Motoristen yksiköiden erottelu matemaattisilla luokittelumenetelmillä differentiaalisesta elektromyografiasta

Abstract

Aktiopotentiaaliksi kutsuttu jännitteen muutos ajan funktiona on tunnettu biosähköinen impulssi. Kirjallisuuskatsauksessa pyrittiin löytämään ne motorisen yksikön aktiopotentiaalin voimakkuuteen, muotoon ja kestoon vaikuttavat tekijät, jotka selittäisivät riittävän luotettavasti erot kahden tai useamman motorisen yksikön välillä. Tällöin yksiköt olisivat identifioitavissa sen tuottaman yksilöllisen impulssin muodon eli jännitteen aikafunktion perusteella. Koska kaikkien aktiivisten motoristen yksiköiden tuottamat biosähköiset impulssit tai oikeammin sähkökentät summautuvat mittaelektrodissa, motoristen yksiköiden erottaminen (so. dekompositiointi) täytyy suorittaa sulautetulla ohjelmoinnilla, digitaalisen signaalinkäsittelyn ja matemaattisten algoritmien avulla. Tämän tutkielman yhteydessä luotiin algoritmi, jolla differentiaalinen sEMG-signaali (surface ElectroMyoGram) purettiin erillisiin MUAP-jonoihin (Motor Unit Action Potential) ja jolla ne analysoitiin automaattisesti ja nopeasti, tavallisella kannettavalla tietokoneella ja MATlab-sovelluksella. Tutkimuksessa päädyttiin kokeilemaan simuloitua HDsEMG-signaalia (High Density surface EMG) bipolaarisen pinta-EMG-signaalin sijaan. Näytteet simuloivat monikanavaisen 10x9-matriisianturin tuloksia isometrisestä 10% MVC-suorituksesta (Maximum Voluntary Control). Tutkimusalgoritmi muodosti differentiaalisignaalin, josta luokittelufunktio erotti motoriset yksiköt. Yhtenä ongelmana oli määritellä, kuinka moneen ryhmään aktiopotentiaalit tulee jakaa. Valitettavasti tämän ongelman ratkaisuun ei ole olemassa suoraa menetelmää. Ratkaisua täytyy hakea epäsuorasti, käyttäen apuna soveltuvia tunnuslukuja. Tämän tutkimusaineiston kohdalla päädyttiin 25 klusteriin. Tutkielman tulosten perusteella lupaavin tutkituista menetelmistä oli K-medoids-klusterointi neliöllisellä eukleidisellä (Squared Euclidean) samankaltaisuusmitalla. Tässä funktiossa jokainen medoidi eli klusterikeskipiste edustaa ryhmän keskiarvoa. Alun perin kehitetty algoritmi oli varsin helppo mukauttaa noudattamaan tätä luokittelumenetelmää. Valitettavasti yhdenkään klusterointimenetelmän luotettavuusrajoja tai muitakaan laadullisia parametrejä ei pystytty tässä tutkimuksessa määrittelemään, koska yksiäkään soveltuvia referenssituloksia ei saatu aineistoon eivätkä simuloitujen näytteiden syttymisajat korreloineet differentiaalisen bipolaarisignaalin kanssa. Selitys jälkimmäiseen voi olla, että matriisianturin keskelle syotetyt AP-aallot osuvat molempiin bipolaarisiin antureihin yhtäaikaa eikä differentiaalia synny - mutta tämän lopullinen todentaminen vaatisi hieman jatkotutkimusta.

So-called Action Potential in neuron is a temporal change in voltage, and well known as a bioelectric impulse. Starting point of the literature review was to find all factors which induce amplitude, shape and duration of a certain Motor Unit discharge, and to define differences between two or more Action Potentials. Then Motor Unit Action Potential train decomposition could be done by comparing the temporal voltage change, i.e. by comparing the shape of an action potential. Because all the Motor Unit Action Potentials, that are active, are merged in a detection electrod, i.e. an electrode detects the sum of electric fields of electric charges. Due to the merged MUAP trains, the decomposition has to be performed by embedded software by means of Digital Signal Processing and mathematical algorithms. Novel decomposition algorithm was created during the study. It decomposes differential sEMG signal into separate MUAP trains and computes variables. All this takes place fast and autonomously without human operator, just a common laptop and MATlab application is needed. Instead of physiological bipolar sEMG signal, the study was done to simulated HDsEMG signals, which were provided by Ales Holobar and Harri Piitulainen. The signals simulated high density multichannel 10x9 matrix like results from isometric 10% MVC performance. Differential signals were reconstructed and further decomposed MUAP trains by the study algorithm. One problem was to determine, how many groups of action potentials should be clustered. Unfortunately, there is no direct method for solving this problem. The solution must be applied indirectly, using the appropriate parameters and the key figures. For these signals, 25 clusters were found. Based on the results, the most promising method studied was k-medoids clustering function that uses Squared Euclidean similarity measure. In this method, each medoid represent averages of the cluster. The algorithm originally developed was quite easy to adapt to this classification method. Unfortunately, none of the reliability limits of the clustering method or other qualitative parameters could be defined in this study, because none relevant reference results were found for the study and the firing times of the simulated samples did not correlate with the differential bipolar signal. The explanation for the latter may be that the AP waves fed to the center of the matrix sensor arrive at both bipolar sensors simultaneously and no differential occurs - but the verification would require some further research.