Neuromuscular function assessment through EMG in using hybrid learning in real-time

Abstract

(English) Understanding and accurately analyzing electromyography (EMG) signals is paramount for a multitude of applications ranging from muscular function assessment to neural decoding and interfacing. The general objective of this thesis is to obtain novel, detailed and precise information from EMG signals and solving the problem in real time for its future usefulness and application in mobility assistive devices or in motor rehabilitation technologies. This comprehensive study delves into the intricate task of resolving superimposed motor unit action potentials (MUAPs) within EMG signals, evaluating existing algorithms and proposing novel methodologies to enhance accuracy and efficiency. The investigation begins with a comparative analysis of various algorithms proposed in the literature for decomposing intra-muscular EMG signals to extract MUAP waveforms and firing times. Peel-Off (PO), branch and bound (BB), genetic algorithm (GA), and particle swarm optimization (PSO) algorithms are scrutinized for their efficacy in handling superimposed MUAPs. Two sets of MUAP templates are utilized, each designed to challenge the algorithms differently in terms of energy range and similarity, thereby providing a comprehensive evaluation framework. Simulations of 1000 superpositions for each template are conducted, with subsequent resolution using the aforementioned algorithms. The comparison employs the generalized estimating equation and overall rank product to discern significant performance differences and establish an overall ranking, revealing BB as the top performer in the entire dataset, albeit with limitations in real-time applications. Building upon this foundation, a novel algorithm is introduced for resolving superimposed action potentials in both intramuscular EMG (iEMG) and intracortical recordings. The proposed algorithm, termed Discrete Brute force Correlation (DBC) coupled with High-Resolution BC (HRBC) and Fusion HRBC (FHRBC), demonstrates promising results in terms of accuracy and efficiency. Performance assessments on extensive simulated datasets and experimental iEMG signals highlight the superiority of the DBC algorithm, paving the way for real-time neural decoding applications crucial in neural and muscular interfacing domains. Expanding the scope further, the study addresses surface electromyography (sEMG) and its application in muscle force estimation. A novel real-time convex model is proposed, offering interpretability and efficiency in estimating force from sEMG signals. Validation on upper and lower limb datasets showcases remarkable performance, with the proposed method outperforming state-of-the-art techniques across various metrics. The model's applicability extends to load sharing, robotics, rehabilitation, and prosthesis control for both upper and lower limbs, underscoring its potential impact in diverse fields. In summation, this study presents a comprehensive exploration of EMG signal analysis, from resolving superimposed MUAPs to real-time force estimation, offering novel methodologies and insights that advance the frontiers of neural and muscular decoding and their practical applications.

(Català) Entendre i analitzar amb precisió les senyals d'electromiografia (EMG) és fonamental per a una multitud d'aplicacions, que van des de l'avaluació de la funció muscular fins a la decodificació neural i la interfície. L'objectiu general d'aquesta tesi és obtenir informació nova, detallada i precisa a partir de les senyals EMG i resoldre el problema en temps real per a la seva futura utilitat i aplicació en dispositius d'assistència per a la mobilitat o en tecnologies de rehabilitació motora. Aquest estudi exhaustiu aprofundeix en la complexa tasca de resoldre els potencials d'acció de les unitats motores (MUAPs) superposats dins de les senyals EMG, avaluant els algoritmes existents i proposant metodologies noves per millorar la precisió i l'eficiència. La investigació comença amb una anàlisi comparativa de diversos algoritmes proposats en la literatura per descompondre senyals EMG intramusculars i extreure les formes d'ona dels MUAPs i els temps de dispar. Es revisen els algoritmes Peel-Off (PO), branch and bound (BB), algorisme genètic (GA) i optimització per enfrontament de partícules (PSO) en termes de la seva eficiència per gestionar els MUAPs superposats. Es fan servir dos conjunts de plantilles de MUAP, cadascuna dissenyada per desafiar els algoritmes de manera diferent en termes de rang d'energia i similitud, proporcionant així un marc d'avaluació integral. Es realitzen simulacions de 1000 superposicions per a cada plantilla, amb la resolució posterior utilitzant els algoritmes esmentats. La comparació empra l'equació d'estimació generalitzada i el producte de rang global per discernir diferències significatives en el rendiment i establir un rànquing general, revelant que BB és el millor en tot el conjunt de dades, tot i que amb limitacions en aplicacions en temps real. Sobre aquesta base, es presenta un nou algorisme per resoldre els potencials d'acció superposats tant en EMG intramuscular (iEMG) com en registres intracorticals. L'algorisme proposat, anomenat Correlació Bruta Discreta (DBC) combinat amb BC d'Alta Resolució (HRBC) i Fusió HRBC (FHRBC), demostra resultats prometedors en termes de precisió i eficiència. Les avaluacions de rendiment en conjunts de dades simulats extensos i senyals experimentals d'iEMG destaquen la superioritat de l'algorisme DBC, obrint el camí per a aplicacions de decodificació neural en temps real, crucials en els dominis d'interfície neural i muscular. Ampliant encara més l'abast, l'estudi aborda l'electromiografia de superfície (sEMG) i la seva aplicació en l'estimació de la força muscular. Es proposa un model convexe en temps real novedós, que ofereix interpretabilitat i eficiència en l'estimació de la força a partir de les senyals sEMG. La validació en conjunts de dades de membres superiors i inferiors mostra un rendiment remarcable, amb el mètode proposat superant les tècniques més avançades en diverses mètriques. L'aplicabilitat del model s'estén a la distribució de càrregues, robòtica, rehabilitació i control de pròtesis per a membres superiors i inferiors, destacant el seu impacte potencial en diversos camps. En resum, aquest estudi presenta una exploració exhaustiva de l'anàlisi de senyals EMG, des de la resolució de MUAPs superposats fins a l'estimació de la força en temps real, oferint metodologies i perspectives noves que avancen en les fronteres de la decodificació neural i muscular i les seves aplicacions pràctiques.

(Español) Entender y analizar con precisión las señales de electromiografía (EMG) es fundamental para una multitud de aplicaciones, que van desde la evaluación de la función muscular hasta la decodificación neural y la interfaz. El objetivo general de esta tesis es obtener información nueva, detallada y precisa a partir de las señales EMG y resolver el problema en tiempo real para su futura utilidad y aplicación en dispositivos de asistencia para la movilidad o en tecnologías de rehabilitación motora. Este estudio exhaustivo profundiza en la compleja tarea de resolver los potenciales de acción de las unidades motoras (MUAPs) superpuestos dentro de las señales EMG, evaluando los algoritmos existentes y proponiendo metodologías novedosas para mejorar la precisión y la eficiencia. La investigación comienza con un análisis comparativo de varios algoritmos propuestos en la literatura para descomponer señales EMG intramusculares y extraer las formas de onda de los MUAPs y los tiempos de disparo. Se examinan los algoritmos Peel-Off (PO), branch and bound (BB), algoritmo genético (GA) y optimización por enjambre de partículas (PSO) en cuanto a su eficacia para manejar los MUAPs superpuestos. Se utilizan dos conjuntos de plantillas de MUAP, cada una diseñada para desafiar a los algoritmos de manera diferente en términos de rango de energía y similitud, proporcionando así un marco de evaluación integral. Se realizan simulaciones de 1000 superposiciones para cada plantilla, con posterior resolución utilizando los algoritmos mencionados. La comparación emplea la ecuación de estimación generalizada y el producto de rango general para discernir diferencias significativas en el rendimiento y establecer un ranking general, revelando que BB es el mejor en todo el conjunto de datos, aunque con limitaciones en aplicaciones en tiempo real. Sobre esta base, se introduce un algoritmo novedoso para resolver los potenciales de acción superpuestos tanto en EMG intramuscular (iEMG) como en registros intracorticales. El algoritmo propuesto, denominado Correlación Bruta Discreta (DBC) combinado con BC de Alta Resolución (HRBC) y Fusión HRBC (FHRBC), demuestra resultados prometedores en términos de precisión y eficiencia. Las evaluaciones de rendimiento en conjuntos de datos simulados extensos y señales experimentales de iEMG destacan la superioridad del algoritmo DBC, allanando el camino para aplicaciones de decodificación neural en tiempo real, cruciales en los dominios de interfaz neural y muscular. Ampliando aún más el alcance, el estudio aborda la electromiografía de superficie (sEMG) y su aplicación en la estimación de la fuerza muscular. Se propone un modelo convexo en tiempo real novedoso, que ofrece interpretabilidad y eficiencia en la estimación de la fuerza a partir de las señales sEMG. La validación en conjuntos de datos de miembros superiores e inferiores muestra un rendimiento notable, con el método propuesto superando las técnicas más avanzadas en varias métricas. La aplicabilidad del modelo se extiende a la distribución de cargas, robótica, rehabilitación y control de prótesis para miembros superiores e inferiores, destacando su potencial impacto en diversos campos. En resumen, este estudio presenta una exploración exhaustiva del análisis de señales EMG, desde la resolución de MUAPs superpuestos hasta la estimación de la fuerza en tiempo real, ofreciendo metodologías y perspectivas novedosas que avanzan en las fronteras de la decodificación neural y muscular y sus aplicaciones prácticas.