Normalising electromyograms without maximal voluntary contractions

Os músculos humanos falam uma linguagem de eletricidade. Quando decidimos nos mover, nossos cérebios enviam sinais pelo canal espinhal para os neurônios motores, que, por sua vez, disparam impulsos elétricos nas fibras musculares. Essa atividade gera minúsculas variações de voltagem na superfície da pele, um sinal conhecido como eletromiografia, ou EMG. Cientistas há muito utilizam esses sinais para entender como controlamos nossos corpos, para avaliar a saúde de nervos e músculos e para ajudar a projetar membros biônicos que respondam à intenção de um usuário. No entanto, ler essa linguagem elétrica é complexo. O tamanho do sinal registrado na pele depende de muitas coisas: o quão espessa é a pele, o quão longe os eletrodos estão do músculo e como a pessoa está posicionada. Para comparar a atividade muscular entre diferentes pessoas ou diferentes dias, os pesquisadores geralmente precisam encontrar um ponto de referência comum. Tradicionalmente, isso significou pedir a uma pessoa que espremesse um músculo o mais forte que pudesse, um esforço máximo que serve como uma "escala total" para a medição.

Essa prática padrão, embora útil, traz obstáculos significativos. Pedir a uma pessoa que exerça seu máximo absoluto nem sempre é possível. Pode ser doloroso para alguém com uma lesão, exaustivo para um paciente em recuperação de uma doença ou simplesmente difícil demais para alguém com uma condição neurológica que limita sua capacidade de contrair os músculos totalmente. Além disso, mesmo para pessoas saudáveis, o resultado de um esforço máximo pode variar de dia para o dia, dependendo da motivação ou da fadiga. Durante anos, cientistas buscaram uma maneira de normalizar esses sinais musculares sem depender desse esforço máximo, que é difícil e, às vezes, impossível. Uma equipe de pesquisadores da Universidade de Griffith propôs agora um novo método que observa a própria forma do sinal elétrico para determinar sua força, potencialmente removendo a necessidade de um aperto máximo inteiramente.

Os pesquisadores começaram com uma observação simples sobre como os sinais musculares se comportam. Quando um músculo está minimamente ativo, o sinal elétrico é silencioso e concentrado em torno de um ponto central. À medida que o músculo trabalha mais intensamente e mais fibras são recrutadas, o sinal torna-se mais alto e se espalha, tornando-se mais variado em sua intensidade. A equipe hipotetizou que esse espalhamento, ou a "largura" da distribuição do sinal, poderia atuar como uma régua integrada. Em vez de pedir a uma pessoa que atinja um máximo, eles poderiam simplesmente medir o quão largo o sinal se torna durante uma tarefa e usar essa largura para estimar o quão duro o músculo está trabalhando em relação ao seu máximo.

Para testar essa ideia, a equipe registrou a atividade muscular de sete adultos saudáveis enquanto eles pedalavam em uma bicicleta ergométrica em várias velocidades e níveis de potência, variando de um aquecimento suave até um sprint total. Eles também incluíram algumas tarefas de salto para ampliar a gama de esforço muscular. Para cada sessão, eles primeiro calcularam o "máximo" tradicional encontrando o sinal mais forte que a pessoa produziu durante qualquer uma das tarefas. Em seguida, aplicaram seu novo método aos mesmos dados. Essa nova abordagem pegou o sinal elétrico bruto, filtrou o ruído e o dividiu em minúsculos fatias de tempo sobrepostas. Em cada fatia, os pesquisadores mediram duas coisas: o quanto o sinal variou em força e o quão larga era a distribuição dessas forças. Eles usaram essas duas medições para prever qual teria sido o esforço máximo, criando efetivamente uma escala normalizada sem nunca pedir que o participante desse o seu máximo.

Os resultados foram surpreendentemente próximos do método tradicional. Quando os pesquisadores compararam as novas estimativas com as medições padrão de esforço máximo, a diferença média foi de pouco mais de seis por cento. Em outras palavras, o novo método previu a intensidade do esforço muscular com um alto grau de precisão, capturando os mesmos picos e vales de atividade que a abordagem convencional. O método funcionou consistentemente através das diferentes condições de ciclismo, desde a pedalada de baixa potência até os sprints máximos. Para ver se essa abordagem poderia funcionar fora do ambiente controlado de uma bicicleta, a equipe testou o método em um único participante independente realizando tarefas de caminhada, corrida, agachamento e salto. Embora a taxa de erro tenha sido ligeiramente maior nesses movimentos mais complexos, chegando a uma média de cerca de doze por cento, o método ainda capturou com sucesso a intensidade relativa da atividade muscular.

O estudo sugere que essa técnica baseada na distribuição oferece uma alternativa prática para situações onde um esforço máximo não é viável. Poderia ser particularmente valiosa para dispositivos vestíveis usados em campo, onde configurar uma rotina de calibração complexa é impraticável, ou para avaliações clínicas envolvendo pacientes que não podem realizar com segurança uma contração máxima. Os pesquisadores observaram que seu método não elimina todas as fontes de erro, como diferenças no posicionamento dos eletrodos, mas remove o fardo de encontrar um ponto de referência de máximo perfeito para cada sessão de medição. Ao confiar nas propriedades estatísticas naturais do próprio sinal muscular, a equipe demonstrou que é possível mensurar o esforço muscular sem exigir um aperto máximo.

Embora os achados sejam promissores, os autores são cuidadosos ao enquadrar isso como uma nova opção, e não como um substituto para todos os métodos existentes. A validação foi conduzida principalmente em adultos saudáveis, e a equipe reconhece que mais trabalho é necessário para confirmar se a abordagem se mantém verdadeira para pessoas com lesões neurológicas ou para diferentes tipos de contrações musculares. O método também requer equipamentos e configurações de registro específicos para garantir que a qualidade do sinal seja consistente. No entanto, o estudo fornece um caminho claro para uma maneira mais simples e menos onerosa de medir a atividade muscular. Ele sugere que a resposta para "o quão duro este músculo está trabalhando?" pode estar escondida dentro do próprio sinal, esperando para ser lida sem a necessidade de um empurrão final e exaustivo.