APLICAÇÃO DE UMA TÉCNICA PARA DECOMPOSIÇÃO E ANÁLISE DE SINAIS EMG

UNIVERSIDADE FEDERAL DE UBERLÂNDIA

4ª Semana do Servidor e 5ª Semana Acadêmica

2008 – UFU 30 anos

APLICAÇÃO DE UMA TÉCNICA PARA DECOMPOSIÇÃO E ANÁLISE DE

SINAIS EMG

Wellington Maycon Santos Bernardes1 Isabelle Cecília de Andrade2 Liedson Oliveira dos Santos3

Adriano O. Andrade4

Universidade Federal de Uberlândia

Avenida João Naves de Ávila, 2121. Bloco 1E Campus Santa Mônica. CEP: 38408-100. Uberlândia – MG.

wellingtonmaycon@hotmail.com1 isabelle.cda@gmail.com2 aoandrade@eletrica.ufu.br3

Resumo – Esse artigo apresenta uma ferramenta desenvolvida capaz de decompor sinais eletromiográficos (EMG) nomeado como EMG DecompositionBR. O principal objetivo da interface é extrair e visualizar potenciais de ação das unidades motoras obtido dos sinais EMG durante uma contração muscular. Os resultados dessa ferramenta possuem aplicação no estudo da conduta do sistema nervoso central e no diagnóstico de disfunções neuromusculares. Para a implementação dessa técnica, recentes e tradicionais técnicas de processamento de sinais digitais para filtragem, detecção e agrupamento de sinais são aplicados.

Palavras-chave – Eletromiografia; Potencial de ação das unidades motoras; Filtros digitais.

1. INTRODUÇÃO

Eletromiografia é o estudo da função muscular baseada na análise de sinais eletromiográficos (EMG), que são atividades elétricas geradas por músculos durante contrações voluntária, involuntária ou estimulada (Andrade, 2005). Ela pode ser usada como instrumento cinesiológico, para identificação de traumatismos e para descrever o papel de diversos músculos em atividades específicas.

Em primeiro lugar, o músculo é formado por unidades básicas denominadas unidades motoras. Essas unidades são compostas por fibras associadas a um neurônio motor. Quando estimuladas por impulsos nervosos as unidades motoras são ativadas gerando o potencial de ação das unidades motoras (PAUMs), derivado do termo em inglês, motor unit action potentials (MUAPs). Assim sendo, o sinal EMG pode ser definido conforme a Equação 1.

∑

EMG(t) – é o sinal EMG;

TPAUM(t) – Série de potenciais de ação da unidade motora; n(t) – é o ruído, ou seja, algum sinal indesejado;

1

Acadêmico do curso de Engenharia Elétrica.

2

Acadêmica do curso de Engenharia Elétrica.

3

Acadêmico do curso de Engenharia Elétrica.

4

t – é o tempo da amostra.

De uma perspectiva prática, a extração de informação de simples unidades motoras (por exemplo, taxa de estímulo, forma do potencial de ação das unidades motoras (PAUMs), e número de unidades motoras ativas) é de grande importância em aplicações clínicas. Por exemplo, disfunções neuromusculares podem ser diagnosticadas por meio dessa análise.

O principal objetivo para decompor sinais EMG é a definição do número de unidades motoras ativas durante uma contração muscular e a extração de potenciais de ação gerados por essas unidades. O processo de identificação desses potenciais de ação consiste na visualização de suas formas de onda e na detecção do tempo quando elas ocorrem.

A decomposição de sinais EMG é um processo que pode ser realizado manualmente (Desmedt, 1983). Porém, a análise manual de sinais biomédicos é sujeito a erros. Nesse contexto, o uso de ferramentas computacionais (LeFever e DeLuca, 1982, Stashuk, 2001) executa um papel importante no sentido de facilitar, agilizar e padronizar a análise de sinais EMG.

A amplitude do potencial de ação depende do diâmetro da fibra muscular, da distância entre as fibras musculares ativas e do posicionamento e das propriedades dos eletrodos. Sua amplitude pode variar de 0 a 6 mV (pico-a-pico) ou 0 a 1,5 mV (rms). Por exemplo, em um tecido muscular humano, a amplitude aumenta de acordo com a Equação 2 (DeLuca, 1996).

7 , 1 .a k V = (2) Onde:

a – é o raio da fibra muscular;

k – é a constante que relaciona a distância entre a fibra ativa e os eletrodos (DeLuca, 1979). Esse trabalho descreve o desenvolvimento de uma ferramenta automática, chamada EMG DecompositionBR (Andrade et al., 2005a, Bernardes et al., 2007b, Bernardes et al., 2007a, Bernardes et al., 2007c, Andrade et al., 2005b, Avellido e Andrade, 2007), para visualização e extração de potenciais de ação das unidades motoras obtidas de sinais EMG superficiais.

O principal propósito desse artigo é descrever o sistema desenvolvido e ilustrar a sua aplicação prática na análise de sinais EMG. Mais informação sobre esse projeto pode ser obtida pelo sítio: http://www.biolab.eletrica.ufu.br/emgsignal.

2. DECOMPOSIÇÃO DE SINAIS EMG

Durante uma contração muscular, os disparos das unidades motoras dependem do limiar de recrutamento dessas unidades e o nível de força a ser produzido.

Quando duas ou mais unidades motoras descarregam ao mesmo tempo, o potencial detectado é soma algébrica de potenciais individuais dessas unidades motoras que são denominadas ondas sobrepostas (Figura 1) (LeFever e DeLuca, 1982).

Na decomposição do sinal EMG, as formas de ondas sobrepostas precisam ser separadas em PAUMs constituintes. A quantidade de ondas sobrepostas depende de diversos fatores como o nível de contração durante a detecção do sinal e o tipo de eletrodo utilizado.

3. EMG DECOMPOSITIONBR

Nessa pesquisa, uma ferramenta designada como EMG DecompositionBR foi desenvolvida para decomposição de sinais EMG. A ferramenta permite o usuário aplicar uma seqüência de passos requerida para a visualização e extração de PAUMs. Para isso, uma interface gráfica foi implementada em MATLAB®. O diagrama de contexto da Figura 2 mostra a seqüência resumida de passos para a decomposição. Na versão corrente do sistema apenas análise off-line é permitido. Um uso típico do sistema consiste em selecionar os sinais EMG do banco de dados, abrirem-nos no sistema, e aplicar vários passos de processamento digital de sinal, tais como filtragem, detecção e visualização.

Figura 2: Diagrama de contexto.

Outra técnica aplicada é o diagrama de fluxo de dados (DFD), em que há a descrição do fluxo de informações e as transformações aplicadas (Figura 3).

4. RESULTADOS E DISCUSSÕES

A Figura 4 mostra a tela inicial do sistema. Dela obtêm-se informações sobre o grupo de pesquisa envolvido no projeto. Uma vez que o sistema é aberto, quatro abas são criadas. Cada uma é responsável por um passo requerido para a decomposição de sinal EMG.

Figura 4: Tela inicial do sistema.

As abas disponíveis são: a) Input Signal, b) Filtering Stage, c) MUAP Detection e d) MUAP Clustering.

a) Aba Input Signal

O principal objetivo desse módulo é permitir de maneira fácil ao usuário importar os dados para o sistema. O sistema pode ler arquivos de texto, e ele assume que cada coluna do arquivo é um vetor que representa um sinal EMG.

Para definir o tempo da amostra, deve-se ajustar a freqüência de amostragem, que pode ser alterada conforme a Equação 3.

) ( _ ) ( Hz freq Sampling i s Temp_i = (3) Onde:

Temp – é o tempo na posição i;

i – é a posição da amostra no vetor coluna; Sampling_freq – é a freqüência da amostragem.

Na tabela 1, observa-se o exemplo de algumas amostras de um sinal EMG, representado na segunda coluna da tabela, que foi importado pelo usuário, a fim de que o programa possa plotar as colunas tempo e EMG. O tempo é obtido conforme a Equação 3.

Tabela 1: Exemplo de um vetor de 301200 amostras da amplitude de um sinal EMG com duração de 30 segundos.

Tempi (s) EMGi(s) ith position

0.0000996 0.015716 1 0.000199 -0.000762 2 0.000299 -0.016021 3 … … … 0.003685 -0.002288 37 0.003785 0.009002 38 0.003884 0.025177 39 … … … 30 0.013289 301200

Em síntese, o código desenvolvido em MATLAB® para calcular e plotar o gráfico na interface é o seguinte: >> a = dlmread('CaioL0T1.txt'); >> EMG=a(:,2); >> sampling_freq = 10040; >> time=zeros(length(EMG),1); >> for i=1:length(EMG) time(i) = i / sampling_freq; >> end >> plot(time,EMG,‘b’)

Cada coluna do arquivo de texto é individualmente importada para o sistema. O usuário pode designar nomes para as variáveis que representará esses sinais como mostrado na caixa de lista ao lado esquerdo da Figura 5. Note que essa estratégia para abertura de dados permite que sinais de distintos arquivos de texto estejam disponíveis no sistema para processamento.

Uma vez que uma variável (sinal) é criada no sistema, ela pode ser visualizada ao ser selecionada dentro da caixa de lista EMG signal. Uma quantidade de características para visualização de dados tem sido implementada na ferramenta. Por exemplo, a função Panner permite o usuário selecionar uma pequena região retangular (janela) para visualização do sinal, que é mostrado no gráfico maior (veja Figura 5).

Outras operações básicas podem ser executadas do menu principal do sistema. Quatro opções estão disponíveis: 1) File, 2) Edit, 3) Tools e 4) Help. Elas são mostradas juntas com seus sub-menus na Figura 6 e são descritas a seguir.

Figura 5: Interface principal do sistema.

Figura 6: Menu principal do sistema. 1) Menu File, 2) Menu Edit, 3) Menu Tools e 4) Menu Help. 1) Menu File:

• Select path...: Exibe caixa de diálogo para abrir arquivos de extensão *.txt (sinal EMG);

• EMG Samples...: Importa amostras de sinais EMG disponíveis no programa; • Delete variables: Remove sinais (variáveis) do espaço de trabalho do sistema; • Print...: Imprime eixo gráfico corrente (sinal);

• Exit: Fecha o EMG DecompositionBR. 2) Menu Edit:

• EMG Signal Color: Troca a cor de linha do sinal plotado. 3) Menu Tools:

• Data Cursor: habilita leitura de dados diretamente no gráfico corrente, mostrando as coordenadas (tempo; amplitude) através de seleção interativa;

• Panner: habilita a seleção de uma janela no sinal para ser visualizada. 4) Menu Help:

• Interface Help: a janela de ajuda ao usuário é ativada;

• About: a janela de apresentação inicial do programa é ativada, demonstrando os autores e a versão da interface.

b) Aba Filtering Stage

O programa oferece dois tipos de filtros: o Butterworth e um baseado na técnica Empirical Mode Decomposition (EMD) (Andrade et al., 2006) (Figura 7). Parâmetros de cada filtro podem ser ajustados pelo usuário na interface.

Figura 7: Seleção de filtro.

O filtro EMD é o que deve ser mais utilizado ao utilizar essa interface, pois permite uma grande retirada de ruído do sinal EMG de entrada, superando ao filtro Butterworth.

Primeiramente, EMD é uma técnica de processamento de sinal que pode decompor uma série temporal em um conjunto de funções denominadas Intrisic Mode Functions (IMFs). Os resultados obtidos da análise de sinais EMG demonstram que o método é eficaz e atenua ruídos no sinal (Andrade et al., 2006).

O EMD define os IMFs, por meio de duas condições:

1. Na série temporal, a quantidade de extremos e a quantidade de cruzamento em zeros deve ser igual ou maior do que 1. Sabe-se que extremos são pontos de mínimos locais ou máximos locais. Sabe-se que uma amostra pi em uma série temporal é um ponto de máximo local se pi >pi-1 e pi >pi+1, e uma amostra qi é um mínimo local se qi <qi-1 e qi <qi+1, onde i é um tempo discreto.

2. Em qualquer ponto na série temporal, o valor médio dos envelopes, um definido pelo ponto de local máximo (envelope superior) e o outro pelo ponto de local mínimo (envelope inferior), é nulo. Essa média é computada para todas as amostras disponíveis na série temporal.

Por outro lado, o sinal EMG pode conter uma componente contínua que provoca um deslocamento na linha de base do sinal. Essa componente não tem relação com a atividade mioelétrica, sendo causada por fenômenos eletroquímicos que ocorrem entre a interface eletrodo/pele. Portanto, antes de proceder o processamento deste sinal, pode-se eliminar esta componente utilizando um filtro Butterworth passa-alta (Barros et al., 2005).

c) Aba MUAP Detection

Depois de filtrar o sinal, ele é segmentado em pequenas janelas chamadas de regiões de atividade (RA), que podem conter a atividade de PAUMs individuais, PAUMs sobrepostos ou ruídos (Andrade, 2005). Dessa maneira, um detector de RA foi inserido na interface para a extração

de RA dos sinais EMG. Sua entrada pode ser um sinal EMG bruto ou filtrado e a saída é regiões de atividade.

Basicamente, o sistema estimará o envelope do sinal e selecionará dele pontos de referência que definem os inícios e os términos das RAs.

No estágio de seleção de características, as características serão selecionadas para uso no agrupamento de dados de um espaço dentro da região de atividades. A Figura 8 demonstra os pontos de referência no tempo (wo,po, p, pf, wf) para definição dessa janela.

wo e wf são respectivamente o tempo quando a região de atividade inicia e termina. Esses

pontos são estimados pelo detector de RAs. p é o tempo quando o pico mais alto no envelope da RA ocorre. Esse ponto é também o ponto onde a variação em amplitude do sinal é máxima dentro da RA.

po e pf são respectivamente o início e o fim da janela a ser solucionada pela análise. Esses

pontos são definidos da seguinte forma: po = p – min{to, p – wo} e pf = p + min{to, wf – p}, com to =

2 ms. Note que o tamanho da janela definida por po e pf pode variar para diferentes RAs.

Figura 8: Identificação de pontos de referência no tempo para seleção de características. wo e wf

indica começo e término da região de atividade. p é o tempo quando o maior pico no envelope e dentro do intervalo [wo, wf] ocorre, e po e pf define a fronteira de uma janela retangular para seleção

de característica (Andrade, 2005).

Por fim, uma linha tracejada indica o início de uma RA e uma linha sólida indica seu término (Figura 9).

Figura 9: Detecção de MUAPs: a) Aba MUAP Detection, b) Início da região de atividade, c) Final da região da atividade, d) Ganho do amplificador, e) Constante do desvio-padrão, f) Constante do

d) Aba MUAP Clustering

Após a detecção da região de atividades, é possível agrupar os potenciais de ação em unidades lógicas, mas primeiramente é necessário obter as características das regiões desse agrupamento. A amplitude do PAUM é usada como característica para agrupamento de dados. A técnica para isso é detalhada em (Andrade et al., 2005a, Andrade et al., 2005b, Bernardes et al., 2007b).

Uma vez que os dados são agrupados, eles podem ser visualizados em 25 eixos gráficos (GTM grid – veja (Andrade et al., 2005a, Andrade et al., 2005b, Bernardes et al., 2007b)) (Figura 10).

Figura 10: Agrupamento de MUAP.

5. CONCLUSÕES

Esse trabalho apresentou uma interface gráfica que permite ao usuário facilmente aplicar passos básicos para decomposição de sinal EMG. No futuro, os autores introduzirão novas características no sistema, tais como a estimação do número de unidades motoras, que permitirá que o sistema seja aplicado em atividades clínicas.

6. AGRADECIMENTOS

Nosso grupo de pesquisa gostaria de agradecer à Faculdade de Engenharia Elétrica da Universidade Federal de Uberlândia pelo acesso no Laboratório de Engenharia Biomédica (BIOLAB), e também à Fundação de Pesquisa do Estado de Minas Gerais (FAPEMIG), que financiou nossa investigação (Projeto PEP/UFU/2006 C-003/2006 e Projeto C – 005/2007).

7. REFERÊNCIAS

ANDRADE, A. O. (2005) Decomposition and analysis of electromyographic signals. School of Systems Engineering, Department of Cybernetics. England, University of Reading.

ANDRADE, A. O., NASUTO, S., KYBERD, P. and SWEENEY-REED, C. M. (2005a) Generative Topographic Mapping Applied to Clustering and Visualization of Motor Unit Action Potentials. Biosystems, 82, 273-284.

ANDRADE, A. O., NASUTO, S., KYBERD, P., SWEENEY-REED, C. M. and KANIJN, F. R. V. (2006) EMG signal filtering based on Empirical Mode Decomposition. Biomedical Signal Processing and Control. Oxford - Inglaterra.

ANDRADE, A. O., NASUTO, S. and KYBERD, P. J. (2005b) An automatic system for clustering and visualization of motor unit action potentials based on the Generative Topographic Mapping. 3rd IEEE International Seminar on Medical Applications of Signal Processing.

AVELLIDO, A. and ANDRADE, A. O. (2007) Determination of feature relevance for the grouping of motor unit action potentials through a generative mixture model Biomedical Signal Processing and Control 2, 111-121.

BARROS, K. R., CAPARELLI, T. B. and SOARES, A. B. (2005) Metodologia de Baixo Esforço Computacional para Classificação de Sinais Eletromiográficos para Controle de Próteses. IV CEEL. UFU. Uberlândia - MG.

BERNARDES, W. M. S., ANDRADE, A. O., MIOTTO, G. A. A. and SÁ, A. A. R. (2007a) Decomposição e Análise de Sinais Eletromiográficos. V Conferência de Estudos em Engenharia Elétrica. Universidade Federal de Uberlândia.

BERNARDES, W. M. S., ANDRADE, I. C. and ANDRADE, A. O. (2007b) Decomposição e Análise de Sinais Eletromiográficos. Uberlândia - MG, 4ª Semana Acadêmica - UFU na Contemporaneidade.

BERNARDES, W. M. S., ANDRADE, I. C. and ANDRADE, A. O. (2007c) Development of a graphical interface for EMG decomposition. 1st Minisymposium on Biomedical Engineering. Universidade Federal de Uberlândia.

DELUCA, C. J. (1979) Physiology and mathematics of myoeletric signals. IEEE Transactions on Biomedical Engineering, 29(6), 313-325.

DELUCA, C. J. (1996) Surface Electromyography: Detection and recording. Neuromuscular Research Center and Biomedical Engineering Dept. and Neurology Dept., Boston University. DESMEDT, J. E. (1983) Size principle of motoneuron recruitment and the calibration of muscle force and speed in man. 227.

LEFEVER, R. S. and DELUCA, C. J. (1982) A procedure for decomposing the myoelecric signal into its constituent action potentials. I. Technique, theory, and implementation. IEEE Trans Biomed Eng, 29, 149-157.

STASHUK, D. (2001) EMG signal decomposition: how can it be accomplished and used? J Electromyogr Kinesiol, 11, 151-173.

APPLING A TECHNIQUE FOR DECOMPOSITION AND ANALYSIS OF

EMG SIGNALS

Wellington Maycon Santos Bernardes1 Isabelle Cecília de Andrade2

Adriano O. Andrade4

Federal University of Uberlandia

Avenida João Naves de Ávila, 2121. Bloco 1E Campus Santa Mônica. CEP: 38408-100. Uberlândia – MG.

wellingtonmaycon@hotmail.com1 isabelle.cda@gmail.com2 aoandrade@eletrica.ufu.br4

Abstract: This paper presents a developed tool capable of decomposing electromyographic signals (EMG) named EMG DecompositionBR. The main aim of this software is to extract and to visualize motor unit action potentials extracted from EMG signals during a muscular contraction. The results obtained from the tool have application in the study of the behavior of the central nervous system and in the diagnosis of neuromuscular disorders. For the implementation of this technique, traditional and recent digital signal processing tools for signal filtering, detection and clustering are applied.