How does downsampling affect needle electromyography signals? A generalisable workflow for understanding downsampling effects on high-frequency time series

Resumo Técnico: Um Fluxo de Trabalho Generalizável para Compreender os Efeitos da Redução de Taxa de Amostragem em Sinais de Eletromiografia de Agulha

Definição do Problema
A análise automatizada de sinais de eletromiografia de agulha (nEMG) é uma ferramenta promissora para a detecção de doenças neuromusculares (DNMs). No entanto, os sinais de nEMG possuem alta resolução temporal (ex: ~23 kHz) e taxas de amostragem heterogêneas, criando cargas computacionais substanciais para modelos de aprendizado de máquina (ML) baseados em características. Isso dificulta a análise em tempo quase real e a implementação clínica. Embora a redução da taxa de amostragem (downsampling) ofereça uma solução para reduzir a carga computacional, o impacto na integridade diagnóstica do sinal e no desempenho da classificação permanece insuficientemente compreendido. Estudos anteriores em campos biomédicos relacionados (EEG, ECG, EMG de superfície) mostraram resultados heterogêneos, variando de degradação a melhoria no desempenho, contudo, não existe um fluxo de trabalho padronizado para avaliar sistematicamente os níveis aceitáveis de perda de informação entre diferentes algoritmos de downsampling e fatores.

Metodologia
Os autores propõem um fluxo de trabalho generalizável de cinco etapas para avaliar sistematicamente a perda de informação causada pelo downsampling em séries temporais de alta frequência. Este fluxo de trabalho foi aplicado ao conjunto de dados EMGLAB, contendo 22 pacientes com três classes diagnósticas: Controle, Miopática e Esclerose Lateral Amiotrófica (ELA).

1. Definição de Configuração: Cinco algoritmos de downsampling foram testados: Decimate (subamostragem uniforme com filtragem anti-aliasing), MinMax, M4, Largest Triangle Three Buckets (LTTB) e MinMaxLTTB. Estes foram aplicados em 26 fatores de downsampling ($k$), variando de 2 a 1000.
2. Computação de Métricas de Distância: Para cada configuração, métricas de distância foram computadas entre os sinais originais e os reduzidos. Estas incluíram métricas no domínio do tempo (RMSE, coeficientes de correlação, taxa de cruzamento de zero, contagem de picos, assimetria, curtose), métricas no domínio da frequência (Distância Espectral Logarítmica) e métras de teoria da informação (Distância de Compressão Normalizada, Divergência de Jensen-Shannon).
3. Pipeline de Classificação: Uma tarefa de classificação supervisionada foi realizada utilizando um pipeline que apresenta o tsfresh para extração de características e um classificador Random Forest. O desempenho foi avaliado usando acurácia balanceada, F1-scores por classe, especificidade, sensibilidade e ROC AUC, utilizando 5 repetições de validação cruzada de grupos estratificados de 3 dobras ao nível do paciente.
4. Modelo de Ranking: Um modelo de ranking pareado (XGBoost) foi treinado para correlacionar métricas de distância com o desempenho da classificação. Este modelo previu qual configuração resultaria em melhor acurácia baseando-se apenas nas métricas de distância. Valores SHAP (SHapley Additive exPlanations) foram extraídos para identificar quais características do sinal (ex: conteúdo de frequência vs. distribuição de amplitude) eram mais críticas para o classificador.
5. Análise de Espaço de Características e Custo: O estudo analisou mudanças na importância das características usando agrupamento k-means e redução de dimensionalidade (MDS) para visualizar como a relevância das características evoluiu com o downsampling. Adicionalmente, o tempo de extração de características foi medido para quantificar o ganho de velocidade computacional.

Principais Resultados

• Desempenho dos Algoritmos: No conjunto de dados EMGLAB, o Decimate (com filtragem anti-aliasing) demonstrou a maior resiliência, mantendo o desempenho de classificação até um fator de downsampling de 30. Algoritmos sensíveis à forma (LTTB, MinMaxLTTB, MinMax) atingiram seus pontos críticos de degradação de desempenho em fatores de 25, enquanto o M4 degradou significativamente mais cedo (fator 20).
• Fator Limitante Crítico: A classe Miopática foi a mais sensível ao downsampling, atuando como o fator limitante para todas as estratégias. Isto é clinicamente plausível, pois os potenciais de ação de unidades motoras (MUAPs) miopáticos são frequentemente de curta duração e polifásicos, exigindo frequências de amostragem mais altas para serem resolvidos.
• Características do Sinal: A análise SHAP revelou que o desempenho da classificação dependia fortemente de características do domínio da frequência (especificamente a Distância Espectral Logarítmica e a Taxa de Cruzamento de Zero) em vez da preservação estrita da distribuição de amplitude (assimetria/curtose). Isso sugere que algoritmos sensíveis à forma, que priorizam extremos de amplitude, podem não reter as propriedades específicas do sinal necessárias para o diagnóstico de DNM neste contexto.
• Compromisso Computacional: O downsampling proporcionou ganhos computacionais significativos. A configuração ideal (Decimate no fator 30) alcançou um ganho de velocidade de ~60 vezes no tempo de extração de características, sem perda estatisticamente significativa na acurácia balanceada em comparação com o sinal original. O tempo de extração de características diminuiu exponencialmente até o fator 50, após o qual os ganhos estagnaram.
• Estabilidade do Espaço de Características: Em baixos fatores de downsampling (até 5), as trajetórias de importância das características foram semelhantes entre os algoritmos. Além disso, o Decimate divergiu significativamente dos métodos sensíveis à forma. Altos fatores de downsampling aumentaram a variância da importância das características entre as dobras de validação cruzada, indicando redução da estabilidade do modelo.

Significância e Alegações
O artigo afirma preencher uma lacuna crítica na literatura ao fornecer um fluxo de trabalho padronizado e reprodutível para equilibrar a redução de dados com o desempenho do modelo em aplicações de séries temporais de alta frequência. Os autores afirmam que suas descobertas oferecem orientação prática para a seleção de configurações de downsampling que permitam a análise de nEMG em tempo quase real sem sacrificar a utilidade diagnóstica.

Especificamente, o estudo demonstra que:

1. Hipótese de Sobreamostragem: Os resultados sugerem que os sinais de nEMG padrão podem estar sobreamostrados para a tarefa específica de classificação automatizada usando tsfresh e Random Forest, uma vez que o desempenho diagnóstico permanece estável mesmo quando a frequência de Nyquist efetiva é reduzida para ~390 Hz (através de um fator de 30 de downsampling).
2. Seleção de Algoritmo: Contrariamente à intuição de que preservar a forma visual (via LTTB/MinMax) é primordial, o estudo descobriu que a decimação uniforme com filtragem anti-aliasing preserva melhor o conteúdo de informação diagnóstica para este conjunto de dados e conjunto de características específico.
3. Implementação Clínica: O fluxo de trabalho fornece uma base para o desenvolvimento de pipelines de análise de nEMG clinicamente implantáveis que atendam aos requisitos de processamento em tempo real.

Limitações e Direções Futuras
Os autores reconhecem modestamente que seus resultados são específicos para o conjunto de dados EMGLAB, que contém apenas dados de contração voluntária moderada sob condições controladas e carece de segmentos de repouso ou ruído clínico do mundo real. Consequentemente, os fatores ideais identificados podem não se generalizar para todas as modalidades de nEMG ou conjuntos de dados com diferentes frequências de amostragem. O estudo pede a validação em conjuntos de dados independentes e a avaliação clínica especializada dos sinais reduzidos antes que recomendações clínicas mais amplas possam ser feitas. O fluxo de trabalho é proposto como uma ferramenta geral que pode ser adaptada para avaliar outras técnicas de morfologia de sinal (ex: compressão) e aplicada a outras séries temporais biomédicas de alta frequência.