Separación de señales electromiográficas según el músculo de procedencia

Abstract

Este Trabajo Fin de Grado estudia la separación de señales electromiográficas (EMG) débiles mezcladas con interferencias musculares de mayor amplitud en escenarios de músculos reinervados. El trabajo está motivado por un proyecto del Instituto de Investigación Tecnológica (IIT) centrado en sistemas EMG implantables para ortesis mioeléctricas y reconstrucción biónica tras lesiones graves de nervios periféricos. En este contexto, la señal objetivo puede verse contaminada por la actividad de músculos auxiliares, lo que dificulta la detección de los patrones de activación necesarios para el control de prótesis. Dado que todavía no se dispone de datos experimentales específicos de sistemas VDMT, los experimentos se realizan utilizando señales EMG procedentes de una base de datos de pacientes con Targeted Muscle Reinnervation (TMR), junto con señales artificiales diseñadas para simular distintas condiciones de activación. Estas señales se mezclan mediante modelos que incluyen interferencia, ruido aditivo y retardos temporales. El caso del proyecto del IIT se modela como un sistema asimétrico de dos fuentes y dos canales, donde una fuente débil s1 debe recuperarse a partir de observaciones dominadas por una fuente interferencia s2. Se comparan varios métodos de separación como FastICA, SOBI, ICA restringido y regresión lineal con referencia. Los resultados muestran que ICA funciona correctamente en mezclas instantáneas ideales, pero su rendimiento empeora cuando aparecen retardos, ruido y dominancia de la fuente interferencia. SOBI no mejora de forma consistente en las señales EMG reales consideradas, mientras que ICA restringido depende fuertemente de la calidad de la información previa. La regresión con retardo ofrece los mejores resultados cuando existe una referencia fiable de la interferencia. En conjunto, los resultados indican que recuperar actividad EMG débil en músculos reinervados puede requerir, en algunos casos, métodos más allá de la separación ciega instantánea estándar, como modelos convolutivos.

This Bachelor’s Thesis studies the separation of weak electromyographic (EMG) signals mixed with stronger muscular interference in reinnervated muscle scenarios. The work is motivated by a project developed at the Institute for Research in Technology (IIT), focused on implantable EMG systems for myoelectric orthoses and bionic reconstruction after severe peripheral nerve injuries. In this context, the target signal may be contaminated by auxiliary muscle activity, which makes it harder to detect the activation patterns required for prosthetic control. Since specific experimental data from VDMT systems are not yet available, the experiments are performed using EMG signals from a dataset of patients with Targeted Muscle Reinnervation (TMR), along with artificial signals designed to simulate different activation conditions. These signals are mixed through models that include interference, additive noise and temporal delays. The IIT project case is modeled as an asymmetric two-source, two-channel system, where a weak source s1 must be recovered from observations dominated by an interfering source s2. Several separation methods are compared, including FastICA, SOBI, constrained ICA and linear regression with a reference channel. The results show that ICA performs correctly in ideal instantaneous mixtures, but its performance decays when delays, noise and dominance of the interfering source are introduced. SOBI does not provide a consistent improvement for the EMG signals considered, while constrained ICA strongly depends on the quality of the prior information. Delayed regression provides the best results when a reliable interference reference is available. Overall, the results indicate that recovering weak EMG activity in reinnervated muscles may, in some cases, require methods beyond standard instantaneous blind separation, such as convolutive models.