Resumo Técnico: ReactEMG Stroke

Definição do Problema

A eletromiografia de superfície (sEMG) oferece um sinal promissor e não invasivo para o controle de ortoses de mão assistivas na reabilitação pós-AVC, permitindo sistemas de "assistência conforme a necessidade" que respondem à intenção voluntária do paciente. No entanto, a implementação da detecção de intenção baseada em sEMG para sobreviventes de AVC enfrenta um gargalo crítico: a calibração específica para cada sujeito é demorada, exige muitos dados e é frágil.

Os sinais de músculos pareticos (afetados) diferem fundamentalmente dos usuários saudáveis devido à fraqueza, redução do drive voluntário, espasticidade e sinergias anormais (ex: co-contração). Consequentemente, modelos treinados com dados de AVC exigem grandes quantidades de dados rotulados para serem utilizáveis, mas permanecem frágeis a variações do mundo real, como mudanças de postura, reposicionamento de sensores e deriva de sinal (signal drift) dentro de uma sessão. Estratégias existentes de few-shot ou adaptativas tipicamente inicializam modelos do zero usando apenas dados de AVC ou usam dados de indivíduos saudáveis apenas para ajustar configurações, falhando em aproveitar as representações ricas e reutilizáveis encontradas em grandes conjuntos de dados de sEMG de pessoas saudáveis.

Metodologia

Os autores propõem o ReactEMG Stroke, um framework para adaptação de poucos disparos (few-shot adaptation) de saudável para AVC. A premissa central é inicializar um detector de intenção utilizando um modelo pré-treinado em dados de sEMG de grande escala de indivíduos saudáveis e, em seguida, ajustá-lo (fine-tuning) para participantes individuais com AVC utilizando uma quantidade mínima de dados rotulados específicos do sujeito.

1. Modelo Base e Dados

• Modelo Base: Os autores utilizam o ReactEMG, um codificador do tipo transformer pré-treinado em cinco conjuntos de dados públicos compostos por mais de 650 participantes saudáveis. O ReactEMG utiliza um objetivo de modelagem mascarada multimodal, aprendendo a reconstruir tanto os sinais de EMG quanto os rótulos de intenção alinhados, capturando assim representações de EMG robustas.
• Conjunto de Dados de AVC: Um novo conjunto de dados foi coletado de três indivíduos com AVC crônico. Os participantes usaram uma braçadeira Myo no antebraço paretico e uma ortose MyHand. O protocolo envolveu sequências temporizadas de tentativa de abertura de mão, fechamento e relaxamento.
• Protocolo de Avaliação: Para testar a robustez, os modelos foram avaliados em conjuntos de teste retidos que apresentam deslocamentos de distribuição realistas:
  • Deriva intra-sessão: Sinais coletados no meio e no final da sessão.
  • Postura não vista: Braço levantado da mesa (postura de suspensão/hovering).
  • Posicionamento do sensor: Braçadeira rotacionada em ~15°.
  • Movimento induzido pelo dispositivo: A ortose abrindo ativamente a mão enquanto o paciente tentava fechá-la.

2. Estratégias de Adaptação

O estudo compara três estratégias de ajuste fino (fine-tuning) contra duas linhas de base sob orçamentos de dados idênticos:

• Linhas de Base (Baselines):
  • Zero-shot Saudável: O modelo pré-treinado congelado aplicado diretamente aos dados de AVC.
  • Treinamento apenas de AVC: Um modelo treinado do zero (inicialização aleatória) usando apenas o pequeno conjunto de dados de AVC.
• Estratégias de Adaptação:
  • Ajuste apenas do Cabeçalho (Head-only Tuning): Congelando o backbone pré-treinado e atualizando apenas o cabeçalho de classificação.
  • LoRA (Low-Rank Adaptation): Congelando os pesos pré-treinados e treinando matrizes de atualização de baixo posto para camadas lineares, permitindo o ajuste de características internas com poucos parâmetros.
  • Ajuste Fino Total (Full Fine-tuning): Atualizando todos os parâmetros do modelo.

3. Métricas

O desempenho foi avaliado usando:

• Acurácia Bruta (Raw Accuracy): Fração de instantes de tempo com rótulos previstos corretos.
• Acurácia de Transição (Transition Accuracy): Uma métrica mais rigorosa que reflete a estabilidade do controle em tempo real. Ela mede a correção das transições de intenção (exigindo uma previsão correta dentro de um buffer de reação) e a manutenção da nova classe sem "oscilações" (flicker) até a próxima transição.

Principais Contribuições

1. Primeira Transferência de Saudável-para-AVC para Detecção de Intenção: Os autores apresentam o primeiro framework para adaptar um modelo de fundação de EMG de grande escala do domínio saudável especificamente para a detecção de intenção em AVC.
2. Comparação Abrangente de Estratégias: Sob orçamentos de dados controlados, o artigo compara sistematicamente o ajuste apenas do cabeçalho, o LoRA (ajuste de parâmetros eficientes) e o ajuste fino total contra o treinamento apenas de AVC e a transferência zero-shot.
3. Avaliação de Robustez: A avaliação inclui diversos deslocamentos de distribuição (postura, posicionamento de sensor, deriva) que mimetizam os desafios de implantação clínica no mundo real, em vez de apenas testes estáticos de distribuição interna.

Resultados

• Ganhos de Desempenho: A adaptação pré-treinada em saudáveis superou consistentemente tanto a transferência zero-shot quanto o treinamento apenas de AVC. Os melhores métodos de adaptação (LoRA e Ajuste Fino Total) melhoraram a acurácia de transição média de 0,42 para 0,61 e a acurácia bruta de 0,69 para 0,78 em comparação com a linha de base de apenas AVC.
• Dependência de Estratégia: Nenhuma estratégia dominou todos os participantes.
  • LoRA e Ajuste Fino Total geralmente produziram o maior desempenho, particularmente para participantes com maior comprometimento (S1, S2).
  • O ajuste apenas do cabeçalho teve um desempenho surpreendentemente bom para o participante com menor comprometimento (S3), sugerindo que o comprometimento menos severo pode exigir mudanças de representação menos agressivas.
• Eficiência de Dados: Observaram-se melhorias significativas mesmo com orçamentos de dados extremamente baixos (ex: N=1 ou N=4 pares). Para participantes com menor comprometimento, o desempenho com dados mínimos aproximou-se ou superou o treinamento com orçamento total. No entanto, participantes com maior comprometimento mostraram um benefício contínuo de orçamentos de dados maiores.
• Convergência: Modelos inicializados com dados saudáveis alcançaram ganhos significativos logo nos primeiros epochs de ajuste fino, enquanto modelos de apenas AVC treinados do zero melhoraram de forma mais gradual.

Significância e Alegações

O artigo alega que transferir uma representação de EMG reutilizável do domínio saudável pode reduzir substancialmente a carga de calibração para a reabilitação de AVC, ao mesmo tempo em que melhora a robustez a deslocamentos de distribuição.

Os autores enfatizam que, embora a escalabilidade de modelos de fundação para saudáveis seja viável devido à abundância de dados de indivíduos saudáveis que são seguros, baratos e de grande escala, os dados de EMG de AVC são inerentemente escassos. Portanto, o ajuste fino de saudável-para-AVC oferece um caminho escalável para traduzir a grande capacidade de modelos em uma melhor detecção de intenção para conjuntos de dados limitados de AVC. Os resultados sugerem que esta abordagem é uma estratégia viável para superar o gargalo de dados que atualmente impede a implementação prática de dispositivos assistivos baseados em sEMG.