Multi-Parameter Modelling of Surface Electromyography Data

Sammanfattning: Ytelektromyografi (sEMG) mäter skelettmuskelfunktionen genom att registrera muskelaktivitet från hudens yta. Tekniken kan användas för att diagnostisera neuromuskulära sjukdomar och som ett hjälpmedel vid rehabilitering, biomedicinsk forskning och för interaktion mellan människa och dator. En simuleringsmodell för sEMG-data kan bedöma avkodningsalgoritmer och hjälpa till att utveckla nya diagnostiska verktyg. Sådana simuleringsmodeller har tidigare inte varit tillgängliga. Vi har skrivit öppen källkod i Python för att generera syntetisk sEMG-data. Koden är tillgänglig via GitHub, en onlineplattform för mjukvaruutveckling. Den implementerade modellen har flera parametrar som påverkar den artificiellt genererade signalen. Modellen implementerades med en bottom-up-design, som börjar med en enda muskelfiber och slutar med sEMG-signalen genererad från upp till hundratals aktiva motoriska enheter. Den simulerade signalen kan registreras i potentiellt dussintals selektivt placerade ytelektroder. Modellens grund är matematiska ekvationer som finns i den vetenskapliga litteraturen kring motorisk kontroll och biologisk signalering, t.ex. aktionspotentialutbredning, membranströmfördelning och rekrytering av motoriska enheter. Vi hävdar att modellen innehåller de viktigaste funktionerna för att generera sEMG-data. Den syntetiskt genererade datan avkodades för att studera de simulerade motorenheternas aktionspotentialer. Den presenterade modellen kan användas som grundsanning för att bedöma prestandan av andra avkodningsalgoritmer för sEMG. Analysen av sEMGsignaler kan ge värdefulla insikter om muskelaktivitet, vilket bidrar till vår förståelse av motorisk kontroll och bidrar till utvecklingen av proteser och hjälpmedelsteknologier.