Protesis Mioelectricas - Electromiografia

LA ELECTROMIOGRAFÍA (EMG)

La electromiografía es una técnica de registro de la actividad bioeléctrica
del músculo esquelético, cuya información después de su respectivo análisis
permite el diagnóstico de las enfermedades neuromusculares, la
rehabilitación, el control de dispositivos activos y esquemas de
estimulación eléctrica funcional (Gila, Malanda, Carreño, Falces, &
Navallas, 2009; Romo, Realpe, & Jojoa, 2007)

Estas señales son producidas por el intercambio electroquímico de los iones
a través de las fibras musculares, que producen una contracción y campos
eléctricos variables en el tiempo que pueden ser detectados por electrodos
(Orozco & Giraldo Suárez, 2007; Ramírez & Garzón, 2008). Los electrodos
pueden ser intramusculares o superficiales. Con la implementación de
electrodos intramusculares la técnica recibe el nombre de electromiografía
de aguja y se emplea con el objetivo de estudiar la fisiología y patología
de las unidades motoras, como la denervación, la reinervación y las
miopatías. En la implementación de electrodos superficiales se le conoce
como electromiografía de superficie y se utiliza para determinar el
comportamiento de un conjunto de músculos, observando los patrones y
comportamiento de forma global (Juliana M. Fernández, Rubén C. Acevedo,
2007).

Después de que la señal, producida por el intercambio electroquímico, ha
sido captada por los electrodos, requiere ser amplificada ya que tiene
magnitudes que varían de 0 a 10 mV (milivoltios) dependiendo del músculo
registrado y las condiciones de registro (Juliana M. Fernández, Rubén C.
Acevedo, 2007). Pasada la etapa de amplificación se deben implementar
filtros analógicos para eliminar los componentes de ruido de alta
frecuencia y la proveniente de la fuente de red (Romo et al., 2007).
Posteriormente se procede a digitalizar la señal, por medio de conversores
analógico-digitales los cuales permiten obtener muestras en intervalos
regulares de tiempo. Es de resaltar que en este proceso la frecuencia de
muestreo tiene que cumplir con el teorema de Nyquist para que la señal no
se distorsione, y se termina con un análisis exhaustivo mediante técnicas
de procesamiento digital las cuales buscan sacar el máximo provecho y
beneficios de estas señales (Gila et al., 2009).
Para obtener las señales EMG que se tienen ahora ha sido necesario un
cambio constante a través de la historia. Desde el momento en que se
evidenciaron los primeros fenómenos eléctricos en los tejidos de animales
en el siglo XVI, se han realizado diversos avances en esta área; en el
siglo XVII Carlos Matteucci realiza las primeras mediciones con el
galvanómetro. En el siglo XVIII Edgar Douglas introduce los electrodos para
el registro (1929). Años más tarde 1950, sale al mercado el primer equipo
de EMG y este es mejorado por los transistores, hasta que en el período de
1973 a 1981 con la electrónica digital, se logra digitalizar la señal y se
realiza almacenamiento y procesamiento de algunos datos, ya que la potencia
computacional es limitada en cuando a memoria y procesamiento de cálculos.
Posteriormente de 1982 a 1992 Erik Stalberg continúa con la cuantificación
de las señales, estableciendo algunas técnicas (Gila et al., 2009). En el
siglo XXI se ha trabajado en la adaptación de sistemas de inteligencia
artificial y sistemas expertos de apoyo diagnóstico, buscando que estos
sean automatizados. Los principales objetivos se encuentran enfocados al
mejoramiento en la extracción de señales para reducir el tiempo de
adquisición, la optimización del análisis automático y la búsqueda de
sistemas de clasificación de las mismas para mejorar la consistencia de
estudios relacionados con la EMG (Gila et al., 2009).
Aunque muchos grupos de investigación también se han dedicado a la
obtención de medidas y parámetros por medio de la EMG para estandarizar
protocolos, y determinar valores normales en diversas personas, buscando
que en estudios posteriores se puedan dar diagnósticos y tratamientos con
esta información como referencia, en este sentido encontramos la EMG en
procesos de deglución (Vaiman, Eviatar, & Segal, 2004), caída del tono
muscular al entrar en el sueño (Rosales-Lagarde, del Río-Portilla, Guevara,
& Corsi-Cabrera, 2009), estudios de la marcha y de movimientos anormales
(Gila et al., 2009), entre otros.

También se está utilizando la EMG en la evolución de tratamientos médicos
con personas con limitaciones en la actividad física como la influencia de
la fatiga muscular que presenta el músculo después de ser sometido a
estimulaciones eléctricas (Juliana M. Fernández, Rubén C. Acevedo, 2007),
al mismo tiempo que se utiliza información EMG para realimentar el control
muscular y tener un entrenamiento constante que no afecte los grupos
musculares y permita la recuperación funcional del paciente (Contreras &
Juárez, 2003).

Las técnicas de procesamiento digital han avanzado considerablemente en la
búsqueda de diagnosticar las enfermedades neuromusculares, se han
presentado algoritmos basados en clustiring, análisis de componentes
principales wavelet, y una gran cantidad de técnicas que buscan descomponer
la señal para extraer más información de ellas (Gila et al., 2009). También
se ha logrado una reducción de ruidos y artefactos por medio de la
transformada Wavelet Discreta (TWD) que no genera tanta distorsión en la
señal como los filtros analógicos y algunos digitales (Ballesteros
Larrotta, 2004). Igualmente, se han generado bancos de filtros que se
muestran robustos frente al ruido gaussiano de alta frecuencia. Sin embargo
todavía existen limitaciones como la variabilidad y el ruido, lo cual sólo
se puede controlar parcialmente (Gila et al., 2009; Orozco & Giraldo
Suárez, 2007).
En la búsqueda de mejoramiento en los procesos de esta técnica de registro
EMG, se han evaluado y ensayado la sensibilidad de los electrodos, la
implementación de múltiples de ellos. Además de la incorporación de
electrodos cutáneos siempre con el objetivo de obtener mayor información y
menor cantidad de ruido (Gila et al., 2009; Ramírez & Garzón, 2008).
Con todos los avances tecnológicos que se tienen en este siglo, los
estudios EMG han ido mejorando en consistencia y rapidez, pero a la hora de
emitir un diagnóstico médico, el juicio aún depende en gran medida de la
experiencia y conocimientos de cada electromiografista. Por lo cual se
trabaja constantemente para proporcionar al personal encargado de la salud
herramientas que faciliten un diagnóstico confiable, sustituyendo
apreciaciones subjetivas por medidas precisas y cuantitativas a través de
equipos biomédicos (Gila et al., 2009; L et al., 2006).

ELECTROMIOGRAFÍA Y PRÓTESIS MIOELÉCTRICAS
En el desarrollo de dispositivos activos se encuentran las prótesis
mioeléctricas controladas por EMG. Además de sistemas de interacción con
ordenadores (Gila et al., 2009; Javier Villamizar Pinzón, Rafael Padilla
Mayorga, 2012; Romo et al., 2007; Torres-San-Miguel, Velázquez-Sánchez,
Lugo-González, & Tapia-Herrera, 2011). Para este tipo de aplicaciones es
importante el contenido frecuencial y temporal de la señal, por lo cual,
desde que salió la transformada de Fourier (TF) en el siglo XIX se ha
aplicado a señales bioeléctricas, sólo que esta transformación asume que la
señal es estacionaria lo cual no ocurre en la señal EMG (Gila et al., 2009;
Romo et al., 2007). Por esto muchos investigadores en el mundo desarrollan
metodologías y técnicas para obtener un control óptimo de estos
dispositivos y de esta forma proporcionar mayor funcionalidad a las
personas que tienen amputaciones y requieren una prótesis mioeléctrica.
Las primeras técnicas en estos dispositivos datan de 1948 con Reiter R.
quien utilizando técnicas de procesamiento como el modelado autoregresivo
(AR) y discriminación bayesiana que consiste en un método estadístico,
logró discriminar movimientos. Pero se obtuvieron resultados positivos
después de muchas horas de entrenamiento, por lo cual se empezaron a
implementar las redes neuronales artificiales (ANN) para mejorar los
tiempos de entrenamiento. Uno de los métodos más usados hoy en día tiene
sus orígenes en 1999 cuando Engleart empieza a introducir la transformación
Wavelet (TW) en estos estudios, lo cual proporcionó información sobre la
variación frecuencial en el tiempo, al igual que otras técnicas como la
distribución Choi – Williams. Este tipo de transformaciones permitió
comprender mejor la relación de la actividad eléctrica y mecánica muscular
(BALLESTEROS, 2006; Gila et al., 2009; Romo et al., 2007).











SISTEMA DE CONTROL MIOELÉCTRICO
En la literatura se reportan múltiples esquemas para un control
mioeléctrico, en la figura 1 se pretende mostrar qué es lo más habitual en
estos sistemas.

Figura 1. Un sistema de control mioeléctrico basado en el reconocimiento de
patrones (Asghari Oskoei & Hu, 2007).

DESCRIPCIÓN DE ALGUNAS ETAPAS (Asghari Oskoei & Hu, 2007) :

Segmentación de datos: esta etapa está compuesta de técnicas y métodos
que se utilizan para mejorar la condición de los datos, antes de
extraer alguna característica de ellos.

Extracción de características: en este módulo se calculan y se
presentan características preseleccionadas para una posterior
clasificación de las mismas, de esta forma en la etapa de
clasificación se tendrá un proceso eficiente.

Clasificación: este módulo de clasificación reconoce patrones en las
señales, las cuales son clasificadas por categorías predefinidas. Por
lo general vienen incorporados sistemas inteligentes para adaptarse a
los cambios durante largo tiempo.

Controlador: genera órdenes de salida, basadas en patrones de la
señal.

A través del tiempo, la comunidad científica ha expuesto sus análisis y
resultados obtenidos en el proceso de controlar las prótesis por medio de
la electromiografía, se ha trabajado en el diseño, la extracción de
características y la clasificación de movimientos por medio de diversas
técnicas buscando que estas sean cada vez más eficientes.

En el 2005 Guler y Kocer aplican la transformada wavelet discreta (TWD)
para reducir el tiempo de cálculos, ya que en trabajos anteriores Hu
implementa la transformada de paquetes wavelet (TWP) con buenos resultados
(León-Vargas & Pérez, 2012).
En el 2006 G. Wang "propone el uso de índices de máxima separabilidad
entre clases para aumentar la resolución tiempo-frecuencia de la TW
mediante una optimización de descomposición binaria". Wang menciona que
con esta metodología es posible identificar 4 movimientos de la mano con
una efectividad mayor al 90% (Pinzon, Orozco, & Castellanos, 2009).
En el 2007 Marie Francoise propone un método para la clasificación
supervisada de la señal superficial, en el cual utiliza máquinas de soporte
vectoriales (MSV) y la optimización wavelet, con el objetivo de clasificar
6 movimientos de la mano. El registro se llevó a cabo por medio de 8
canales y los resultados muestran una tasa de error del 5%, lo cual
confirma que el método es adecuado para implementarlo en condiciones de
tiempo real, ya que la TWD y MSV pueden ser implementadas con algoritmos
rápidos. También se le abona a esto que la optimización con TW ha dirigido
una mejora sustancial de rendimiento (Lucas, Gaufriau, Pascual, Doncarli, &
Farina, 2008).
En el 2008 Oskoei y Hu demostraron que el uso de MSV funciona como un buen
clasificador para la obtención de resultados óptimos en comparación con
otras técnicas de uso común, en este mismo año Lucas M. F. y Gaufriau en su
metodología de trabajo para el reconocimiento de patrones, implementa MSV y
TW obteniendo muy buenos resultados, sin embargo también utilizaron 8
canales de detección para el reconocimiento de los 6 movimientos, hay que
notar que tantos canales requieren una instrumentación más compleja y puede
tener mayor costo computacional (León-Vargas & Pérez, 2012).
También R.D. Pinzón desde Pereira, Colombia trabajó en esta época en la
discriminación de 5 movimientos pero utilizando la TW adaptativa donde
obtuvo resultados de precisión del 97.3% que es muy aceptable, después el
autor reporta la detección de 6 movimientos de la mano con un acierto del
93% pero usando TWP con bancos de filtros adaptativos, destacando la
flexibilidad de estos (Pinzon et al., 2009).
El mismo autor Rubén Pinzón en el 2009 implementa la transformada Hilbert-
Huang para la caracterización de la señal, obteniendo resultados más
favorables (96,6%) de precisión para 4 movimientos, estos resultados son
comparables con los conseguidos en el 2008 con otras técnicas. El autor
señala que las metodología que utilizan las transformaciones de bases
ortogonales definidas previamente como la TW o TF al igual que los bancos
de filtros adaptativos cuyos coeficientes son definidos con anterioridad
pueden dificultar el análisis de señales no estacionarias como lo es esta
(Pinzon et al., 2009).
En este mismo año se proponen otras técnicas a nivel mundial. Pawel
Wojtczak utiliza una red neuronal lineal para el análisis y clasificación
de la señal, con el objetivo de discriminar movimientos de los dedos, la
metodología utilizada se basa en histogramas de tiempo y energía
combinados, Wojtczak concluye que la red neuronal lineal simple puede
discriminar con gran precisión, hasta 5 movimientos, solo utilizando la
potencia RMS normalizada de cada sensor (Wojtczak, Amaral, Dias,
Wolczowski, & Kurzynski, 2009). Mientras que Mahdi Khezrí plantea un
sistema novedoso en la identificación de movimientos de la mano, realiza
una combinación de técnicas donde extrae de la señal información en el
dominio temporal y tiempo-frecuencial para formar una representación
compuesta, con el fin de aplicarlo al reconocimiento de patrones para
discriminar movimiento, utiliza 2 clasificadores inteligentes: las redes
neuronales artificiales (ANN) y el sistema de inferencia borrosa(FIS).
También incorpora técnicas de análisis de componentes principales (PCA)
para la reducción de dimensionalidad, los resultados fueron precisos en el
reconocimiento de patrones (Khezri & Jahed, 2009). También se ha trabajado
desde el diseño de la prótesis mioeléctrica, buscando obtener una mejor
calidad de la señal.
En el 2011 Chirstopher Rene realiza una prótesis personalizada y manifiesta
tener buenos resultados debido a la buena amplificación y filtración de la
señal, aunque esta sea inestable y variable en algunas personas debido a su
consistencia física y fatiga muscular (Torres-San-Miguel et al., 2011).
También se cuenta hoy en día con simuladores virtuales de prótesis que
buscan que el paciente se sienta familiarizado con estas y que aprendan el
manejo adecuado para sacarle el máximo provecho (Alonso Alonso, Hornero
Sánchez, Espino Hurtado, Dela Rosa Steinz, & Liptak, 2002).
Por otra parte en Colombia se ha continuado trabajando tanto en el diseño
como en el procesamiento de la señal. En el 2012 Camacho Navarro en
Santander realiza la discriminación de movimientos básicos de la mano como
la apertura, cierre, flexión, pronación y supinación. Esta discriminación
la realiza con 2 canales y una metodología modular que incluye la TWD, PCA
y MSV, como resultado obtuvo tasas de acierto de hasta el 99.25% después
de que el sistema ha sido entrenado y evaluado en diferentes sujetos (León-
vargas & Pérez, 2012).
En Medellín en el 2013 algunos investigadores han trabajado el
reconocimiento de patrones empleando un clasificador bayesiano y una
técnica de validación cruzada para validar los resultados, la señal pasó
previamente por un proceso de caracterización en el dominio temporal y
espectral mediante los coeficientes wavelet, los resultados concluyen que
con esta metodología es posible discriminar algunos movimiento de forma más
óptima que otros métodos y que a su vez para captar la información es
necesario sólo 3 canales (Palacio, Agudelo, & Vásquez, 2013).
Actualmente se busca mejorar en la clasificación y reconocimiento de
patrones, ya que esto puede incrementar la precisión y control de una
prótesis por lo cual constantemente se publican investigaciones que buscan
mejorar las técnicas y que, a su vez, trabajan en clasificadores
bayesianos, redes neuronales artificiales, lógica difusa, redes neuro-
fuzzy, TW, algoritmos genéticos, autorregresiones, máquinas de soporte
vectoriales, transformada Hilbert-Huang, métodos estadísticos
multivariantes y la combinación de todos estos como un conjunto híbrido
mediante una red neuronal en configuración "back – propagation" (Gila et
al., 2009; Romo et al., 2007).


REFERENCIAS

Alonso Alonso, Hornero Sánchez, R., Espino Hurtado, P., Dela Rosa Steinz,
R., & Liptak, L. (2002). Entrenador mioeléctrico de prótesis para
amputados de brazo y mano Myolectric prostheses trainer for hand
Correspondencia : Mapfre Medicina, 13(Entrenador mioeléctrico), 11–23.
Asghari Oskoei, M., & Hu, H. (2007). Myoelectric control systems-A survey.
Biomedical Signal Processing and Control, 2(4), 275–294.
http://doi.org/10.1016/j.bspc.2007.07.009
BALLESTEROS, D. M. (2006). Compresion de señales emg superficiales por
medio de la transformada wavelet y la codificación run length. Scientia,
(32), 103–108.
Ballesteros Larrotta, D. M. (2004). Aplicación de la transformada wavelet
discreta en el filtrado de señales bioeléctricas. Umbral Científico,
92–98.
Contreras, F., & Juárez, F. (2003). Efecto del incremento en el número de
señales de biofeedback-EMG sobre el control muscular en la hemiplejia,
3, 301–312.
Gila, L., Malanda, a., Carreño, I. R., Falces, J. R., & Navallas, J.
(2009). Métodos de procesamiento y análisis de señales
electromiográficas. Anales Del Sistema Sanitario de Navarra, 32 Suppl 3,
27–43. http://doi.org/10.4321/S1137-66272009000600003
Javier Villamizar Pinzón, Rafael Padilla Mayorga, G. C. H. (2012). Brazo
robótico controlado por electromiografía. Scientia et Technica, 52(52),
165–173.
Juliana M. Fernández, Rubén C. Acevedo, C. B. T. (2007). Influencia de la
fatiga muscular en la señal electromiográfica de músculos estimulados
eléctricamente. Revista EIA Escuela de Ingeniería de Antioquia,
Medellín, 7, 111–119.
Khezri, M., & Jahed, M. (2009). An exploratory study to design a novel hand
movement identification system. Computers in Biology and Medicine,
39(5), 433–442. http://doi.org/10.1016/j.compbiomed.2009.02.001
L, C.-R., Aznielle, T., a., S., J.L., D. A., R., H., Reyes, O., … R., G.
(2006). NEURONICA: Equipo medico para tecnicas de Potenciales Evocados
y Electroneuromiografía . Rev.CENIC Ciencias Bioligicas, 36.
León-vargas, F., & Pérez, J. B. (2012). Emg-Based System for Basic Hand
Movement Recognition. Dyna, 41–49.
Lucas, M. F., Gaufriau, A., Pascual, S., Doncarli, C., & Farina, D. (2008).
Multi-channel surface EMG classification using support vector machines
and signal-based wavelet optimization. Biomedical Signal Processing and
Control, 3(2), 169–174. http://doi.org/10.1016/j.bspc.2007.09.002
Orozco, Á., & Giraldo Suárez, E. (2007). Caracterización dinámica de
señales electromiográficas usando filtros adaptativos. Scientia et
Technica, XIII(34), 19–24. Retrieved from
http://www.utp.edu.co/ciencia/index.php?UnArt=1&id=666
Palacio, J. A., Agudelo, D., & Vásquez, M. (2013). Reconocimiento de
patrones de señales emg, empleando clasificador bayesiano, 21–26.
Pinzon, R. D., Orozco, Al. a., & Castellanos, G. (2009). Caracterización
Multicanal No Lineal De Señales Emg Con La Transformada Hilbert-Huang .
Scientia et Technica, XV(41), 36–41.
Ramírez, A., & Garzón, D. A. (2008). Análisis de sensibilidad por la
colocación de los electrodos en la electromiografía de superficie
(semg). Revista Facultad de Ingenieria, (46), 70–79.
Romo, H. a, Realpe, J. C., & Jojoa, P. E. (2007). Análisis de Señales EMG
Superficiales y su Aplicación en Control de Prótesis de Mano Surface EMG
Signals Analysis and Its Applications in Hand Prosthesis Control.
Avances En Sistemas e Informática, 4(1), 127–136. Retrieved from
http://en.scientificcommons.org/35680319
Rosales-Lagarde, A., del Río-Portilla, I. Y., Guevara, M. Á., & Corsi-
Cabrera, M. (2009). Caída abrupta del tono muscular al entrar a sueño
MOR en el ser humano. Salud Mental, 32(2), 117–123.
Torres-San-Miguel, C. R., Velázquez-Sánchez, A. T., Lugo-González, E., &
Tapia-Herrera, R. (2011). Diseño personalizado de una interfaz
mioeléctrica para una prótesis de miembro superior. Revista Colombiana
de Biotecnología, XIII(2), 70–83.
Vaiman, M., Eviatar, E., & Segal, S. (2004). Surface electromyographic
studies of swallowing in normal subjects: A review of 440 adults. Report
3. Qualitative data. Otolaryngology - Head and Neck Surgery, 131(6),
977–985. http://doi.org/10.1016/j.otohns.2004.03.015
Wojtczak, P., Amaral, T. G., Dias, O. P., Wolczowski, A., & Kurzynski, M.
(2009). Hand movement recognition based on biosignal analysis.
Engineering Applications of Artificial Intelligence, 22(4-5), 608–615.
http://doi.org/10.1016/j.engappai.2008.12.004