Lower limb EMG activation patterns and 3D pedal force profiles during cycling

This thesis aims to study surface electromyographic signals EMG from seven lower limb muscles and 3D forces applied to the pedal during cycling, evaluate their correlation, and find models identifying their relationships. These muscle activation-forces models could be useful in future to provide information to the cyclist about the relative muscle’s involvement only based on the 3D force developed at the pedal, without the need to set up an EMG device, which can require a long time. A 3D force sensing bicycle pedal is developed. The system includes a commercial metal pedal, a 3D force sensor by Optoforce to measure the 3D endpoint forces applied to the pedal, an inertial measurement unit IMU used to estimate the crank angle, and a microcontroller placed at the bottom of the pedal. Additionally, a 3D-printed force sensor-shoe attachment is developed to connect the cyclist shoe (with holes for cleat) to the force sensing pedal. A commercial wireless surface EMG device is adopted to record the EMG signals from the most involved lower limb muscles. The two principal systems (EMG device and pedal) are synchronized via the microcontroller. A group of seven healthy volunteers (4 males, 3 females) are recruited in a pilot experiment to collect EMG and 3D pedal forces. All the recorded signals are offline processed in Matlab and analysed w.r.t. the crank cycle. An algorithm to estimate the crank angle using the vertical accelerations from IMU has been developed. The EMG signals are processed with a band-pass filter, rectification, RMS linear envelope and normalization. The EMG and forces signals are cut at consecutive 0° and averaged over all the recording cycles and across all subjects to obtain an average curve w.r.t the pedalling cycle. The EMG and force profiles match those found in literature. An autocorrelation analysis for forces and accelerations signals are performed to verify how much the signals are repeatable, regular over time during the cycling task. The Spearman's rank correlation coefficients between the 7 EMG and the 3 forces are calculated in R and represented graphically as a correlation matrix. Two kind of correlation analysis between EMG and force signals is executed: intra-subject and inter-subject analysis. The first one has the purpose to verify if signals' correlations are repeatable over different pedalling cycles and recordings for the same subject. The second one is used to verify if EMG-force correlations are repeatable over all the subjects and if specific endpoint forces are the result of a particular muscle group activity. For EMG-forces combination presenting high correlation, the multiple linear regression analysis is used to fit specific subject’s muscle EMG-forces relationships starting from an EMG-forces dataset. The fitted models are used to simulate a subject’s muscle EMG response to new pedal forces’ input. The RMSE is used to evaluate the accuracy of the models. For what concerns the intra-subject analysis, results present high repeatable correlation coefficients for individual subject over different recordings at specific crank angular ranges, accurate values for the RMSE are found in certain intra-subject EMG-forces models, both in fitting EMG-forces relationships, and in predicting EMG starting from a new force dataset. Identifying muscle activation models for a single subject could be useful in rehabilitation and sport. A preliminary test could be used to collect force-EMG data to find subject-specific models. During all the following therapy or training sessions, these models would allow to have a feedback on muscle involvement using only a 3D force sensing system, sparing the time necessary to set up an EMG device. For what concerns the inter-subject analysis, lower correlation values are found, probably due to different cycling strategies and physical characteristics of the cyclists. The muscles showing correlations with forces higher than 0.6 are rectus femoris RF, soleus SOL, gastrocnemius medialis GM and gluteus maximus GMax in the first quadrant of the cycling propulsion phase, and RF and tibialis anterior TA in the second quadrant. Further studies with a larger subject population will be necessary to investigate if it is possible to obtain generalizable models for these muscles.

Questa tesi ha lo scopo di analizzare i segnali elettromiografici superficiali (EMG) di sette muscoli della gamba e i profili delle forze 3D sviluppate al pedale di una bicicletta durante la pedalata, valutare le loro correlazioni e trovare i modelli rappresentanti le loro relazione. Tali modelli potrebbero essere utili in futuro per dare al ciclista informazioni riguardo al coinvolgimento muscolare durante la pedalata, utilizzando soltanto l'informazione delle forze misurate al pedale. Pertanto non sarebbe necessario utilizzare un sistema di EMG aggiuntivo, il cui setup richiede tempi molto lunghi. Viene sviluppato un pedale sensorizzato in grado di misurare le forze 3D ad esso applicate. Il sistema è composto da un pedale commerciale in metallo, un sensore di forza 3D della Optoforce per misurare le forze puntuali scaricate sul pedale, un modulo inerziale IMU utilizzato per stimare l'angolo della pedivella, e un microcontrollore posizionato sulla faccia inferiore del pedale. In aggiunta, si sviluppa un attacco stampato in 3D per connettere la scarpa del ciclista (con fori per cleat) al pedale. Un elettromiografo commerciale wireless è utilizzato per registrare i segnali EMG dei muscoli della gamba maggiormente coinvolti nel ciclo della pedalata. Il pedale sensorizzato e l'elettromiografo sono sincronizzati tramite il microcontrollore. Si recluta un gruppo di sette soggetti volontari sani (4 maschi, 3 femmine) per registrare i dati di forza e EMG durante uno studio pilota. Tutti i segnali di EMG, forza e accelerazione dall' IMU sono elaborati offline in Matlab e analizzati rispetto al ciclo della pedalata. Si sviluppa un algoritmo per ricavare l’angolo della pedivella usando i dati di accelerazione dell’IMU. I segnali EMG sono processati con un filtro passa banda, sono rettificati, filtrati con la tecnica del valore quadratico medio RMS e normalizzati. I segnali EMG e di forza sono tagliati in corrispondenza di 0° consecutivi all’inizio di ogni nuovo ciclo di pedalata, sono mediati su tutti i cicli di una registrazione e su tutti i soggetti per ottenere un’ unica curva media del segnale in funzione dell’angolo della pedivella. I profili medi di EMG e delle forze al pedale ricavati dalle misurazione e successive elaborazioni rispecchiano quelli trovati in letteratura. Si effettua un'analisi di autocorrelazione per i segnali di forza e accelerazione per verificare quanto ciascun segnale sia ripetibile e regolare nel tempo durante la pedalata. Si procede con il calcolo in R della correlazione di Spearman tra i 7 segnali EMG e le 3 forze al pedale considerando diversi intervalli angolari del ciclo della pedalata. Si effettuano due tipi di analisi di correlazione: intra-soggetto per i singoli soggetti e inter-soggetto per tutti i soggetti. La prima analisi ha lo scopo di verificare se la correlazione tra combinazioni di segnali diversi forza-EMG sia ripetibile tra pedalate diverse e in diverse registrazioni. La seconda ha lo scopo di verificare se le correlazioni forza-EMG siano ripetibili tra tutti i soggetti e se specifiche forze al pedale siano il risultato dell'attivazione di un particolare gruppo muscolare. Per i muscoli (segnali EMG) che presentano elevate correlazioni con le forze, vengono generati modelli tra i segnali EMG e le forze al pedale usando il set di dati da un primo test. I modelli fittati sono usati per simulare una risposta EMG di un soggetto e di uno specifico muscolo a nuovi input di forze al pedale. L’errore quadratico medio RMSE è stato utilizzato per la valutazione dell’accuratezza dei modelli. Per quanto riguarda l’analisi intra-soggetto, i risultati presentano alti e ripetibili valori di correlazione per i singoli soggetti in diverse registrazioni e in specifici intervalli di angolo di pedivella, accurati valori di RMSE per certi modelli EMG-forze, sia per il fit delle relazioni EMG-forze che per la predizione di EMG a partire da un nuovo dataset di sole forze. La possibilità di identificare modelli di attivazione muscolare rispetto alle forze al pedale nei singoli soggetti potrebbe avere importanti applicazioni in riabilitazione e sport. In entrambi i casi, un test preliminare potrebbe essere utile per collezionare dati di forza e EMG per identificare modelli EMG-forza specifici per il soggetto. Questi modelli potrebbero essere usati per dare un feedback online sul coinvolgimento muscolare durante le successive sessioni di terapia o allenamento, utilizzando soltanto le forze 3D misurate al pedale. Ciò permetterebbe di risparmiare il tempo necessario per il setup di un sistema EMG. Per quanto riguarda l'analisi inter-soggetto, sono stati trovati valori inferiori di correlazione. Ciò è probabilmente dovuto a differenti strategie di pedalata e differenti caratteristiche fisiche dei diversi soggetti. Durante il primo quarto dell'intero ciclo di pedalata, rectus femoris RF, soleus SOL, gastrocnemius medialis GM e gluteus maximus GMax presentano le più alte correlazioni con le forze, superiori a 0.6. Nel secondo quarto invece, RF e tibialis anterior TA sono i muscoli a più alta correlazione. Studi aggiuntivi con un maggior numero di soggetti saranno necessari per studiare se per questi muscoli sia possibile ottenere modelli generalizzabili a tutti i soggetti.