Para alcance de todos, diseñan un electromiógrafo más económico y de alta precisión

El uso de estos dispositivos podría ser tan común como el de los ciclocomputadores utilizados por los ciclistas para medir su ritmo cardíaco, pero con un propósito distinto: saber qué músculo se activa con determinado movimiento para diagnosticar trastornos neuromusculares, diseñar planes de entrenamiento más efectivos e incluso activar el funcionamiento de prótesis electrónicas.

“Su uso no está tan extendido porque estas señales biológicas son difíciles de medir, se necesita un protocolo de procesamiento y técnicas que consumen mucho tiempo, además son costosos y los resultados no siempre son fáciles de entender”, explica Stirley Madrid Vélez, magíster en Ingeniería Mecánica de la UNAL Sede Medellín.

Por eso el Grupo de Investigación en Biomecánica e Ingeniería de Rehabilitación (Gibir), liderado por el profesor Juan Fernando Ramírez Patiño, de la Facultad de Minas de la UNAL Sede Medellín, además de diseñar y construir un electromiógrafo de bajo costo, probó distintas herramientas de aprendizaje automático (machine learning) que arrojaron resultados más precisos y fáciles de interpretar.

“El prototipo, llamado APISI, es portátil, funciona con baterías y es más económico porque emplea componentes asequibles y de bajo costo, cuenta con un diseño optimizado y utiliza impresión 3D para la carcasa, lo que reduce su precio final”, agrega Valentina Mejía Gallón, estudiante de doble titulación en Ingeniería Mecánica de la UNAL Sede Medellín.

Además, también está pensado para las personas. “Utiliza algoritmos entrenados por nosotros a partir de datos de contracciones y extensiones musculares de distintas regiones del cuerpo, presentados en una interfaz gráfica amigable que le permite al usuario interpretar los datos fácilmente”, agrega.

Para nutrir la base de datos, los investigadores trabajaron con voluntarios en los que les captaron, por ejemplo, la activación de los cuádriceps al hacer sentadillas repetitiva y lentamente. También trataron de reflejar las complejidades y variaciones que aparecen en el mundo real agregando ruido de forma artificial.

En busca de los mejores modelos de IA

El movimiento del músculo genera patrones de onda que se pueden ver a través de una pantalla de computador o de cualquier dispositivo digital. “Estos patrones fueron los que nos permitieron probar los algoritmos que identifican la activación muscular mediante la superación de una línea base o de la amplitud de la onda, la extracción de características base o la combinación de varias”, continúa la magíster.

Como los investigadores tenían los valores de referencia verdaderos, es decir en qué momento exacto se daba la activación muscular, pudieron comparar los resultados de 5 modelos, de los cuales uno mixto, llamado XGBoost, fue el más preciso, logrando un puntaje F1 del 98,71 %.

“Aunque todos los modelos mostraron métricas favorables, este fue el que obtuvo la menor cantidad de falsos positivos y falsos negativos (F1), lo que lo hace tan prometedor, que ya lo probamos con un jugador de tenis para ver qué músculos se activaban con determinada maniobra, y obtuvimos resultados igual de precisos”, añade la magíster Madrid.

Para que el dispositivo se pueda poner en el mercado sería necesario hacer evaluaciones en distintos contextos, como por ejemplo en rehabilitación de personas a las que les falta alguna extremidad, pues las prótesis electrónicas detectan con un electromiógrafo el movimiento de un músculo específico para después efectuar el movimiento de la parte artificial. Así mismo, sería esencial probar su eficacia en el diagnóstico de trastornos neuromusculares y en la optimización de planes de entrenamiento, asegurando su funcionamiento fiable y preciso en diversas situaciones clínicas y deportivas.