⚡ electrical engineering

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

Este estudo apresenta um novo algoritmo de sEMG de alta densidade que quantifica e corrige os deslocamentos de localização dos eletrodos entre sessões nos músculos dos membros inferiores, reduzindo significativamente a variabilidade das características e aumentando a utilidade clínica da sEMG para o acompanhamento da recuperação em distúrbios neurológicos e musculoesqueléticos.

Autores originais: Fraser Douglas, Mona Pei, Quoc Sy Vu, Linh Le, Calvin Kuo

Publicado 2026-07-07

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Fraser Douglas, Mona Pei, Quoc Sy Vu, Linh Le, Calvin Kuo

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: O "Alvo Móvel"

Imagine que você está tentando tirar uma foto perfeita de uma flor específica em um jardim para acompanhar como ela cresce ao longo das próximas semanas. Para obter uma comparação justa, você precisa tirar a foto exatamente do mesmo lugar todas as vezes.

No entanto, se você acidentalmente der dois passos para a esquerda no segundo dia, a flor parecerá diferente na foto — não porque a flor mudou, mas porque o seu ponto de vista mudou.

Este é exatamente o problema com o sEMG (eletromiografia de superfície), uma tecnologia usada para "ouvir" a atividade muscular. Médicos e pesquisadores colocam sensores adesivos na pele de um paciente para "ouvir" os músculos. Se eles colocarem os sensores em um local ligeiramente diferente durante uma segunda visita (mesmo que por apenas um centímetro), o sinal muda. É como a foto da flor novamente: os dados parecem diferentes, mas é apenas porque a "câmera" se moveu, não porque o músculo do paciente melhorou ou piorou. Isso torna muito difícil acompanhar a recuperação ao longo do tempo, especialmente para pacientes que não conseguem posicionar os sensores perfeitamente sozinhos (como sobreviventes de AVC) ou quando os pacientes fazem os exercícios em casa.

A Solução: Um Algoritmo de "Mapa Inteligente"

Os pesquisadores desenvolveram um novo programa de computador (um algoritmo) que atua como um GPS para os músculos.

Em vez de apenas assumir que os sensores permaneceram no mesmo lugar, este programa analisa o "som" da atividade muscular de uma grade de alta densidade com 64 minúsculos sensores (como um sensor de câmera de alta resolução). Ele compara o "som" da atividade muscular da primeira sessão com o "som" da segunda sessão.

Ao analisar como os padrões de atividade muscular se deslocaram pela grade, o programa consegue calcular matematicamente: "Ah, os sensores se moveram 2 centímetros para a esquerda e rotacionaram ligeiramente."

Como Eles Testaram

Para provar que isso funcionava, eles não apenas adivinharam; eles montaram um experimento controlado:

A Configuração: Eles colocaram a grade de sensores nas pernas de 11 voluntários saudáveis.
A "Verdade de Campo": Eles fizeram uma varredura 3D precisa da perna com os sensores aplicados. Isso é como tirar um mapa perfeito e de alta definição de onde os sensores realmente estavam.
O Movimento: Eles removeram os sensores, moveram-nos intencionalmente para um novo local (deslocando-os em até 4 cm e rotacionando-os) e os colocaram de volta.
O Teste: Eles pediram ao programa de computador para adivinhar onde os sensores se moveram, sem olhar para a varredura 3D. Em seguida, compararam o palpite do computador com o mapa 3D real.

Os Resultados: Chegando Mais Perto da Verdade

Os resultados mostraram que o programa de computador foi muito melhor em encontrar o novo local do que simplesmente assumir que os sensores não haviam se movido.

O Palpite de "Sem Deslocamento": Se você assume que os sensores não se moveram, você erra 82% das vezes.
O Palpite do "Mapa Inteligente": O algoritmo identificou corretamente o novo local em 82% dos casos.
Precisão: Em cerca de 38% dos casos, o algoritmo localizou o novo ponto dentro de 1 centímetro (aproximadamente a largura de uma unha) do local real. Isso é impressionante porque até profissionais médicos treinados costumam ter dificuldade em posicionar sensores com essa precisão em pacientes com controle muscular limitado.

Isso Corrige os Dados?

O objetivo final era ver se corrigir a estimativa da localização realmente tornava os dados musculares mais consistentes.

Sem a correção: Se você comparar o mesmo número de sensor da Sessão 1 com a Sessão 2 (embora agora ele esteja sobre uma parte diferente do músculo), os dados parecem muito diferentes (uma diferença de 21% na força do sinal).
Com a correção: O algoritmo encontra a "correspondência mais próxima". Ele diz: "O Sensor nº 10 na Sessão 1 é, na verdade, o mesmo ponto muscular que o Sensor nº 12 na Sessão 2". Quando compararam esses pontos correspondentes, os dados pareceram quase idênticos à comparação da "varredura 3D perfeita".

A Conclusão

Este artigo mostra que podemos usar um algoritmo de computador inteligente para descobrir exatamente para onde os sensores musculares se moveram entre as visitas. Ao fazer isso, podemos "corrigir" os dados para que estejamos comparando maçãs com maçãs, em vez de maçãs com laranjas.

Isso significa que, no futuro, poderemos acompanhar a recuperação muscular de forma mais confiável, mesmo que os sensores não sejam colocados exatamente no mesmo lugar a cada visita, facilitando o monitoramento do progresso dos pacientes ao longo de semanas ou meses.

Resumo Técnico: Melhorando a Utilidade Clínica da sEMG de Membros Inferiores via Quantificação de Localização

Definição do Problema
A eletromiografia de superfície (sEMG) oferece uma janela não invasiva para a atividade muscular, detendo uma promessa significativa para a avaliação da recuperação neurológica e musculoesquelética, particularmente na reabilitação de pacientes acometidos por AVC. No entanto, sua adoção clínica é dificultada pela alta sensibilidade ao posicionamento dos eletrodos. O posicionamento consistente dos sensores é crítico para garantir que as mudanças no sinal reflitam a recuperação fisiológica, em vez de artefatos de movimento do sensor. Embora existam diretrizes como a SENIAM, elas dependem de palpação e marcos anatômicos, um processo difícil para populações com deficiências (que podem carecer de tônus muscular) e usuários não especialistas (por exemplo, em ambientes de tele-reabilitação remota). Tentativas anteriores de mitigar isso usando sEMG de Alta Densidade (HDsEMG) e Análise de Componentes Independentes (ICA) foram limitadas a pequenos deslocamentos translacionais em direções específicas e não consideraram variações rotacionais ou erros de posicionamento maiores, comuns na prática clínica.

Metodologia
O estudo desenvolveu um novo algoritmo para quantificar e corrigir mudanças de localização de eletrodos entre sessões usando dados de HDsEMG de 11 participantes saudáveis.

Coleta de Dados: Os participantes realizaram exercícios isométricos (contrações máximas) e dinâmicos (Sentar-Levantar e Timed-Up-and-Go) com matrizes de HDsEMG de 64 canais (8x8, espaçamento de 1 cm) em quatro músculos dos membros inferiores: gastrocnêmio medial (GM), tibial anterior (TA), semitendíneo (ST) e tensor da fáscia lata (TFL).
Geração do Ground Truth (Verdade de Campo): Para simular a imprecisão clínica, as matrizes foram reaplicadas em locais deslocados (até 4,25 cm de translação e ±30° de rotação) através de quatro segmentos. Um scanner 3D capturou a posição da matriz em relação aos marcadores cutâneos para estabelecer o deslocamento de "verdade de campo" ( $x, y, \theta$ ).
Desenvolvimento do Algoritmo: Um otimizador global baseado em gradiente descendente foi projetado para estimar o deslocamento entre as sessões de registro. O algoritmo minimizou uma função objetivo ponderada baseada no Erro Quadrático Médio (RMSE) de três métricas mapeadas espacialmente extraídas dos sinais de HDsEMG:
1. Correlação absoluta média pareada (padrão espacial da atividade muscular).
2. Frequência média (conteúdo espectral).
3. Amplitude do envelope máximo (magnitude no domínio do tempo).
  As métricas foram normalizadas, e os pesos foram determinados (2,72 para correlação, 1,24 para frequência média, 1,00 para amplitude) para equilibrar suas contribuições.
Validação: O deslocamento estimado pelo algoritmo foi comparado contra a verdade de campo do scanner 3D usando a Distância Euclidiana Média (μED). Além disso, o estudo analisou se o uso do algoritmo para identificar os eletrodos "mais próximos" entre as sessões reduzia a variabilidade das características em comparação com o uso dos "mesmos" eletrodos (a prática padrão atual).

Principais Contribuições

Estimativa de Deslocamento Robusta: O artigo apresenta um algoritmo capaz de estimar tanto o deslocamento translacional quanto o rotacional dos eletrodos usando apenas características de sinal de sEMG, sem a necessidade de imagem externa durante a sessão de registro real.
Estratégia de Mitigação de Características: Demonstra um método para mitigar a variabilidade inter-sessão ao mapear características para os eletrodos mais próximos identificados pelo algoritmo, em vez de depender de índices fixos de eletrodos.
Validação Abrangente: A abordagem foi validada contra a verdade de campo do scanner 3D em múltiplos músculos e em condições de exercício isométrico e dinâmico, fornecendo uma avaliação realista do desempenho sob erros de posicionamento clinicamente relevantes.

Resultados

Estimativa de Localização: O algoritmo melhorou a estimação de localização sobre a suposição de ausência de deslocamento (suposição de origem) em 81,7% dos casos isométricos. A mediana da μED foi reduzida de 3,00 cm (suposição de origem) para 1,22 cm (algoritmo). Especificamente, 37,6% de todos os deslocamentos foram identificados dentro de 1 cm (a distância intereletrodo), comparado a menos de 5% para a suposição de origem. O desempenho variou por músculo, com o Tibial Anterior (TA) apresentando a maior precisão (50,0% dentro de 1 cm).
Variabilidade de Características: Para exercícios isométricos, as diferenças de características (diferença percentual relativa e desvio padrão normalizado pela média) computadas entre os eletrodos "mais próximos" (via algoritmo ou verdade de campo) foram estatisticamente similares entre si, mas significativamente menores do que as diferenças computadas usando os "mesmos" eletrodos durante os deslocamentos. Por exemplo, a diferença média para a amplitude do envelope máximo isométrico aumentou de 15,9% (com correção pelo algoritmo) para 21,1% (sem correção).
Exercícios Dinâmicos: Embora o algoritmo tenha mostrado taxas de sucesso ligeiramente menores para exercícios dinâmicos (melhorando as estimativas em ~56–63% dos casos e identificando deslocamentos dentro de 1 cm em ~15–17% dos casos), a tendência de redução da variabilidade das características para a abordagem do eletrodo "mais próximo" permaneceu consistente para a maioria das características, embora a significância estatística tenha sido menos pronunciada do que nos dados isométricos.

Significância e Alegações
Os autores afirmam que este trabalho representa um "passo promissor em direção a uma medição de sEMG robusta" para monitorar a recuperação musculoesquelética e neurológica. Ao reduzir efetivamente as diferenças de características inter-sessão decorrentes de mudanças na localização dos eletrodos, a abordagem proposta facilita comparações de características entre sessões de forma mais direta. O artigo sugere que este algoritmo pode permitir avaliações longitudinais de sEMG onde as mudanças de sinal são atribuídas à recuperação fisiológica, e não a erros de posicionamento do sensor.

Os autores mantêm-se modestos quanto às limitações, observando que:

O estudo foi conduzido dentro de uma única sessão de 3 horas, e a generalização para múltiplas semanas (crítica para o rastreamento da recuperação de AVC) requer validação adicional.
A população era saudável, não de pacientes com AVC, embora os resultados do TA durante o exercício dinâmico sejam destacados como particularmente relevantes para a avaliação de drop-foot (pé caído).
O algoritmo depende de otimização global, que pode encontrar mínimos locais, e o desempenho é limitado pela exigência de alguma sobreposição física entre as posições das matrizes.

Em última análise, o artigo posiciona esta tecnologia como uma solução para a barreira do "conhecimento especializado" na configuração da sEMG, permitindo potencialmente quantificações de recuperação objetivas em ambientes remotos ou para usuários não especialistas.