Ottimizzazione statica delle forze muscolari durante la locomozione : confronto con EMG superficiale su una popolazione di soggetti sani

Introduction: Quantifying the contribution of individual muscles during human locomotion is still widely discussed in the literature to date: since the musculoskeletal system of human consists of a greater number of muscles than its degrees of freedom, it is difficult to break down the moment in the individual muscle contributions. The purpose of this work is therefore first of all to implement an optimization method aimed at estimating the muscular forces for the lower limbs during human locomotion, on a flat surface, quantifying the reliability of the solutions found by comparing them with data obtained at the electromyographic examination performed during the motor act. In a second analysis, it will then be evaluated whether on the basis of features extracted from muscle strength signals (for the entire population in the database) if it is possible to train a classifier through machine learning. The ability of the classifier to classify the test examined as belonging to group X (where X represents the number of the subject) will be evaluated. Materials and methods: The analysis was carried out on the basis of data in a database of 50 subjects, processed at the Movement Analysis Laboratory (LAM) of the Don Carlo Gnocchi Foundation Scientific Institute in Milan. The implementation of the Min / Max optimization method was carried out through MATLAB®. The raw data present in the database, relating to the electromyographic signal, has been filtered to suppress motion artifacts and other possible interferences. The degrees of similarity between the calculated forces are thus compared with the linear envelope of the EMG signal, measured on the reference muscle, in order to obtain as much confirmation as possible of the validity of the method used. The comparison was made using a Matlab cross correlation function, considering the maximum peak returned by this function. To assess whether it was possible to carry out a classification using machine learning, the accuracy of classification on multiple algorithms in parallel (for a total of 24) was assessed using Matlab Classification Learner. Results: The comparison between the Electromyographic data and the estimated Muscle Forces yielded an average correlation index of 0.825. The muscles that presented generally higher correlation index values were found to be those characterized by greater activity around 50% of the gait cycle, in particular correlation indexes closest to 1 were found for the Soleus and Gastrocnemius Medialis. There seems to be no relationship between the values assumed by the correlation index and the height of the subject under examination, as well as between the value of the correlation index and the BMI of the subjects being analyzed. The correlation index instead assumed higher values in the male group than in the female group, and the difference was statistically significant. The classification method used, based on a classifier of the Ensembre Subspace Discriminant type, presented a good degree of accuracy, which translates into a good ability on the part of the classifier to distinguish the group to which the subject belongs on the basis of the features extracted. Subjects under the age of 20 seem to be classified with less accuracy than for subjects of other age groups. Conclusions: The solutions to the optimization problem in general appear to correlate to a good extent with the linear envelope of the electromyographic signal, to underline the possible reliability of static modeling. The difference in the correlation index values found for the male and female sex group could depend on a different distribution of adipose tissue in the lower limb, responsible for an alteration of the electromyographic data in female subjects. The classification method used was found to present a good degree of accuracy. However, this result leaves room for possible developments regarding the use of optimization methods in the classification through machine learning

Introduzione: Quantificare il contributo dei singoli muscoli durante la locomozione umana risulta ad oggi argomento ancora ampiamente discusso in letteratura: essendo il sistema muscoloscheletrico dell’uomo costituito da un maggior numero di muscoli rispetto a quanti siano i suoi gradi di libertà, risulta difficile scomporre il momento nei singoli contribuiti muscolari. Lo scopo di questo lavoro è pertanto in primo luogo quello di implementare una metodica di ottimizzazione mirata alla stima delle forze muscolari per gli arti inferiori durante la locomozione umana, su superficie piana, andando a quantificare l’attendibilità delle soluzioni trovate mediante un confronto con dati ottenuti all’esame elettromiografico eseguito durante l’atto motorio. In seconda analisi, verrà poi valutato se sulla base di features estratte dai segnali di forza muscolare (per l’intera popolazione presente nel database) sia possibile tramite machine learning addestrare un classificatore. Si valuterà la capacità del classificatore di classificare la prova esaminata come appartenente al gruppo X (dove X rappresenta il numero del soggetto). Materiali e metodi: L’analisi è stata effettuata sulla base dei dati presenti in un database di 50 soggetti, elaborato presso il Laboratorio di Analisi del Movimento (LAM) dell’Istituto Scientifico Fondazione Don Carlo Gnocchi di Milano. L’implementazione del metodo di ottimizzazione Min/Max è stata effettuata tramite MATLAB®. Il dato grezzo presente nel database, relativo al segnale elettromiografico, è stato filtrato per sopprimere artefatti da movimento ed altre possibili interferenze. I gradi di somiglianza tra forze calcolate vengono così confrontati con l’inviluppo lineare del segnale EMG, misurato sul muscolo di riferimento, al fine di ottenere quanto più possibile una conferma della validità del metodo utilizzato. Il confronto è stato effettuato mediante una funzione Matlab di cross correlazione, considerando il picco massimo restituito da tale funzione. Per valutare se fosse possibile effettuare una classificazione tramite machine learning, è stata valutata l’accuratezza di classificazione su più algoritmi in parallelo (per un totale di 24) tramite Matlab Classification Learner. Risultati: Il confronto tra dato Elettromiografico e Forze muscolari stimate ha restituito un indice di correlazione medio pari a 0.825. I muscoli che hanno presentato valori di indici di correlazione generalmente più elevati sono risultati essere quelli caratterizzati da maggior attività nell’intorno del 50% del ciclo del passo, in particolare indici di correlazione più prossimi al valore 1 sono stati riscontrati per i muscoli Soleus e Gastrocnemius Medialis. Non sembra esservi relazione tra i valori assunti dall’indice di correlazione e l’altezza del soggetto in esame, nonchè tra il valore dell’indice di correlazione ed il BMI dei soggetti in analisi. L’indice di correlazione ha invece assunto nel gruppo dei maschi valori più elevati rispetto a quanto avviene per il gruppo delle femmine, e la differenza è risultata essere statisticamente significativa. La metodica di classificazione utilizzata, basata su un classificatore di tipo Ensembre Subspace Discriminant, ha presentato un buon grado di accuratezza, che si traduce in una buona la capacità da parte del classificatore di distinguere il gruppo di appartenenza del soggetto in base alle features estratte. Soggetti d’età inferiore ai 20 anni sembrano venir classificati con minor accuratezza rispetto a quanto avviene per soggetti di altre fasce d’età. Conclusioni: Le soluzioni al problema di ottimizzazione in generale risultano correlare in buona misura con l’inviluppo lineare del segnale elettromiografico, a sottolineare possibile affidabilità nell’utilizzo della modellizzazione statica. La differenza nei valori di indici di correlazione riscontrati per il gruppo di sesso maschile e femminile potrebbe dipendere da una diversa distribuzione di tessuto adiposo a livello dell’arto inferiore, responsabile di un’alterazione del dato elettromiografico nei soggetti femminili. La metodica di classificazione utilizzata è risultata presentare un buon grado di accuratezza. Tale risultato lascia comunque spazio a possibili sviluppi riguardanti l’utilizzo di metodi di ottimizzazione nella classificazione tramite machine learning.