Seleção de características para identificação de diferentes proporções de tipos de fibras musculares por meio da eletromiografia de superfície

• Main Author: Freitas, Amanda Medeiros de
• Other Authors: Soares, Alcimar Barbosa
• Format: Others
• Language: Portuguese
• Published: Universidade Federal de Uberlândia 2016
• Subjects: Características de sinais eletromiográficos; Proporções de fibras musculares; K-means; Matriz confusão; Análise de componentes principais; Análise de capabilidade; Músculos; Eletromiografia; Features of electromyographic signals; Proportions of muscle fibers; Confusion matrix; Principal component analysis; Analysis of capability; CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA
• Online Access: https://repositorio.ufu.br/handle/123456789/14103

Fundação de Amparo a Pesquisa do Estado de Minas Gerais === Skeletal muscle consists of muscle fiber types that have different physiological and biochemical characteristics. Basically, the muscle fiber can be classified into type I and type II, presenting, among other features, contraction speed and sensitivity to fatigue different for each type of muscle fiber. These fibers coexist in the skeletal muscles and their relative proportions are modulated according to the muscle functionality and the stimulus that is submitted. To identify the different proportions of fiber types in the muscle composition, many studies use biopsy as standard procedure. As the surface electromyography (EMGs) allows to extract information about the recruitment of different motor units, this study is based on the assumption that it is possible to use the EMG to identify different proportions of fiber types in a muscle. The goal of this study was to identify the characteristics of the EMG signals which are able to distinguish, more precisely, different proportions of fiber types. Also was investigated the combination of characteristics using appropriate mathematical models. To achieve the proposed objective, simulated signals were developed with different proportions of motor units recruited and with different signal-to-noise ratios. Thirteen characteristics in function of time and the frequency were extracted from emulated signals. The results for each extracted feature of the signals were submitted to the clustering algorithm k-means to separate the different proportions of motor units recruited on the emulated signals. Mathematical techniques (confusion matrix and analysis of capability) were implemented to select the characteristics able to identify different proportions of muscle fiber types. As a result, the average frequency and median frequency were selected as able to distinguish, with more precision, the proportions of different muscle fiber types. Posteriorly, the features considered most able were analyzed in an associated way through principal component analysis. Were found two principal components of the signals emulated without noise (CP1 and CP2) and two principal components of the noisy signals (CP1 and CP2 ). The first principal components (CP1 and CP1 ) were identified as being able to distinguish different proportions of muscle fiber types. The selected characteristics (median frequency, mean frequency, CP1 and CP1 ) were used to analyze real EMGs signals, comparing sedentary people with physically active people who practice strength training (weight training). The results obtained with the different groups of volunteers show that the physically active people obtained higher values of mean frequency, median frequency and principal components compared with the sedentary people. Moreover, these values decreased with increasing power level for both groups, however, the decline was more accented for the group of physically active people. Based on these results, it is assumed that the volunteers of the physically active group have higher proportions of type II fibers than sedentary people. Finally, based on these results, we can conclude that the selected characteristics were able to distinguish different proportions of muscle fiber types, both for the emulated signals as to the real signals. These characteristics can be used in several studies, for example, to evaluate the progress of people with myopathy and neuromyopathy due to the physiotherapy, and also to analyze the development of athletes to improve their muscle capacity according to their sport. In both cases, the extraction of these characteristics from the surface electromyography signals provides a feedback to the physiotherapist and the coach physical, who can analyze the increase in the proportion of a given type of fiber, as desired in each case. === A musculatura esquelética é constituída por tipos de fibras musculares que possuem características fisiológicas e bioquímicas distintas. Basicamente, elas podem ser classificadas em fibras do tipo I e fibras do tipo II, apresentando, dentre outras características, velocidade de contração e sensibilidade à fadiga diferentes para cada tipo de fibra muscular. Estas fibras coexistem na musculatura esquelética e suas proporções relativas são moduladas de acordo com a funcionalidade do músculo e com o estímulo a que é submetido. Para identificar as diferentes proporções de tipos de fibra na composição muscular, muitos estudos utilizam a biópsia como procedimento padrão. Como a eletromiografia de superfície (EMGs) nos permite extrair informações sobre o recrutamento de diferentes unidades motoras, este estudo parte da hipótese de que seja possível utilizar a EMGs para identificar diferentes proporções de tipos de fibras em uma musculatura. O objetivo deste estudo foi identificar as características dos sinais EMGs que sejam capazes de distinguir, com maior precisão, diferentes proporções de tipos de fibras. Também foi investigado a combinação de características por meio de modelos matemáticos apropriados. Para alcançar o objetivo proposto, sinais emulados foram desenvolvidos com diferentes proporções de unidades motoras recrutadas e diferentes razões sinal-ruído. Treze características no domínio do tempo e da frequência foram extraídas do sinais emulados. Os resultados de cada característica extraída dos sinais emulados foram submetidos ao algorítimo de agrupamento k-means para separar as diferentes proporções de unidades motoras recrutadas nos sinais emulados. Técnicas matemáticas (matriz confusão e técnica de capabilidade) foram implementadas para selecionar as características capazes de identificar diferentes proporções de tipos de fibras musculares. Como resultado, a frequência média e a frequência mediana foram selecionadas como capazes de distinguir com maior precisão as diferentes proporções de tipos de fibras musculares. Posteriormente, as características consideradas mais capazes foram analisadas de forma associada por meio da análise de componentes principais. Foram encontradas duas componentes principais para os sinais emulados sem ruído (CP1 e CP2) e duas componentes principais para os sinais com ruído (CP1 e CP2 ), sendo as primeiras componentes principais (CP1 e CP1 ) identificadas como capazes de distinguirem diferentes proporções de fibras. As características selecionadas (frequência mediana, frequência média, CP1 e CP1 ) foram utilizadas para analisar sinais EMGs reais, comparando pessoas sedentárias com pessoas fisicamente ativas praticantes de treinamentos físicos de força (musculação). Os resultados obtidos com os diferentes grupos de voluntários mostram que as pessoas fisicamente ativas obtiveram valores mais elevados de frequência média, frequência mediana e componentes principais em comparação com as pessoas sedentárias. Além disto, estes valores decaíram com o aumento do nível de força para ambos os grupo, entretanto, o decaimento foi mais acentuado para o grupo de pessoas fisicamente ativas. Com base nestes resultados, presume-se que os voluntários do grupo fisicamente ativo apresentam maiores proporções de fibras do tipo II, se comparado com as pessoas sedentárias. Por fim, com base nos resultados obtidos, pode-se concluir que as características selecionadas foram capazes de distinguir diferentes proporções de tipos de fibras musculares, tanto para os sinais emulados quanto para os sinais reais. Estas características podem ser utilizadas em vários estudos, como por exemplo, para avaliar a evolução de pessoas com miopatias e neuromiopatia em decorrência da reabilitação fisioterápica, e também para analisar o desenvolvimento de atletas que visam melhorar sua capacidade muscular de acordo com sua modalidade esportiva. Em ambos os casos, a extração destas características dos sinais de eletromiografia de superfície proporciona um feedback ao fisioterapeuta e ao treinador físico, que podem analisar o aumento na proporção de determinado tipo de fibra, conforme desejado em cada caso. === Mestre em Ciências