Multi-Parameter Modelling of Surface Electromyography Data

Abstract (Swedish)

Ytelektromyografi (sEMG) mäter skelettmuskelfunktionen genom att registrera muskelaktivitet från hudens yta. Tekniken kan användas för att diagnostisera neuromuskulära sjukdomar och som ett hjälpmedel vid rehabilitering, biomedicinsk forskning och för interaktion mellan människa och dator. En simuleringsmodell för sEMG-data kan bedöma avkodningsalgoritmer och hjälpa till att utveckla nya diagnostiska verktyg. Sådana simuleringsmodeller har tidigare inte varit tillgängliga. Vi har skrivit öppen källkod i Python för att generera syntetisk sEMG-data. Koden är tillgänglig via GitHub, en onlineplattform för mjukvaruutveckling. Den implementerade modellen har flera parametrar som påverkar den artificiellt genererade signalen. Modellen implementerades med en bottom-up-design, som börjar med en enda muskelfiber och slutar med sEMG-signalen genererad från upp till hundratals aktiva motoriska enheter. Den simulerade signalen kan registreras i potentiellt dussintals selektivt placerade ytelektroder. Modellens grund är matematiska ekvationer som finns i den vetenskapliga litteraturen kring motorisk kontroll och biologisk signalering, t.ex. aktionspotentialutbredning, membranströmfördelning och rekrytering av motoriska enheter. Vi hävdar att modellen innehåller de viktigaste funktionerna för att generera sEMG-data. Den syntetiskt genererade datan avkodades för att studera de simulerade motorenheternas aktionspotentialer. Den presenterade modellen kan användas som grundsanning för att bedöma prestandan av andra avkodningsalgoritmer för sEMG. Analysen av sEMGsignaler kan ge värdefulla insikter om muskelaktivitet, vilket bidrar till vår förståelse av motorisk kontroll och bidrar till utvecklingen av proteser och hjälpmedelsteknologier.

Abstract

Surface electromyography (sEMG) measures skeletal muscle function by recording muscle activity from the surface of the skin. The technique can be used to diagnose neuromuscular diseases, and as an aid in rehabilitation, biomedical research, and human-computer interaction. A simulation model for sEMG data can assess decomposition algorithms and help develop new diagnostic tools. Such simulation models have previously not been available. We have written open-source code in Python to generate synthetic sEMG data. The code is publicly accessible via GitHub, an online platform for software development. The implemented model has multiple parametersthat influence the artificially generated signal. The model was implemented with a bottom-up design, starting at a single muscle fibre and ending with the sEMG signal generated from up to hundreds of active motor units. The simulated signal can be recorded in potentially dozens of selectively positioned surface electrodes. The model’s foundation is mathematical equations found throughout the scientific literature surrounding motor control and biological signalling, e.g., action potential propagation, membrane current distribution, and motor unit recruitment. We assert that the model incorporates the most significant features for generating sEMG data. The synthetically generated data was decomposed to study the simulated motor unit action potentials. The presented model can be used as ground truth to assess the performance of decomposition algorithms for sEMG. The analysis of sEMG signals can provide valuable insights into muscle activity, contributing to our understanding of motor control and aiding the development of prosthetics and assistive technologies.

Popular Abstract (Swedish)

Simulering av ytelektromygrafiska signaler med flera parametrar

Yt-elektromyografi (yt-EMG) är en teknik som mäter musklernas funktion genom att registrera elektrisk aktivitet från hudens yta. Tekniken används kliniskt vid diagnostisering av muskulära sjukdomar och som ett verktyg för rehabilitering och forskning. Vi har skapat en simulator för artificiella yt-EMG signaler.

Muskulära sjukdomar begränsar ofta rörlighet och kan orsaka smärtor i hela kroppen. För så mycket som 25% av muskulära sjukdomar saknas tillräcklig diagnostisk kapacitet och därmed kan inte rätt behandling erbjudas. Följden blir att patientens besvär inte lindras. Vi har skapat en simulator för att förbättra de diagnostiska förutsättningarna för muskulära sjukdomar. Vår simulator för att generera artificiella yt-EMG signaler kan användas för att utveckla nya diagnostiska verktyg. Även om sådana modeller finns är de inte tillgängliga. Den simulator vi har skapat är tillgänglig gratis online. Vår simulator är skriven i programmeringsspråket Python och har flera oberoende parametrar som påverkar de genererade signalens utseende. Modellen är designad på samma vis som kroppens skelettmuskulatur. Musklerna är uppbyggda av tusentals individuella muskelfibrer som buntas ihop för att skapa så kallade motoriska enheter. Flera motoriska enheter kopplas i sin tur samman för att representera en hel muskel. Den elektriska aktiviteten simuleras artificiellt inuti muskulaturen och läses av med elektroder från hudens yta. Modellen vi skapat är baserad på matematiska beskrivningar från den vetenskapliga litteraturen. Vi anser att modellen innehåller de viktigaste beståndsdelarna för att generera yt-EMG signaler där simulatorn kan bidra vid utvecklingen av proteser, hjälpmedelsteknologier och nya diagnostiska verktyg. Genom att tillgängliggöra vår simulator främjar vi öppen vetenskap och gynnar ett kunskapsintensivt samhälle.

• author: Alosta, Ahmad and Djärf, Josef
• supervisor: Robin Rohlén; Jonathan Lundsberg
• organization: Department of Biomedical Engineering
• alternative title: Simulering av ytelektromygrafiska signaler med flera parametrar
• course: BMEM01 20241
• year: 2024
• type: H2 - Master's Degree (Two Years)
• subject: Technology and Engineering
• keywords: Surface electromyography, modelling, Python, sEMG, decomposition, neuroengineering, motor unit, muscle, simulation
• language: English
• additional info: 2024-01
• id: 9145976
• date added to LUP: 2024-02-05 13:14:34
• date last changed: 2024-02-05 13:14:34