Technische Samenvatting: ReactEMG Stroke

Probleemstelling

Oppervlakte-elektromyografie (sEMG) biedt een veelbelovend niet-invasief signaal voor het aansturen van ondersteunende handorthoses bij post-stroke revalidatie, wat "assist-as-needed" systemen mogelijk maakt die reageren op de vrijwillige intentie van een patiënt. Echter, het implementeren van sEMG-gebaseerde intentiedetectie voor mensen met een beroerte vormt een kritieke flessenhals: patiëntspecifieke kalibratie is tijdrovend, vraagt veel data en is fragiel.

Signalen van paretische (aangedane) spieren verschillen fundamenteel van die van gezonde gebruikers door zwakte, verminderde vrijwillige aansturing, spasticiteit en abnormale synergieën (bijv. co-contractie). Gevolgelijk vereisen modellen die getraind zijn op stroke-data grote hoeveelheden gelabelde data om bruikbaar te zijn, maar ze blijven kwetsbaar voor variabiliteit in de echte wereld, zoals houdingsveranderingen, herpositionering van sensoren en signaaldrift binnen een sessie. Bestaande few-shot of adaptieve strategieën initialiseren modellen meestal vanaf nul met enkel stroke-data of gebruiken gezonde data enkel om configuraties af te stemmen, waardoor ze er niet in slagen de rijke, herbruikbare representaties te benutten die aanwezig zijn in grootschalige datasets van gezonde sEMG-data.

Methodologie

De auteurs stellen ReactEMG Stroke voor, een framework voor healthy-to-stroke few-shot adaptation. De kern van het concept is het initialiseren van een intentiedetector met behulp van een model dat is voorgetraind op grootschalige gezonde sEMG-data, om dit vervolgens te finetunen voor individuele stroke-deelnemers met een minimale hoeveelheid patiëntspecifieke gelabelde data.

1. Basismodel en Data

• Basismodel: De auteurs maken gebruik van ReactEMG, een encoder-only transformer die is voorgetraind op vijf publieke datasets bestaande uit meer dan 650 gezonde deelnemers. ReactEMG gebruikt een multimodale gemaskeerde modelleringsdoelstelling, waarbij het leert om zowel EMG-signalen als uitgelijnde intentielabels te reconstrueren, waardoor robuuste EMG-representaties worden vastgelegd.
• Stroke Dataset: Een nieuwe dataset werd verzameld van drie individuen met chronische gevolgen van een beroerte. De deelnemers droegen een Myo-armband op de paretische onderarm en een MyHand-orthose. Het protocol bestond uit getimede sequenties van pogingen tot het openen, sluiten en ontspannen van de hand.
• Evaluatieprotocol: Om robuustheid te testen, werden modellen geëvalueerd op uitgesloten testsets met realistische distributieverschuivingen:
  • Binnen-sessie drift: Signalen verzameld halverwege en aan het einde van de sessie.
  • Ongeziene houding: De arm werd van de tafel getild (zwevende houding).
  • Sensorplaatsing: De armband werd ongeveer 15° gedraaid.
  • Door het apparaat gedreven beweging: De orthose opende actief de hand terwijl de patiënt probeerde de hand te sluiten.

2. Adaptatiestrategieën

De studie vergelijkt drie fine-tuning strategieën met twee baselines onder identieke databudgets:

• Baselines:
  • Healthy Zero-shot: Het bevroren voorgetrainde model direct toegepast op stroke-data.
  • Stroke-only Training: Een model dat vanaf nul wordt getraind (random initialisatie) met enkel de kleine hoeveelheid stroke-data.
• Adaptatiestrategieën:
  • Head-only Tuning: Het bevriezen van de voorgetrainde backbone en het updaten van enkel de classificatiekop.
  • LoRA (Low-Rank Adaptation): Het bevriezen van de voorgetrainde gewichten en het trainen van low-rank update matrices voor lineaire lagen, wat interne aanpassing van kenmerken mogelijk maakt met weinig parameters.
  • Full Fine-tuning: Het updaten van alle modelparameters.

3. Metrieken

Prestaties werden geëvalueerd met behulp van:

• Raw Accuracy: Het deel van de tijdstappen met de correct voorspelde labels.
• Transition Accuracy: Een striktere metriek die de stabiliteit van real-time controle reflecteert. Het meet de correctheid van intentietransities (vereist een correcte voorspelling binnen een reactiebuffer) en het behoud van de nieuwe klasse zonder "flikkering" tot de volgende transitie.

Belangrijkste Bijdragen

1. Eerste Healthy-to-Stroke Transfer voor Intentiedetectie: De auteurs presenteren het eerste framework om een grootschalig, gezond EMG-foundation model specifiek aan te passen voor stroke-intentiedetectie.
2. Uitgebreide Strategievergelijking: Onder gecontroleerde databudgets vergelijkt het artikel systematisch head-only tuning, parameter-efficiënte LoRA en full fine-tuning tegenover stroke-only training en zero-shot transfer.
3. Robuustheidsevaluatie: De evaluatie omvat diverse distributieverschuivingen (houding, sensorplaatsing, drift) die de uitdagingen van klinische implementatie in de echte wereld nabootsen, in plaats van enkel statische in-distributie testen.

Resultaten

• Prestatiewinst: Adaptatie met gezonde voorgetrainde modellen presteerde consequent beter dan zowel zero-shot transfer als stroke-only training. De beste adaptatiemethoden (LoRA en Full Fine-tuning) verbeterden de gemiddelde transition accuracy van 0,42 naar 0,61 en de raw accuracy van 0,69 naar 0,78 vergeleken met de stroke-only baseline.
• Strategieafhankelijkheid: Geen enkele strategie domineerde alle deelnemers.
  • LoRA en Full Fine-tuning leverden over het algemeen de hoogste prestaties, vooral voor deelnemers met ernstigere beperkingen (S1, S2).
  • Head-only tuning presteerde verrassend goed voor de minder beperkte deelnemer (S3), wat suggereert dat minder ernstige beperkingen minder agressieve aanpassingen van de representatie vereisen.
• Data-efficiëntie: Significante verbeteringen werden waargenomen zelfs met extreem lage databudgets (bijv. N=1 of N=4 paren). Voor minder beperkte deelnemers benaderde de prestatie met minimale data die van training met een volledige budget, of overtrof deze zelfs. Echter, meer beperkte deelnemers vertoonden een voortdurend voordeel van grotere databudgets.
• Convergentie: Met gezonde initialisatie geïnitialiseerde modellen behaalden betekenisvolle winsten binnen de eerste paar epochs van fine-tuning, terwijl stroke-only modellen getraind vanaf nul geleidelijker verbeterden.

Betekenis en Claims

Het artikel claimt dat het overdragen van een herbruikbare gezonde EMG-representatie de kalibratielast voor stroke-revalidatie aanzienlijk kan verminderen en tegelijkert k de robuustheid tegen distributieverschuivingen kan verbeteren.

De auteurs benadrukken dat hoewel het schalen van gezonde foundation modellen haalbaar is vanwege de overvloed aan veilige, goedkope en grootschalige data van gezonde mensen, stroke-data inherent schaars blijft. Daarom biedt healthy-to-stroke fine-tuning een schaalbaar pad om de capaciteit van grote modellen te vertalen naar betere intentiedetectie voor beperkte stroke-datasets. De resultaten suggereren dat deze aanpak een levensvatbare strategie is om de databottleneck te overwinnen die de praktische inzet van sEMG-gebaseerde hulpmiddelen momenteel belemmert.