EMG-driven musculoskeletal foot model in gait analysis: proof of concept with Moco software

The aim of this thesis is to estimate the internal muscular forces that cannot be measured in vivo. To this end, an innovative optimization method based on direct collocation is performed through a software toolkit called Moco, combined with surface electromyogra- phy (i.e., EMG-driven musculoskeletal models). The advantage of this methodology is the possibility to estimate internal variables such as muscle forces in dynamic conditions (i.e., gait and run) by solving the muscle redundancy problem. In the current work, the model’s kinematics are completely prescribed, so that the forces that produce the motion are obtained by accounting for the control variable in the cost function and in the actuator states. In particular, an Inverse Dynamic problem needs to be implemented and solved by the tool MocoInverse. To realize this target, data from several gait and run cycles acquired simultaneously through a stereophotogrammetric system, force plate, pressure plate, and surface elec- tromyographic devices must be processed. The data pre-processing has a predefined pipeline that includes several steps: it is necessary to obtain data in compatible formats with OpenSim via a Matlab toolbox (MOtoNMS); then, through OpenSim scaling, mus- cle analysis, inverse kinematics, and inverse dynamics are carried out. Finally, with Moco, the model associated with the subject must be calibrated, and then muscle forces and activations through Matlab are computed. The final step will be to compare the conventional estimation method of static optimization by OpenSim with the novel one performed by Moco throught statistical parameters.

L’obiettivo di questa tesi è stimare le forze muscolari interne che non possono essere mis- urate in vivo. A tal fine, viene eseguito un metodo di ottimizzazione innovativo basato sulla collocazione diretta attraverso un toolkit software chiamato Moco, combinato con l’elettromiografia di superficie (ovvero, modelli muscoloscheletrici guidati da EMG). Il vantaggio di questa metodologia è la possibilità di stimare variabili interne come le forze muscolari in condizioni dinamiche (ad esempio, camminata e corsa) risolvendo il problema della ridondanza muscolare. Nel presente lavoro, la cinematica del modello è completa- mente prescritta, per cui le forze che producono il movimento si ottengono tenendo conto della variabile di controllo nella funzione di costo e negli stati dell’attuatore le forze che producono il movimento con la variabile di controllo presente nella funzione di costo e negli stati dell’attuatore. In particolare, è necessario implementare un problema di di- namica inversa e risolverlo con lo strumento MocoInverse. Per realizzare questo obiettivo, è necessario elaborare i dati di diversi cicli di cammi- nata e corsa acquisiti simultaneamente attraverso un sistema stereofotogrammetrico, una pedana di forza, una pedana di pressione e dispositivi elettromiografici di superficie. La preelaborazione dei dati ha una pipeline predefinita che comprende diverse fasi: è nec- essario ottenere i dati in formati compatibili con OpenSim tramite un toolbox Matlab (MOtoNMS); quindi, attraverso lo scaling di OpenSim, vengono eseguite l’analisi musco- lare, la cinematica inversa e la dinamica inversa. Infine, con Moco, il modello associato al soggetto deve essere calibrato, quindi vengono calcolate le forze e le attivazioni muscolari attraverso Matlab. Il passaggio finale sarà quello di confrontare il metodo di stima convenzionale dell’ottimizzazione statica di Open- Sim con quello innovativo eseguito da Moco attraverso i parametri statistici.