques cartographiées spatialement, extraites des signaux HDsEMG :
1. Corrélation absolue moyenne par paire (schéma spatial de l'activité musculaire).
2. Fréquence moyenne (contenu spectral).
3. Amplitude d'enveloppe maximale (magnitude dans le domaine temporel).
  Les métriques ont été normalisées et les poids ont été déterminés (2,72 pour la corrélation, 1,24 pour la fréquence moyenne, 1,00 pour l'amplitude) afin d'équilibrer leurs contributions.
Validation : Le décalage estimé par l'algorithme a été comparé à la vérité terrain par scan 3D en utilisant la distance euclidienne moyenne ( $\mu$ ED). De plus, l'étude a analysé si l'utilisation de l'algorithme pour identifier les électrodes les « plus proches » réduisait la variabilité des caractéristiques par rapport à l'utilisation des « mêmes » électrodes (la pratique standard actuelle).

Contributions clés

Estimation robuste du décalage : L'article présente un algorithme capable d'estimer les décalages de translation et de rotation des électrodes en utilisant uniquement les caractéristiques du signal sEMG, sans nécessiter d'imagerie externe lors de la session d'enregistrement réelle.
Stratégie d'atténuation des caractéristiques : Il démontre une méthode pour atténuer la variabilité inter-sessions en faisant correspondre les caractéristiques aux électrodes les plus proches identifiées par l'algorithme, plutôt qu'en se fiant à des indices d'électrodes fixes.
Validation complète : L'approche a été validée par rapport à la vérité terrain par scan 3D sur plusieurs muscles et lors de conditions d'exercices isométriques et dynamiques, fournissant une évaluation réaliste des performances sous des erreurs de placement cliniquement pertinentes.

Résultats

Estimation de la localisation : L'algorithme a amélioré l'estimation de la localisation par rapport à l'hypothèse d'absence de décalage (hypothèse de l'origine) dans 81,7 % des cas isométriques. La $\mu$ ED médiane a été réduite de 3,00 cm (hypothèse de l'origine) à 1,22 cm (algorithme). Plus précisément, 37,6 % de tous les décalages ont été identifiés à moins de 1 cm (la distance inter-électrode), contre moins de 5 % pour l'hypothèse de l'origine. Les performances variaient selon le muscle, le Tibial Antérieur (TA) affichant la plus grande précision (50,0 % à moins de 1 cm).
Variabilité des caractéristiques : Pour les exercices isométriques, les différences de caractéristiques (différence de pourcentage relatif et écart type normalisé par la moyenne) calculées entre les électrodes « les plus proches » (via l'algorithme ou la vérité terrain) étaient statistiquement similaires entre elles, mais significativement plus faibles que les différences calculées en utilisant les « mêmes » électrodes malgré les décalages. Par exemple, la différence moyenne pour l'amplitude d'enveloppe maximale isométrique est passée de 15,9 % (avec correction par l'algorithme) à 21,1 % (sans correction).
Exercices dynamiques : Bien que l'algorithme ait montré des taux de succès légèrement inférieurs pour les exercices dynamiques (améliorant les estimations dans environ 56–63 % des cas et identifiant les décalages à moins de 1 cm dans environ 15–17 % des cas), la tendance à la réduction de la variabilité des caractéristiques pour l'approche de l'électrode « la plus proche » est restée cohérente pour la plupart des caractéristiques, bien que la signification statistique soit moins prononcée que pour les données isométriques.

Signification et affirmations
Les auteurs affirment que ce travail représente un « pas prometteur vers une mesure sEMG robuste » pour le suivi de la récupération musculo-squelettique et neurologique. En réduisant efficacement les différences de caractéristiques inter-sessions découlant des changements de localisation des électrodes, l'approche proposée facilite les comparaisons de caractéristiques directes entre les sessions. L'article suggère que cet algorithme pourrait permettre des évaluations longitudinales par sEMG où les changements de signal sont attribués à la récupération physiologique plutôt qu'à des erreurs de placement de capteurs.

Les auteurs restent modestes quant aux limites, notant que :

L'étude a été menée lors d'une seule session de 3 heures, et la généralisabilité sur plusieurs semaines (cruciale pour le suivi de la récupération après un AVC) nécessite une validation supplémentaire.
La population était composée de sujets sains, et non de patients victimes d'AVC, bien que les résultats du TA pendant l'exercice dynamique soient soulignés comme étant particulièrement pertinents pour l'évaluation du pied tombant.
L'algorithme repose sur une optimisation globale, qui peut rencontrer des minima locaux, et ses performances sont limitées par l'exigence d'un certain chevauchement physique entre les positions des réseaux.

En fin de compte, l'article positionne cette technologie comme une solution à la barrière de l'« expertise technique » dans la configuration de l'sEMG, permettant potentiellement des quantifications objectives de la récupération dans des contextes de télé-réadaptation ou avec des utilisateurs non experts.