LatentEMG - Uvod

Pridobivanje informacij iz neinvazivno posnetih površinskih elektromiogramov visoke gostote (ang. High-density electromyograms - HDEMG) omogoča razumevanje nevrofizioloških mehanizmov ter razvoj novih postopkov preprečevanja, diagnoze in zdravljenja številnih živčnomišičnih obolenj. Neinvazivne elektrode je mogoče namestiti na kožo in vgraditi v pametna oblačila ali epidermalno elektroniko, zaradi česar je zajem signalov HDEMG popolnoma nemoteč. Vendar se analiza signalov HDEMG sooča s številnimi izzivi:

  1. Zajemamo lahko več deset kanalov HDEMG na skeletno mišico. To zvišuje robustnost analize na motnje v signalih HDEMG ter omogoča matematično dekompozicijo signalov HDEMG v prispevke fizioloških izvorov, t.i. motoričnih enot (ME). Vendar sodobne tehnike ocenjevanja informacij iz signalov HDEMG ne zmorejo določiti optimalnega razmerja med kakovostjo ocenjenih informacij in zahtevanim številom kanalov HDEMG na posamezno mišico.
  2. Pri dinamičnih in utrujajočih skrčitvah se električne lastnosti podkožnih tkiv, ki ločujejo ME od elektrod, nenehno spreminjajo. Slednje znatno oteži razlikovanje ukazov, s katerimi centralni živčni sistem vzbuja skeletne mišice od perifernih sprememb v mišičnem tkivu in lahko vodi do znatnih napak v interpretaciji meritev HDEMG.
  3. Modeliranje sprememb mišičnega tkiva je zahtevno in specifično za posamezno mišico. Simulatorji navadno poenostavijo kompleksnost in heterogenost električnih lastnosti podkožnega tkiva in ne tvorijo dovolj reprezentativnih prispevkov posameznih ME, tako imenovanih akcijskih potencialov ME (APME), še zlasti v dinamičnih in utrujajočih skrčitvah.
  4. Postavitev elektrod na površini kože ni standardizirana in predlagani sistemi zajemanja signalov HDEMG se precej razlikujejo v številu, velikosti in položaju merilnih elektrod. Ni jasno, do kakšne mere lahko s pomočjo generativne umetne inteligence (UI) manjkajoče ali šumne kanale HDEMG rekonstruiramo iz obstoječih kanalov HDEMG, še posebej, ker mora takšna rekonstrukcija ohraniti linearno superpozicijo APME.

V naši raziskovalni skupini smo dokazali, da je s pomočjo naprednih računalniških postopkov možno slediti spremembam APME tudi v dinamičnih in utrujajočih skrčitvah. Vendar so obstoječe tehnike računsko intenzivne. Naši preliminarni rezultati kažejo, da je mogoče spremembe APME uspešno obravnavati v nizkodimenzionalnih latentnih prostorih globokih nevronskih mrež (GNM). Vendar so zahtevana dimenzionalnost latentnih prostorov, optimalna arhitektura GNM in nabori podatkov, potrebni za učinkovito, nepristransko in zaupanja vredno učenja GNM v dinamičnih ali utrujajočih skrčitvah še slabo raziskani.

V tem projektu naslavljamo naslednja raziskovalna vprašanja:

  1. Kakšna je optimalna arhitektura GNM za pridobivanje informacij o vzbujanju skeletnih mišic in spremembah APME iz signalov HDEMG in kakšne so njihove optimalne učne množice?
  2. V kolikšni meri so GNM sposobne ločiti profile mišičnega vzbujanja (ukaze centralnega živčnega sistema) od sprememb električnih lastnosti mišičnega tkiva (tj. perifernih lastnosti)?
  3. Kako se kažejo spremembe APME v latentnih prostorih GNM in kateri latentni prostori podpirajo učinkovito napovedovanje oz. ekstrapolacijo sprememb APME?
  4. Kakšna je variabilnost informacij, shranjenih v latentnih prostorih GNM, ko so signali HDEMG izmerjeni preko različnih gibov in različnih oseb?
  5. V kakšnem obsegu je mogoče izvajati translacijsko učenje GNM na signalih HDEMG, posnetih med različnimi merilnimi sejami, med različnimi merjenimi osebami in med različnimi gibi?
  6. V kolikšni meri lahko GNM povečajo odpornost analize na manjkajoče kanale HDEMG oziroma kanale slabe kakovosti in ali lahko šumne kanale popravimo s pomočjo generativne umetne inteligence?

Vsa ta vprašanja bomo naslovili s pomočjo naših številnih izkušenj z obdelavo signalov HDEMG in metodologij za dekompozicijo signalov HDEMG, posnetih med izometričnimi, dinamičnimi in utrujajočimi mišičnimi skrčitvami. 

Projekt izvajamo raziskovalci s Fakultete za elektrotehniko, računalništvo in informatiko (UM FERI) Univerze v Mariboru, Slovenija in Znanstveno-raziskovalnega središča Koper (ZRS Koper), Slovenija. Sodelujemo tudi z zunanjimi partnerji iz Univerze Loughborough (LU), Leicestershire, Velika Britanija, in Imperial College London (ICL), Velika Britanija.

missing
Slika 1: APME in prostori HDEMG ter latentni prostori GNM. A) APME in njihovi latentni prostori: A.1) Spremembe APME, eksperimentalno ovrednotene med počasno dinamično kontrakcijo dvoglave nadlahtne mišice (biceps brachii) v celotnem obsegu gibanja. Posnetih je bilo 64 HDEMG kanalov, vendar so prikazani le trije reprezentativni kanali HDEMG. Prikazanih je 32 ravni krajšanja mišice, označenih z barvnim kodiranjem. A.2) Avtokodirnik, ki izvaja kodiranje v latentni prostor in dekodiranje (rekonstrukcijo) iz latentnega prostora. A.3) 2D latentni prostori z oštevilčenimi točkami, ki predstavljajo APME pri različnih ravneh krčenja mišice. Vse točke je mogoče združiti v 1D mnogoterost (obarvana krivulja), ki jo je mogoče parametrizirati, kar omogoča interpolacijo in ekstrapolacijo obnašanja APME v latentnih prostorih. A.4) Primerjava med izvirnim APME in rekonstruiranim APME iz 2D latentnega prostora avtokodirnika pri stopnji skrčitve mišice 15. Prikazani so vsi kanali HDEMG . Občutljivost rekonstrukcije APME na manjkajoče kanale HDEMG bo ocenjena v okviru projekta. B) Projekcija signalov HDEMG v latentne prostore DNN: B.1) APME iz podgrafa A) so bili uporabljeni za generiranje učnih in testnih množic sintetičnih signalov HDEMG z različnimi profili mišične aktivacije in skrčitve mišice. B.2) Kodirna GNM je bila naučena na teh simuliranih signalih HDEMG in ocenjuje profile mišične aktivacije in krčenja. Ocenila je dve latentni komponenti, prikazani v grafu B.3). Kot je prikazano v B.4), ena od teh latentnih komponent odraža mišično aktivacijo, druga pa profil krajšanja mišice; LD – latentna dimenzija, LK – latentna komponenta.