Nos dois tipos de testes realizados, com sinais EMG sint´eticos e reais, o sistema forneceu os seguintes resultados sobre a decomposi¸c˜ao do sinal EMG analisado:
• Quantidade de Unidade Motoras ativas;
• Padr˜ao morfol´ogico do MUAP gerado por cada Unidade Motora; • Seq¨uˆencia de disparo das Unidades Motoras.
Nos testes realizados com sinais EMG sint´eticos, os sistema detectou corretamente a quantidade de Unidades Motoras ativas e apresentou, tamb´em, uma forte correla¸c˜ao entre a seq¨uˆencia de disparos das Unidades Motoras geradas pelo sistema proposto e pelo sinal sint´etico - cujas caracter´ısticas j´a eram conhecidas. E tamb´em, nos teste realizados com sinais EMG reais, o sistema proposto apresentou resultados coerentes, pois a mesma quantidade de Unidades Motoras foi detectada analisando o sinal EMG dos dois eletrodos do array, em todos os casos analisados.
Quanto `a detec¸c˜ao da seq¨uˆencia de disparo das Unidades Motoras, note que na tabela 7.1, atrav´es da an´alise do coeficiente de correla¸c˜ao ρ, houve uma correla¸c˜ao forte entre to- das as seq¨uˆencias de disparo de Unidades Motoras analisadas. Este resultando demonstra que o sistema desenvolvido detectou a seq¨uˆencia correta de disparo das Unidades Motoras, pois houve coerˆencia na correla¸c˜ao entre as duas seq¨uˆencias de disparo das Unidades Mo- toras detectadas atrav´es do sinal EMG coletado dos 2 eletrodos do array. E tamb´em, na an´alise do sinal sint´etico, o sistema apresentou um alto coeficiente de correla¸c˜ao entre a seq¨uˆencia de disparo das Unidades Motoras detectadas por meio da an´alise do sinal EMG sint´etico e a seq¨uˆencia que, de fato, gerou este sinal EMG.
E ainda, ao comparar o padr˜ao morfol´ogico gerado pelo sistema para cada sinal ana- lisado do array de eletrodos, o sistema tamb´em obteve uma forte correla¸c˜ao em todos os casos analisados. Para os dois eletrodos, o sistema detectou padr˜oes morfol´ogicos de MUAPs similares, isto ´e, detectou a mesma quantidade de Unidades Motoras ativas e o mesmo padr˜ao morfol´ogico de MUAP gerado por cada uma delas. Dessa forma, podemos inferir que o sistema forneceu respostas coerentes com aquelas que foram propostas.
´
E importante ressaltar a utiliza¸c˜ao do algoritmo EDSP para a avalia¸c˜ao da quali- dade de um grupo de MUAPs e, tamb´em, na apresenta¸c˜ao do padr˜ao morfol´ogico de um determinado grupo de MUAPs - o resultado final da aplica¸c˜ao do algoritmo EDSP ´e exatamente o padr˜ao morfol´ogico do MUAP gerado pela Unidade Motora. Em todos os testes realizados, houve uma convergˆencia de 100% da popula¸c˜ao de MUAPs para um padr˜ao morfol´ogico ´unico, quando considerada a vizinhan¸ca pr´oxima do padr˜ao detectado. Este resultado reflete muito bem o ´otimo funcionamento da sele¸c˜ao probabil´ıstica imple- mentada no algoritmo EDSP, pois mostra que a popula¸c˜ao, em nenhum caso analisado, ficou estagnada em um ´otimo local e impedida de atingir o ´otimo global.
Foi poss´ıvel verificar, que a otimiza¸c˜ao dos parˆametros do Modelo Oculto de Markov com o algoritmo EDSP tamb´em comprovou ser eficiente, considerando que em todos os casos analisados, o MOM foi gerado de maneira que a verossimilhan¸ca entre os MOM dos MUAPs do sinal EMG apresentassem a proximidade necess´aria para ser realizado o agrupamento, utilizando o Algoritmo Espectral, e assim, detectar a quantidade de Unidades Motoras ativas. Se o MOM n˜ao tivesse sido gerado corretamente, esta condi¸c˜ao teria sido refletida no agrupamento, pois n˜ao seria poss´ıvel identificar corretamente a quantidade de Unidades Motoras ativas e a coes˜ao do grupo de MUAPs detectados n˜ao
teria sucesso quando avaliado com o EDSP.
N˜ao obstante, os outros sistemas de decomposi¸c˜ao de sinais EMG de superf´ıcie j´a existentes, utilizam padr˜oes pr´e-definidos de MUAPs para realizar o agrupamento dos MUAPs e, assim, detectar a quantidade de Unidades Motoras ativas. Entretanto, o sis- tema proposto n˜ao precisa saber, a priori, quais s˜ao os padr˜oes de MUAP, pois ser´a criado um Modelo Oculto de Markov para cada MUAP detectado e, atrav´es do Agrupamento Espectral, eles ser˜ao agrupados em seus devidos grupos. Dessa forma, a n˜ao-utiliza¸c˜ao de padr˜oes pr´e-definidos de MUAPs tamb´em ´e um diferencial das t´ecnicas implementadas no projeto. A representa¸c˜ao de cada MUAP por um MOM, utilizando a t´ecnica de extra¸c˜ao de caracter´ısticas apresentada no cap´ıtulo 6 ´e um avan¸co cient´ıfico nas pesquisas de de- composi¸c˜ao de sinais EMG de superf´ıcie, visto que n˜ao ´e necess´ario fazer o agrupamento supervisionado de MUAPs, isto ´e, n˜ao ´e necess´ario saber, a priori, os poss´ıveis padr˜oes de MUAPs que dever˜ao ser encontrados no sinal EMG.
Assim, ´e poss´ıvel concluir que o modelo gr´afico-probabil´ıstico Modelo Oculto de Markov, a t´ecnica Agrupamento Espectral e a Evolu¸c˜ao Diferencial EDSP possuem potencial de aplicabilidade na decomposi¸c˜ao de sinais EMG de superf´ıcie. E ainda, estas ferramentas apresentaram resultados coerentes e coesos em todos os testes de valida¸c˜ao realizados. Dessa forma, este conjunto de ferramentas ´e promissor e pode ser uma nova dire¸c˜ao para as pesquisas na ´area de decomposi¸c˜ao de sinais EMG de superf´ıcie.
7.4
Conclus˜ao
Este cap´ıtulo apresentou os resultados obtidos no processo de valida¸c˜ao do sistema proposto. De acordo com as discuss˜oes apresentadas na se¸c˜ao anterior, os resultados do sistema desenvolvido apresentaram uma boa resposta em todas as an´alises realizadas no que tange `a:
• Determina¸c˜ao da quantidade de Unidades Motoras ativas nos sinais EMG;
• Determina¸c˜ao da seq¨uˆencia de disparo das Unidades Motoras no sinal EMG anal- isado;
No pr´oximo cap´ıtulo ser˜ao apresentadas as considera¸c˜oes finais e os trabalhos futuros que podem ser realizados a partir dessa pesquisa.