EMG Sensitivity Analysis guided improvement of an EMG-driven Neuromusculoskeletal Model

La modellizzazione neuro-muscolo-scheletrica (NMS) basata sui segnali elettromiografici (EMG) consente una migliore comprensione dei principi del movimento umano. L’informazione data dal segnale EMG permette di rappresentare le caratteristiche neurologiche, fisiologiche e anatomiche specifiche di un individuo e di stimare variabili interne, come le forze muscolari, non direttamente misurabili in vivo. Attraverso opportuni software di modellizzazione (e.g., CEINMS) è possibile stimare le forze muscolari e i momenti articolari calibrati sul singolo individuo. La possibilità di avere modelli altamente soggetto-specifici permette un miglioramento nel trattamento di una grande varietà di patologie neurodegenerative e può essere fondamentale per la comprensione generale della neuro-meccanica della locomozione umana. Scopo di questo studio è valutare la possibilità di stimare le forze muscolari sviluppate durante un task di cammino con un protocollo di acquisizione che preveda un numero ridotto di segnali EMG. Questo al fine di sviluppare un set up di acquisizione semplificato per applicazioni cliniche. La scelta dei segnali EMG è basata sulla valutazione delle sinergie muscolari, le quali sono assunte essere la rappresentazione del controllo motorio derivato dall’attività del sistema nervoso centrale. Partendo da un set di 15 segnali EMG di una singola gamba registrati durante il cammino è stata quindi implementata una metodologia basata sull’applicazione del metodo ‘Non-negative Matrix Factorization’ per l’estrazione di 4 sinergie muscolari. La ‘Variable accounted for’ (VAF) è stata utilizzata come metrica per stabilire la bontà della ricostruzione dei segnali EMG di partenza. Successivamente i segnali EMG ricostruiti sono stati suddivisi in 4 gruppi muscolari: dorsiflessori e plataflessori di caviglia, estensori e flessori di ginocchio. ‘Statistic Parametric Mapping’ (SPM) e ‘Cosine Similarity’ (CS) sono state utilizzate come metriche per assegnare ciascuna delle 4 sinergie estratte ai segnali EMG dei diversi gruppi muscolari. I segnali che meglio approssimavano la sinergia relativa a ciascun gruppo sono poi stati utilizzati per informare un modello a input ridotti (4 segnali) tramite CEINMS. Come modello di riferimento è stato utilizzato un modello guidato da tutte le eccitazioni sperimentali registrate. I dati ottenuti dai modelli dei soggetti sviluppati mediante CEINMS sono stati confrontati sulla base del ‘Root mean square deviation’ (RMSD) e del ‘Coefficiente di Determinazione’ (R²): le attivazioni muscolari sperimentali sono state confrontate con quelle ottenute dalle simulazioni mentre le attivazioni muscolari simulate e i momenti angolari simulati sono stati confrontati fra il modello con set up di riferimento e quello ad input ridotto. Questa tesi ha permesso di confrontare l’impatto dei diversi set up sperimentali per l’acquisizione dei segnali EMG attraverso il confronto dei segnali di attivazione delle unità muscolo-tendinee e dei momenti angolari di ginocchio e caviglia. Inoltre, è stato possibile, considerando l’insieme dei soggetti, condurre un’analisi di sensitività per la modellizzazione NMS basata su un numero limitato di input.