Procesado de Senales EMG en Trastornos N

Procesado de señales EMG en Trastornos
Neuromusculares
SANDRA OSUNA, JOHN GONZALEZ, AMAIA ILZARBE

MÁSTER EN INGENIERÍA BIOMÉDICA
SEÑALES BIOMÉDICAS
2012-2013
Contenido
Introducción....................................................................................................................................................... 3
1. Bases Fisiológicas ..................................................................................................................................... 3
2. Electromiografía ...................................................................................................................................... 3
2.1. Tipos de electromiografía .................................................................................................................. 3
2.2. Registro de la actividad electromiográfica ........................................................................................ 4
2.3. Procesamiento de los datos analógicos .............................................................................................. 4
3. Procesamiento de señales electromiografías ......................................................................................... 5
3.1. Suavizado de la señal, remoción de artefactos y de Bias .................................................................. 5
3.1.1. Filtrado Digital .............................................................................................................................. 6
3.1.2. Normalización ............................................................................................................................... 6
3.1.3. Rectificación y promediado ........................................................................................................... 6
3.2. Análisis temporal ............................................................................................................................... 7
3.2.1. Conteo de picos o Valores superiores al valor RMS (TRMS) [13, p. 233] ...................................... 7
3.2.2. Cruces por cero. ............................................................................................................................. 7
3.2.3. Correlación y autocorrelación ....................................................................................................... 7
3.3. Análisis frecuencial ........................................................................................................................... 8
3.3.1. Transformada de Fourier ........................................................................................................... 8
3.3.2. Transformada de Wavelet .......................................................................................................... 8
3.3.3. Distribución de Wigner-Ville y método de Choi – Williams (temporal-frecuencial) [15]........ 9
3.4. Análisis estadístico ............................................................................................................................ 9
3.4.1. Entropía de la señal (H) [13, p. 232] ......................................................................................... 9
3.4.2. Primer cruce por cero de la función autocorrelación (ACFzero) [13, p. 232] ........................... 9
3.4.3. Chi-value (х) [13, pp. 232-233] ............................................................................................... 10
3.5. Clasificación de Parámetros ............................................................................................................ 10
3.5.1. Redes neuronales artificiales ................................................................................................... 10
3.5.2. Lógica difusa ........................................................................................................................... 10
4. Diagnóstico de trastornos neuromusculares con señales EMG ......................................................... 11
4.1. Clasificación de los trastornos neuromusculares ............................................................................. 11
4.1.1. Miopatías [11, p. 167].............................................................................................................. 12
4.1.2. Neuropatías .............................................................................................................................. 13
4.2. Análisis del músculo en reposo [11, pp. 46-50] .............................................................................. 15
4.3. Análisis de la unidad motora ........................................................................................................... 16
4.4. Análisis del músculo en actividad [11, pp. 53-55] .......................................................................... 16
5. Resultados de estudios y artículos analizados ..................................................................................... 17
5.1. Análisis temporal y frecuencial de EMG para detección de esclerosis amiotrófica lateral (ALS)
[17] 17
5.2. EMG de alta resolución espacial (HSR_EMG) para detección de atrofia muscular espinal y
distrofia muscular de Duchenne [13, pp. 227-240] [18]. ............................................................................. 20
6. Conclusiones............................................................................................................................................ 22
Bibliografía ...................................................................................................................................................... 23
Procesado de señales EMG en Trastornos Neuromusculares 2 de 24

Introducción
El objetivo de este trabajo consiste en describir algunas de las técnicas actuales de procesamiento de señales
electromiográficas (EMG) para diagnóstico de trastornos neuromusculares. Estas técnicas se basan en el uso
de algoritmos matemáticos y métodos estadísticos con el fin de identificar, clasificar y editar la señal EMG
de una manera automatizada, obteniendo resultados objetivos y replicables. Para ello, se determinan unos
índices o parámetros cuantitativos concretos a partir del registro electromiográfico, que permiten realizar el
diagnóstico en base a patrones normales conocidos. Al final del documento se describen dos estudios en los
que se aplicaron algunas de las técnicas de procesamiento para la detección de una patología neuromuscular
concreta.
1. Bases Fisiológicas
El sistema nervioso es el centro de control del cuerpo humano. Recoge las informaciones sensitivas de todo
el organismo y las transmite al cerebro, donde posteriormente se procesarán. En función de las señales
recogidas, el cerebro genera una respuesta que será transmitida por el sistema nervioso hasta los músculos y
órganos internos. El resultado de la llegada de un estímulo indirecto por vía nerviosa es la contracción
muscular [1].
Por la fibra nerviosa discurre una corriente de acción o impulso nervioso que se transmite a través de la
sinapsis por medio de un neurotransmisor almacenado en el axón de las conexiones neuromusculares. Las
membranas de las fibras musculares y de las neuronas están polarizadas con una diferencia de potencial,
frecuentemente con valor de -70mV, llamada potencial de reposo. Al estimular la fibra muscular (o nerviosa),
el neurotransmisor es vertido al espacio sináptico, produciendo un cambio en el potencial de membrana en el
sentido de una despolarización. Si la despolarización producida rebasa un cierto valor umbral (orden de
10mV a 20mV), se produce el potencial de acción (PA), que puede transmitirse a las zonas adyacentes a
donde se aplicó el estímulo, terminando por afectar a toda la superficie celular. Se dice entonces que se ha
originado una corriente de acción, lo que se conoce como excitación muscular [2].
La unidad fisiológica fundamental del sistema motor es la unidad motora

(UM). La UM está compuesta por una célula nerviosa (motoneurona) y por
todas las fibras musculares que están inervadas por ella. El sistema nervioso
central (SNC) codifica el grado de contracción de las fibras musculares según
el número de UM reclutadas y la frecuencia activación de cada una. Los
impulsos nerviosos son los potenciales de acción (PA) de las UM alfa, las
situadas en el asta anterior de la médula, que se transmiten a las células
musculares (fibras) a lo largo de sus axones, las ramificaciones terminales de
estos y las uniones neuromusculares (zona de inervación).
Figura 1: Unidad Motora [3]

2. Electromiografía
La electromiografía es el registro de la actividad eléctrica generada por el músculo estriado. Como se ha

explicado anteriormente, la contracción de cada fibra muscular individual genera un potencial de acción. La
suma de los potenciales de todas las fibras que componen una unidad motora (UM) constituye el potencial de
unidad motora (PAUM). Las señales de la EMG se componen principalmente de los potenciales de acción de
las unidades motoras superpuestas. La medición de estas señales puede ser descompuesta en los potenciales
de acción de las unidades motoras (PAUMs) constituyentes.
2.1. Tipos de electromiografía
Para el registro del EMG se pueden utilizar electrodos de aguja (EMG intramuscular) que se insertan en los
músculos que se van explorar o electrodos de superficie (EMGS) que se colocan sobre la piel que los recubre.
La diferencia está principalmente en que el método superficial emplea un electrodo que se puede utilizar para
controlar la imagen general de la activación muscular, a diferencia de la actividad de sólo unas pocas fibras
como se observa utilizando un EMG intramuscular.
Al usar la EMGS existe la limitación de la resolución espacial ya que únicamente aporta información global
de la activación muscular. Es por ello que en la práctica se sigue utilizando sobretodo la EMG invasiva para
el diagnóstico de trastornos neuromusculares, en los cuales interesa distinguir el comportamiento de UMs
independientes. Sin embargo, en los últimos años la EMGS ha ido adquiriendo mayor importancia debido a
una mayor repetitividad en las medidas y posibilidad de monitorización a largo plazo. En el capítulo 5 se
describe una investigación clínica en la que se usó un filtro espacial para obtener la actividad de UMs
independientes de manera no invasiva, demostrando la validez de esta técnica para la detección de atrofia
muscular espinal (AME) o Distrofia Muscular de Duchenne (DMD).
2.2. Registro de la actividad electromiográfica
Como se ha comentado, la combinación de los potenciales de acción de las fibras musculares que componen
una unidad motora (PAUM), se puede detectar por tanto mediante electrodos superficiales localizados muy
cerca del campo de estudio, o mediante el electrodo de aguja insertado en el músculo. La activación
muscular puede modelarse como un generador de impulsos que reflejan el SNC activando algunas UMs, que
a su vez actúan como filtros trasformando cada impulso en una señal de PAUM. La señal EMG registrada
será un tren de estas PAUMs. La siguiente figura muestra el proceso de adquisición de la señal EMG y su
descomposición para obtener los PAUMs.
Figura 2: Señal EMG, su descomposición en PAUMs [4] y parámetros de la forma de onda de un PAUM [5, p. 33]
La exploración de la actividad EMG comprende el registro de la señal bioeléctrica en tres estados

funcionales: a) En reposo, estando el músculo completamente relajado no debe registrarse ninguna actividad.
b) Durante una contracción débil, activando un escaso número de UMs se captan las descargas de los
PAUMs correspondientes. c) Durante una contracción voluntaria máxima, que informa sobre la población de
UMs funcionando.
2.3. Procesamiento de los datos analógicos
Previo a la aplicación de técnicas concretas de procesamiento de la señal para realizar el diagnóstico EMG de
modo cuantitativo, se deben seguir los siguientes pasos de acondicionamiento de la señal:
• Amplificación: las magnitudes bioeléctricas para el caso de la EMG son del orden de 0,5mV es
necesario amplificar la señal entre 50 y 250.000 veces. Las señales amplificadas obtenidas por lo
general se encuentran entre 1 y 10 V, o entre rango en el que funcionan los circuitos electrónicos
utilizados en el hardware del electromiógrafo.
• Eliminación del ruido mediante amplificadores diferenciales.

• Filtrado: para eliminar las frecuencias inferiores a 2-5 Hz (debidas a fluctuaciones lentas por
movimientos de la aguja) y superiores a 10 KHz (oscilaciones rápidas de la señal de origen técnico).
También se debe filtrar la oscilación de la señal a 50 Hz debida a la corriente alterna de la red
eléctrica, mediante un filtro Notch.
• Digitalización: ejecutada en conversores analógicos-digitales con una frecuencia de muestreo lo
suficientemente alta como para no perder cambios significativos de voltaje (Cumpliendo del
Teorema de Shannon).
3. Procesamiento de señales electromiografías
Una vez se adquieren las señales eléctricas representativas de los impulsos generados por las unidades
motoras, es necesario realizar un análisis y procesamiento de la información. A continuación se presentan
algunas de las técnicas matemáticas e informáticas utilizadas para analizar la información digital proveniente
de las EMG y para hallar anomalías y/o poder dar un diagnóstico médico, objetivo principal de la toma de
datos con el electromiógrafo.
Figura 3: Las principales etapas implicadas en la adquisición de la señal, preprocesamiento, y extracción de

características de señales de EMG registrados a partir de una fibra muscular [6, p. 240]
3.1. Suavizado de la señal, remoción de artefactos y de Bias
Debido a que el rango de las señales EMG se encuentra entre los pocos micro voltios, la señal puede ser
influenciada por ruidos externos o por ruidos generados por los mismos dispositivos electrónicos [8].
Algunos de estos problemas se pueden solucionar tomando prevención antes de realizar la medición
electromiográfica, como por ejemplo una buena preparación de la piel del paciente, así como la postura
adecuada de los electrodos. Sin embargo, otros artefactos, como las señales electrocardiográficas (ECG),
aparecen mezcladas con la señal EMG y deben ser removidas para evitar confusiones y resultados no
deseados. Sea cual sea el estudio a realizar, como mínimo se deben utilizar las siguientes técnicas antes de
proceder a un diagnóstico patológico:

3.1.1. Filtrado Digital
A pesar de haber hecho un filtrado de la señal con algunos componentes electrónicos y de haber limitado el
ancho de banda de la señal, muchos artefactos pueden ser eliminados a través de un filtrado digital.
Combinando filtros adaptivos capaces de reconocimiento de patrones, se pueden eliminar o limpiar las
señales ECG evitando alterar el contenido del resto de la señal EMG adquirida, además de que se pueden
eliminar los ruidos que se pudieron pasar a través de los filtros convencionales que fallan a niveles bajos de
amplitud de las EMG [7] [8].
Figura 4: Filtrado Adaptativo de la Señal EMG
3.1.2. Normalización
Los valores absolutos de amplitud EMG no son confiables debido a muchos factores que pueden influir en
ellos: la grasa subcutánea, la impedancia de la piel, la colocación de los electrodos, entre otros, son algunas
de las fuentes de variabilidad entre las mediciones de distintos músculos o de distintos individuos en un
estudio [9]. La normalización de las señales EMG es el proceso por el cual los valores de las señales
eléctricas de actividad se expresan como un porcentaje de la actividad de ese músculo durante una prueba de
contracción calibrada para así eliminar la variabilidad entre las mediciones realizadas en un estudio [10].
Uno de los métodos utilizados para realizar la normalización de las señales EMG es tomar un porcentaje de
la máxima de conducción neuronal adquirida mientras que un sujeto realiza una contracción voluntaria
máxima isométrica (MVC del inglés Maximum Voluntary Contraction). El objetivo de esta técnica es la de
calibrar el valor en micro voltios tomado de la señal EMG a una única unidad de calibración con relevancia
fisiológica, como el porcentaje de la capacidad máxima inervación [11].
Figura 5: Normalización de la Señal EMG
3.1.3. Rectificación y promediado
La rectificación de onda completa consiste en convertir todas

las amplitudes negativas a positivas. Esto sirve para poder
obtener de la señal, parámetros como la media, valor de pico,
o área bajo la curva [3]. Estos parámetros son básicos para
realizar otros análisis matemáticos, ya que tienen la
información que mejor describe la actividad de las unidades
motoras durante un periodo de tiempo determinado.
Figura 6: Rectificación de la Señal EMG [3, p. 39]

3.2. Análisis temporal
Una vez se ha procesado la información original y se ha eliminado toda aquella información que no es útil
para el análisis de una patología se procede a hacer un análisis temporal de la información. La información se
evalúa rápidamente y es extraída de cada segmento de tiempo para crear un conjunto de características que
representan el patrón de la señal EMG [12]. Entre ellas se pueden mencionar como las más importantes las
siguientes:
3.2.1. Conteo de picos o Valores superiores al valor RMS (TRMS) [13, p. 233]
Se define como el número de muestras con amplitud mayor que la RMS de la señal. Para que sea
independiente de la duración de la medida, se normaliza con el número total de muestras que contiene la
señal.
n = Número de muestras
T = Duración de la medida
t = tiempo
3.2.2. Cruces por cero.
Otro parámetro de estudio es la tasa de cruces por cero (Zero-crossing rate ZCR) que expresa el número de
veces que la señal cruza el eje de abscisas. Refleja las fluctuaciones aleatorias temporales y puede servir en
la detección de una patología. Es una forma simple de medir la frecuencia de la señal. Se define como:
3.2.3. Correlación y autocorrelación
Estas operaciones se utilizan principalmente para el reconocimiento de determinados patrones dentro de una
señal, para la identificación de pautas y para la determinación de la relación existente entre sucesivas
muestras. La primera aplicación de la autocorrelación de una señal es determinar las posibles repeticiones de
patrones en la señal. Una segunda aplicación es la determinación del desfase entre dos señales.
También se utiliza la autocorrelación para determinar la periodicidad “escondida” de la señal, puesto que
refleja el grado de similitud en diferentes partes de una serie de datos temporales. Para una secuencia de
datos f(n) de longitud N, la función autocorrelación se calcula de la siguiente manera:
Siendo τ el retardo de correlación
La correlación cruzada se utiliza para determinar cuándo las señales estarán en fase, lo cual ocurrirá en los
máximos de dicha correlación. El parámetro más relevante a calcular por medio de esta técnica de análisis
temporal es la velocidad de conducción de UMs aisladas (MUCV). Se determina a partir del desfase
temporal entre los picos máximos en dos canales adyacentes y paralelamente orientados a las fibras
musculares, y su distancia espacial.

3.3. Análisis frecuencial
3.3.1. Transformada de Fourier
La Transformada Rápida de Fourier (FFT del inglés Fast Fourier Transformations) se usa para analizar y
estimar el contenido de frecuencia de señales EMG. Una señal de EMG puede ser considerada como una
suma de ondas sinusoidales de frecuencia diferente. El algoritmo de la FFT puede ser descrito como una
descomposición de la señal de EMG en su contenido sinusoidal puro. Este tipo de análisis permite obtener un
gráfico de la distribución de energía de la señal durante un cierto intervalo de tiempo mediante su
distribución de energía para cada frecuencia asociada a la señal [3].
Figura 7: Transformada de Fourier [3, p. 40]
El estudio de la fatiga, ha cobrado mucha importancia en los últimos y por ello se han utilizado
diferentes técnicas instrumentales y computacionales entre las que destaca el cálculo de frecuencias
medias y medianas sobre la transformada de Fourier en contracciones isométricas, observándose un
descenso de las mismas conforme la fatiga se hace notable. En la actualidad, la necesidad de estudio
de la fatiga en contracciones dinámicas, más habituales en la vida cotidiana, ha llevado ligada la
búsqueda de nuevas técnicas para el estudio de señales no estacionarias, como es el caso de las
transformadas tiempo-frecuencia. Los métodos espectrales variantes con el tiempo son una simple
extensión de los métodos espectrales en la que se realizan diferentes estimaciones espectrales
utilizando una ventana temporal que se desliza a lo largo del registro. De esta forma se consigue
analizar registros no estacionarios y observar como varia el contenido espectral de la señal con el
tiempo. Se describen a continuación algunas de estas técnicas.
3.3.2. Transformada de Wavelet
La transformada wavelet (WT) es una herramienta eficiente

para análisis local de señales transitorias no estacionarias. Una
de las propiedades es que se puede implementar como filtro
en tiempo discreto. Las transformadas de Fourier de los
wavelets se denominan como filtro WT, y representa un
método muy adecuado para la clasificación de las señales
EMG. El análisis wavelet sirve para evaluar la forma de onda
del PAUM y su espectro a través del tiempo. Transformadas
de Wavelets (WT) están dadas por la Transformada Wavelet
Continua (CWT) y la Transformada Wavelet Discreta (DWT).
Son dos herramientas que permiten el análisis de señales de
manera similar a la Transformada de Fourier con la diferencia
que la WT puede entregar información temporal y frecuencial
en forma cuasi-simultánea, mientras que la TF sólo da una Figura 8: Transformada Wavelet [14]
representación frecuencial [14].

3.3.3. Distribución de Wigner-Ville y método de Choi – Williams (temporal-frecuencial) [15]
• Distribución de Wigner-Ville (WVD)
Es una representación de la frecuencia en función del tiempo de modo que utiliza toda la información
disponible de la señal. Aunque la señal algunas veces se pueda considerar cuasi- estacionaria, la WVD puede
distinguir información importante pudiendo representar rangos frecuenciales de la UM. Es posible visualizar
patrones de reclutamiento mientras el músculo realiza trabajos complicados.
X(t) la señal y x*(t) la conjugada correspondiente
La implementación de WVD requiere de la discretización de la señal, lo que permite la utilización de la FFT

(Fast Fourier Transform) para la representación de tiempo-frecuencia en modo discreto.
La distribución de tiempo-frecuencia más común es la STFT (Short time Fourier Transfrom). Sin embargo,
esta distribución no satisface cuatro propiedades importantes que se buscan en una distribución de tiempo-
frecuencia: dos son los “marginales” de tiempo y frecuencia (time and frequency marginals) y los otros dos
el “soporte” de tiempo y frecuencia (time and frequency support). La WVD suele ser muy ruidosa, pero
representa muy bien las propiedades de localización y generalmente se concentra alrededor de frecuencias
instantáneas de la señal.
• Método de Choi – Williams
Este método lo que consigue es reducir la interferencia a la hora de mostrar la distribución de la señal. Como
hemos dicho, la STFT no satisface las propiedades marginales, lo que implica que cuando se toma un “time-
slice” de la distribución, no coincide exactamente con la densidad de potencia espectral en dicho instante de
tiempo. Lo mismo ocurre con un “frequency-slice” de la distribución. Por otra parte, la propiedad de “time
support” no es del todo adecuada ya que la distribución no es necesariamente nula antes y después de la
duración de la señal.
En los estudios descritos en el artículo [15] se concluye que la STFT muestra una compresión del espectro
cuando se produce la fatiga muscular. La WVD sin embargo no sirve para mostrar los cambios de los
componentes frecuenciales en fatiga, debido a los “cross-terms”. En la distribución de Choi-William, cuando
hay pico en la señal original, suele traducirse en la aparición de “walls” en la distribución, lo cual puede que
contenga cierta información para el estudio de la fatiga muscular.
3.4. Análisis estadístico
3.4.1. Entropía de la señal (H) [13, p. 232]
Describe la relación entre los valores de amplitud de cada muestra de la medida. De este modo cuantifica la
capacidad para predecir el valor de amplitud de la siguiente medida y sus características. Refleja la
variabilidad estocástica de la señal.
xi = valor medido
p(xi) = probabilidad de ocurrencia de xi
min = valor mínimo medido
max = valor máximo medido
3.4.2. Primer cruce por cero de la función autocorrelación (ACFzero) [13, p. 232]
También cuantifica la variabilidad estocástica de la señal. La función de autocorrelación (ACF) describe

cómo de parecidas son distintas partes de una misma señal. En el caso de señales no deterministas como es el
caso de la HSR-EMG (High Spatial Resolution EMG), el primer cruce por cero ocurre a mayor “retardo” τ si
la señal es muy parecida a sí misma a lo largo de la medida.
s(t) = señal HSR-EMG
τ = retraso de tiempo
T = duración mínima de la medida
t = tiempo
3.4.3. Chi-value (х) [13, pp. 232-233]
Se basa en la distribución frecuencial de los valores de las muestras. En este caso la frecuencia corresponde a
la probabilidad de que aparezca una muestra con un valor de amplitud en un intervalo determinado.
Corresponde al valor absoluto de la desviación asumiendo una distribución Gaussiana:
K = Número de valores de distintas amplitudes

Xi = Frecuencia de cierta amplitud en la señal
Ni = Frecuencia de cierta amplitud en la señal, cuando una distribución
Gaussiana es asumida
3.5. Clasificación de Parámetros
Una vez se ha realizado la extracción de los parámetros fundamentales de las señales EMG a través del
dominio del tiempo, de la frecuencia y de un análisis estadístico, se procede a clasificar dichos parámetros y
a compararlos con patrones de enfermedades o patologías ya determinados, o simplemente compararlos con
los de un individuo sano y encontrar las diferencias entre ellos.
3.5.1. Redes neuronales artificiales
Es un sistema computacional inspirado en las

características de aprendizaje y estructura de la red
neuronal biológica. Las redes neuronales artificiales
tienen características como: generalización y habilidad
para aprender de la experiencia sin requerir un modelo
matemático a priori de las características de la señal,
adaptación a los cambios de condiciones ambientales y
habilidad para procesar datos degradados o
incompletos, lo que las hace apropiadas para señales
críticas como las señales EMGS. Sin embargo,
requieren de un gran número de muestras y mucho
tiempo de entrenamiento para un aprendizaje adecuado Figura 9: Redes Neuronales Artificiales
[12].
3.5.2. Lógica difusa
Son sistemas de inferencia, y al igual que las Redes Neuronales Artificiales simulan el comportamiento de
decisión humana con posibilidad de introducir la experiencia de un experto en la elaboración de reglas de
decisión. Consiste en una aproximación no lineal, a partir de una combinación de muchos sistemas lineales
mediante la descomposición del espacio completo de entradas en espacios parciales y la representación de
cada espacio de salida con una ecuación lineal [12].
A diferencia de los sistemas de clasificación digital, cada entrada al clasificador toma un valor distinto que
luego es linealizado para encontrar una proporción estadística y no un valor absoluto sobre la medición.

Figura 10: Visión de la Lógica difusa
4. Diagnóstico de trastornos neuromusculares con señales EMG
Existen dos grandes tipos de patrones electromiográficos: los patrones neurógenos, comunes para afecciones
propias de las motoneuronas, raíces nerviosas, plexos nerviosos y nervios periféricos, y los patrones
miógenos, los patrones generados por afecciones musculares.
En el patrón neurógeno, la destrucción de una motoneurona se traduce a nivel muscular en la pérdida de

inervación por parte de una unidad motora. Las unidades motoras remanentes tienen que descargar a una
frecuencia mayor para generar niveles adecuados de fuerza muscular. El patrón neurógeno posee tres
características básicas: empobrecimiento del trazado a la contracción máxima, el aumento del reclutamiento
espacial y el aumento de amplitud y duración de los potenciales de unidad motora.
En el patrón miógeno, sin embargo, la lesión primaria está ubicada en la fibra muscular que degenera y se
sustituye por tejido fibroso. No hay lesión ni destrucción de axones. El resultado es la visualización de unos
pocos potenciales, ya que menos fibras contribuirán a la unidad motora afectada. La pérdida de fibras
musculares provoca descarga de múltiples unidades motoras para genera una pequeña cantidad de fuerza
muscular. Los potenciales miopáticos aparecen por tanto reducidos en amplitud y en duración.
4.1. Clasificación de los trastornos neuromusculares
Los trastornos neuromusculares son todas aquellas

patologías que afectan el sistema nervioso periférico. El
sistema nervioso periférico se ha dividido en varias partes
anatómicamente definidas a partir de: las células del asta
anterior y los ganglios sensoriales, las raíces nerviosas, los
plexos, los nervios periféricos y la unión neuromuscular y,
finalmente, los músculos distales. Estos sirven como punto
de partida para para hacer el diagnóstico diferencial y para
la búsqueda de la causa subyacente de la enfermedad [16].
Figura 11: División anatómica del Sistema Nervioso
Periférico [16, p. 1335]
La Figura 12 muestra la clasificación principal de los trastornos neuromusculares de acuerdo al tipo de patrón
que presente la enfermedad. Las enfermedades que presentan un patrón miógeno se denominan miopatías y
las que presentan un patrón neurógeno se denominan neuropatías.

Figura 12: Clasificación de los trastornos musculares
La Tabla 1 muestra los trastornos del sistema nervioso periférico de acuerdo la zona anatómica en dónde se
presenta la patología.
Tabla 1: Trastornos del sistema nervioso periférico de acuerdo a su posición anatómica [16, p. 1335]
4.1.1. Miopatías [11, p. 167]
Una miopatía es un trastorno de los músculos. El síntoma primario en las miopatías es debilidad. Es
importante tener en cuenta que la mayoría de las miopatías afectan al musculo proximal más que a los
músculos distales. Esto significa que el primer síntoma del que un paciente puede quejarse es la dificultad
para levantarse de una silla o subir escaleras. Las unidades motoras que son miopáticas por lo general tienen
una actividad de corta duración, un reclutamiento polifásico temprano y una amplitud pequeña (ver Figura
24). Esto se observa por la intervención de un gran número de unidades motoras pequeñas para disparar una
contracción mínima. El potencial de acción de la unidad motora (PAUM) es típicamente más pequeño
debido al abandono o la disfunción de las fibras musculares individuales. El número de unidades motoras por
lo general sigue siendo la misma, excepto en los casos graves donde cada fibra individual se retira y elimina
así la unidad motora. La actividad espontánea se observa con frecuencia en esta patología.

4.1.2. Neuropatías
4.1.2.1. Mononeuropatías
Figura 13: Clasificación de las Mononeuropatías
• Radiculopatías [11, p. 141]
Las radiculopatías se caracterizan por cambios sensoriales en el cuello y en los brazos o las piernas y los pies,
que resulta de la presión extrínseca sobre la raíz nerviosa. Esta presión normalmente es causada por el
material del disco, hinchazón u osteofitos. Los pacientes suelen quejarse de dolor de cuello que se irradia al
brazo (radiculopatía cervical) o dolor de espalda que se irradia a la pierna (radiculopatía lumbosacra).
También puede haber adormecimiento u hormigueo en la distribución de la raíz de un nervio sensorial, que
se refiere como una distribución dermatoma.
La EMG es el procedimiento más útil en la localización y pronóstico de radiculopatía. En los casos en que
esta cause daño axonal, suele ocurrir que las fibras musculares que están unidas por estos axones
comenzarán a activarse de forma espontánea. Esta actividad espontánea se da en forma de potenciales de
fibrilación y ondas agudas positivas (ver Tabla 3). La presencia de actividad espontánea es la evidencia más
contundente de la existencia de una denervación aguda.
• Lesiones del plexo [16, p. 1338]
Plexos nerviosos están formadas por la mezcla de haces de fibras nerviosas procedentes de las raíces de los
nervios cervicales o lumbosacra. En las lesiones traumáticas del plexo, fuerzas mecánicas bruscamente
contorsionarse la anatomía normal de un miembro, provocando interrupciones variables de la arquitectura
del tejido dependiendo de la cantidad y dirección de la fuerza aplicada. Los nervios periféricos, incluyendo
los plexos, pueden sufrir daños por lesión por tracción, contusión, compresión, isquemia, laceración o
avulsión. La forma más leve es una interrupción de sólo la vaina de mielina, lo que provoca un bloqueo de la
conducción temporal hasta que la remielinización ha tenido lugar después de unas semanas a meses. Este
tipo de lesión se llama neuropraxia o una lesión de primer grado. Si el axón también ha sido dañado, pero el
tejido conectivo de soporte de la vaina de los nervios permanece intacto, la lesión se denomina axonotmesis,
o una lesión de segundo grado.
• Lesiones de los nervios periféricos [11, p. 81]
Según la clasificación de Seddon, las lesiones de los nervios periféricos se dividen en tres categorías:
neurapraxia, axonotmesis y neurotmesis. Neurapraxia se define como bloqueo de la conducción y sólo la
mielina se ve afectada. Axonotmesis refiere a una lesión que afecta a sólo los axones del nervio mientras que
el tejido conectivo de soporte está intacto. Neurotmesis se refiere a una lesión completa: mielina, axones y
todas las estructuras de soporte.

Los Potenciales espontáneos anormales (fibrilaciones y ondas positivas agudas de la Tabla 3 ) por lo general
sólo se encuentran si ha habido axonotmesis. Por lo tanto, ninguna actividad espontánea anormal debe
tenerse en cuenta en cualquiera de las neurapraxias. La morfología MUAP y reclutamiento deben ser
normales. La única excepción sería en el bloqueo de la conducción, donde disminuye el reclutamiento de
MUAP. Con la degeneración Walleriana, o disrupción entre el axón y el cuerpo celular, se produce la
degeneración distal al sitio de la lesión. Por lo tanto, todos los músculos distales inervados por el nervio
lesionado deben mostrar actividad espontanea si la prueba se lleva a cabo antes de que ocurra la
reinervación. La duración prolongada y una mayor amplitud de la MUAP pueden ser observadas, de nuevo
dependiendo del momento de la prueba. Los patrones patológicos más comunes de estas lesiones que se
pueden apreciar en las señales EMG se presentan en la Tabla 2 y son clasificados con los algoritmos
mostrados en 3.5 Clasificación de Parámetros.
Normal Axonotmesis Neurapraxias
Desaceleración del Bloqueo de Desmielinización

Neuropatía Axonal
nervio focal Conducción Segmentaria
Tabla 2: Patrones patológicos comunes en Lesiones del Nervio periférico
4.1.2.2. Polineuropatías (Motoras y sensoriales) [11, p. 161]
Figura 14: Clasificación de las Polineuropatías
Las polineuropatías se producen cuando hay una disfunción generalizada de los nervios. Se clasifican en las
que afectan las fibras de motoras, las fibras sensoriales, o ambas. También de acuerdo a la parte del nervio
más afectada: axones, mielina, o ambos. Por último, las neuropatías se clasifican como segmentaria (que
afecta sólo a ciertas áreas del nervio) o uniforme (que afecta a toda la longitud del nervio). Los hallazgos
EMG suelen ser negativos en este tipo de patologías, a menos que sea una polineuropatía motora axonal. En
tales casos, los músculos afectados pueden demostrar actividad espontánea (potenciales de fibrilación y
ondas agudas positivas) y descargas repetitivas complejas se pueden observar en los trastornos crónicos (ver
Tabla 3). Tanto los músculos proximales y distales deben ser probados. EMG prueba es útil, incluso cuando
es negativo, ya que ayuda a descartar otros trastornos, tales como la neuropatía o miopatía focal.

En la sección 3.5 se explicó que para comparar una señal EMG que se desea analizar se deben tener unos
patrones de enfermedades o patologías ya determinados. A continuación se definen algunos de los
parámetros característicos de algunas patologías durante el análisis del músculo en reposo y durante
actividad, y el análisis de los parámetros de la forma de onda de las unidades motoras. La mayoría de estos
análisis se hace mediante electrodos tipo aguja, los cuales son los más recomendados para dar un diagnóstico
clínico preciso.
4.2. Análisis del músculo en reposo [11, pp. 46-50]
La presencia actividad espontánea en las señales EMG, una vez se ha puesto el electrodo de aguja y sin
ejercer ningún esfuerzo, no es normal y se produce en presencia de alguna patología. Los músculos normales
tienen un potencial de membrana en reposo de -80mV con respecto a los fluidos extracelulares. Al
presentarse una lesión o una denervación, el potencial de membrana se hace más positivo debido a un flujo
de iones de Na+ en la membrana celular dañada. La célula muscular tiende a ser menos negativa y por lo
tanto más cerca del potencial necesario para la generación de potenciales de acción espontáneos. Los tipos
más comunes de actividad espontánea se muestran en la Tabla 3 son clasificados con los algoritmos
mostrados en 3.5 Clasificación de Parámetros.
Patrón patológico en el Características de la

Miopatías asociadas Neuropatías asociadas
EMG señal
Frecuencia: 0,5-15Hz - Radiculopatía

Amplitud: 20-1000µV -Miopatías inflamatorias
-Neuropatía periférica
Duración: 10-30 ms. - Distrofias musculares
axonal
- Miositis por cuerpos de
- Plexopatías
Ondas agudas positivas inclusión
-Neuropatías por
- Miopatías congénitas
atrapamiento
- Rabdomiolisis
-Enfermedad de la
Frecuencia: 0,5-15Hz - Trauma muscular
motoneurona
Amplitud: 20-1000µV - Triquinosis
- Mononeuropatías
Fibrilaciones
Forma continua: -Cuadro de radiación

-Parálisis de Bell
Frecuencia: 5-10Hz plexopática
-Esclerosis múltiple
Forma discontinua: -Lesiones nerviosas
-Polirradiculopatía.
Frecuencia: 0.1-10Hz crónicas
Descarga Mioquímica
-Distrofia miotónica
-Miotonía congénita
-Paramiotonía -Radiculopatía crónica
Frecuencia: 20-100Hz -Parálisis periódica -Polineuropatía axonal
hiperpotasémica crónica
-Polimiositis
Descarga Miotónica -Deficiencia de maltasa
ácida
- Neuropatías crónicas o
-Miopatías inflamatorias
Frecuencia: 10-100Hz radiculopatías
-La distrofia muscular del
Amplitud: 50-500µV - Poliomielitis
anillo óseo
De inicio y pausa - Atrofia muscular espinal
-Mixedema
rápida - Enfermedad de la
-Síndrome de Schwartz-
motoneurona
Descargas repetitivas Jampel
- Neuropatías hereditarias
Complejas
Tabla 3: Características de los patrones patológicos de la actividad espontánea en señales EMG y las posibles
enfermedades asociadas.

4.3. Análisis de la unidad motora
La Tabla 4 hace un resumen de todas las patologías que se pueden detectar mediante las técnicas vistas en
3.1 Suavizado de la señal, remoción de artefactos y de Bias, 3.2 Análisis temporal y mediante el análisis
morfológico de los potenciales de acción de las unidades motoras adquiridos en las señales EMG.
Tabla 4: Significado fisiopatológico de los parámetros del potencial de acción de unidad motora (PAUM) [5, p. 34]
4.4. Análisis del músculo en actividad [11, pp. 53-55]
Cuando un músculo entra en actividad se dice que las unidades motoras (UM) se están reclutando. El
reclutamiento se refiere a la activación ordenada de las UM con el objetivo de aumentar la fuerza de una
contracción muscular. Normalmente, las unidades motoras se activan en un patrón regular de 5Hz y este hará
que a los 10 Hz otro PAUM sea reclutado para activase. La relación de reclutamiento es otro término
utilizado para describir la velocidad de disparo de las UM. Esta relación es la tasa de disparo de la UM más
rápida en activarse (en Hz) dividido por el número de unidades que se activan. La tasa de activación normal
de la mayoría de las UM es de 10 Hz. Para calcular estos parámetros se usan las técnicas de 3.3 Análisis
frecuencial y 3.4 Análisis estadístico. De acuerdo a esta frecuencia de activación calculada, se pueden
determinar dos tipos de patrones:
Reclutamiento Neuropático: También llamado reclutamiento

neurogénico, se puede ver en las neuropatías, radiculopatías, en las
enfermedades de la neurona motora y en los traumatismos del nervio.
Pocas UM se activan y lo hacen a un ritmo mayor que la frecuencia
activación normal. Las tasas de disparo de estos PAUM son mayores
que 20 Hz y pueden aumentar a 30 Hz o más.
Reclutamiento Miopático: En este tipo de patrón un gran número de

UM son 'reclutadas' para realizar una contracción mínima. En las
miopatías, la contribución de la fibra muscular individual a cada UM
se reduce. Debido a esto, las UM miopáticas no pueden incrementar
la tensión del músculo, por lo que reclutan rápidamente unidades
motoras adicionales para aumentar la fuerza de una contracción. Si
se hace referencia a la relación de reclutamiento, habrá una
disminución en la tasa de activación por número de unidades
motoras reclutadas. Las relaciones de reclutamiento inferiores a 3
sugieren un proceso miopático. Figura 15: Patrones de reclutamiento de
PAUM [11, p. 55]

5. Resultados de estudios y artículos analizados
En el apartado 3 se han definido diferentes técnicas de procesamiento de las señales EMG. Nos centraremos
ahora en la aplicación de algunas de ellas para el diagnóstico algunas patologías en concreto.
5.1. Análisis temporal y frecuencial de EMG para detección de esclerosis amiotrófica lateral (ALS) [17]
La esclerosis lateral amiotrófica (ALS) es una enfermedad degenerativa de tipo neuromuscular. Se origina
cuando las motoneuronas disminuyen gradualmente su funcionamiento y mueren, provocando una parálisis
muscular progresiva de pronóstico mortal, debido a que los músculos dejan de recibir señales del sistema
nervioso. El artículo [17] describe un método para detectar la ALS mediante el análisis de la señal EMG.
Realizan el estudio con dos grupos: un grupo formado por 6 personas sin la patología y otro grupo con otras
6 personas que padecen la enfermedad. Se seleccionan unos parámetros específicos de la señal EMG que se
obtendrán mediante el procesamiento tanto temporal como frecuencial y monitorizando los cambios
producidos en los mismos, realizan la clasificación de pacientes con ALS. De este modo, consiguen observar
el efecto de la patología en la señal EMG. El registro de la señal EMG y posterior análisis de los PAUM se
realizó de la manera convencional:
• Las medidas se realizaron durante una contracción débil y mantenida.

• Se utilizaron electrodos de aguja concéntricos estándares.
• Se estudió el músculo biceps braquial (uno de los más investigados).
• Las señales EMG se registraron en 5 zonas del músculo y a tres niveles de inserción.
• Se utilizaron filtros paso bajo y paso alto en el amplificador a 2 Hz y 10KHz.
De la observación de la señal en el tiempo, difícilmente es posible distinguir la señal EMG del paciente con
ALS. Por lo tanto, se requiere de un análisis más exhaustivo de la señal en el dominio frecuencial y temporal
para la clasificación de los datos EMG. Para el análisis frecuencial utilizaron la FFT (Fast Fourier
Transform) y para la observación de las características en el dominio temporal, se sirvieron de la
autocorrelación y la tasa de cruces por cero.
Definición Variables Obtenidas del Procesamiento de la Señal
Se utilizó la FFT (Fast Fourier Transform) para determinar el espectro de la señal EMG. Al tener registros de
larga duración, se extraen de la señal original 5 ventanas mediante técnicas de Windowing y se aplica la FFT
a cada una. De la FFT ya se puede observar a simple vista que la amplitud para el caso de los pacientes con
la patología es mayor. Se concluye también que la energía de la señal está concentrada en las bajas
frecuencias para ambos grupos.
• Frecuencia Media
En el artículo se estudió la localización de la frecuencia y los valores de amplitud de los picos del espectro
de la señal EMG, para cada ventana. Sin embargo, estos parámetros varían a lo largo de una misma persona,
por lo que proponen tomar como parámetro espectral la media y mediana de las frecuencias. Considerando el
producto de la frecuencia y la amplitud correspondiente a esa frecuencia, se calcula la frecuencia media
como la media de todos estos productos a lo largo de todo el espectro.
• Autocorrelación
La autocorrelación se usó para determinar la periodicidad “escondida” de la señal, puesto que refleja el grado
de similitud en diferentes partes de una serie de datos temporales. Se pueden observar en las siguientes

figuras la autocorrelación de los datos EMG para tres personas sin la patología y otras tres con la patología.
Para cada persona, se eligen arbitrariamente cinco ventanas diferentes.
En los resultados se observó que la autocorrelación no aporta mucha información acerca de la periodicidad
“escondida” en la señal. Por ello, consideran que un posible rasgo distintivo entre los pacientes sin o con la
enfermedad puede ser la forma de la función de correlación. En los casos de personas sanas, la correlación
cae rápidamente cuando el retardo es distinto de cero, manteniéndose en valores bajos. Por el contrario, en el
caso de los pacientes enfermos, esta caída de la magnitud de la autocorrelación es más lenta y mantiene más
fuerza a retardos distintos de cero. En el estudio, tomaron como parámetro distintivo la magnitud de la
función de autocorrelación para retardo nulo.
• Cruces por cero
También toman como parámetro de estudio la tasa de cruces por cero (Zero-crossing rate ZCR) que expresa
el número de veces que la señal cruza el eje de abscisas. Refleja las fluctuaciones aleatorias temporales y
puede servir en la detección de la patología.
• Clasificador KNN (K-Nearest Neighbour Algorithm)
Se utiliza este clasificador para la clasificación de los datos EMG en dos grupos basándose en los parámetros
de distinción frecuenciales y temporales definidos. Es un algoritmo para reconocimiento de patrones que se
fundamenta en que un nuevo caso se va a clasificar en la clase más frecuente a la que pertenecen sus K
vecinos más cercanos.
Resultados
Cada base de datos de un paciente tiene una duración de 11184

segundos y se tienen un total de 18 bases de datos. Se segmenta
en 64 ventanas diferentes, cada una conteniendo 4096 muestras
como se puede apreciar en la siguiente figura:
Figura 16: Patrón de datos EMG para una persona sana y con ALS
Primero, realizan una valoración en cuanto al valor RMS de cada una de las ventanas temporales:
Se observa que los pacientes enfermos

presentan fluctuaciones en el valor RMS de la
señal en las ventanas temporales iniciales y
finales, a diferencia de los sanos en los que se
mantiene relativamente constante.
Figura 17: Valor RMS de cada ventana de la señal

EMG para dos pacientes con las patología y dos
sanos

Como en la FFT la energía de la señal está concentrada en su mayoría en bajas frecuencias, se utiliza un
filtro pasa baja para la extracción de los parámetros frecuenciales y temporales. Los parámetros a estudiar
(magnitud espectral, frecuencia media, autocorrelación y ZCR) se calculan para cada base de datos de forma
individual. Se calcula posteriormente para cada persona, la media de cada parámetro obtenido en todas las
bases de datos. Se construye así un vector con todos los resultados y se aplica el clasificador KNN para
detectar las señales EMG afectadas por la patología ALS de las normales. Se concluye lo siguiente:
Los valores medios de los picos del espectro en

frecuencias para los pacientes con ALS son mayores
que para personas sanas.
Figura 18: Comparación de los picos de la FFT
Con respecto al valor medio de la autocorrelación en

retardo cero, también se ve una clara diferencia entre
los pacientes sanos y enfermos.
Figura 19: Comparación del valor medio de la

autocorrelación para retardo nulo
En el parámetro de tasa de cruces por cero, no está tan

clara la distinción.
Figura 20: Comparación de la tasa de cruces por cero
La frecuencia media sí presenta un grado de

separación en los dos tipos de pacientes.
Figura 21: Comparación de la frecuencia media
Los parámetros que permitieron una mejor clasificación en el estudio son el pico espectral y la función de
autocorrelación. Esto mismo resulta del algoritmo de clasificación KNN:

Especificidad: (Número de sujetos normales correctamente clasificados) / (número de sujetos normales totales).
Sensibilidad: (Número de pacientes con ALS correctamente clasificados) / (número de sujetos totales ALS).
Exactitud en la clasificación: (Número de sujetos correctamente clasificados) / (número de sujetos en total).
Tabla 5: Resultados del algoritmo de Clasificación con el algoritmo KNN [17]
Se obtuvo un 100% de precisión en la clasificación de las señales EMG de pacientes con ALS, teniendo en
cuenta el pico espectral o la función autocorrelación.
5.2. EMG de alta resolución espacial (HSR_EMG) para detección de atrofia muscular espinal y distrofia
muscular de Duchenne [13, pp. 227-240] [18].
Como se ha comentado en el apartado 2.1, la EMG superficial tiene la limitación de obtener una información
global de la activación del músculo, ya que no se detecta la actividad de una UM individual. Sin embargo,
técnicas como la High-Spacial-Resolution EMG (HHSR-EMG) permiten la detección de manera no invasiva
de la actividad de UMs individuales, incluso durante una contracción máxima voluntaria. La metodología en
la que se basan estas técnicas consiste en la utilización de arrays de multi-electrodos en combinación de
filtros espaciales. En el estudio, utilizan en concreto un filtro NDD (Normal-Double Differentiating Filter)
para detectar la actividad de una UM individual.
Del array de multi-electrodos se obtiene información de la distribución espacial de los potenciales generados.
A partir de esta información se puede conocer la localización de la fuente y su propagación en el tiempo.
Consiste en una matriz bidimensional de pines de electrodos (16 pines) separados entre sí una distancia muy
pequeña (2,5mm).
Figura 22: Matriz de electrodos utilizada en la toma de señales HSR_EMG [13, p. 229]
En los potenciales detectados por los electrodos contribuyen diferentes UMs de diferente modo. Las UMs
muy cercanas a la superficie de la piel contribuirán en el potencial resultante con potenciales de mayor
amplitud y espacialmente muy cercanos (alta frecuencia espacial), mientras que aquellas situadas más lejos
de la piel contribuirán con potenciales más bajos y más distanciados. Esto se debe a que por las
características eléctricas de los tejidos, la atenuación de las señales generadas a mayor profundidad en el
interior del cuerpo es mayor. El volumen conductor entre la UM excitada y la superficie de la piel actúa

como un filtro espacial paso bajo. Por lo tanto, con filtros espaciales del tipo paso alto se consigue amplificar
la contribución de UMs localizadas cerca de la superficie de la piel, atenuando la contribución de las UMs
más lejanas. Este tipo de filtros espaciales (Filtro de Laplace) son comunmente utilizados en el
procesamiento de imágenes (detección de contornos). En este estudio se utiliza el NDD (Normal-Double
Differentiating Filter) que utiliza los siguientes pesos en la matriz de convolución, que coincide con la matriz
de electrodos.
En la Figura 23 se puede ver cómo amplifica solamente la actividad de las UMs localizadas bajo el centro del
electrodo reduciendo las señales provenientes de fuentes lejanas. De este modo se consigue distinguir la
actividad de unidades motoras aisladas.
Figura 23: Filtro NDD [2, p. 87]
En la investigación realizada en [17] se validó esta técnica para el diagnóstico de trastornos neuromusculares
como la atrofia muscular espinal (AME) o Distrofia Muscular de Duchenne (DMD). En este estudio, se
observaron cambios en el patrón del HSR-EMG en base a siete parámetros mediante el estudio de la
evolución temporal, la forma de los picos aislados y la propagación de la excitación en UMs aisladas.
Definición Variables Obtenidas del Procesamiento de la Señal
Se quiere encontrar una metodología que permita una distinción fiable entre voluntarios sanos y pacientes
con el desorden muscular e incluso que pueda también diferenciar entre pacientes con trastornos musculares
y aquellos con trastornos neuronales. Para ello se calculan los parámetros estadísticos por medio de las
ecuaciones que se encuentran en 3.2.1, 3.4.1, 0 y 0.
Parámetros relacionados con picos aislados [13, p. 233]
La excitación de una sola UM se puede identificar a partir de los picos aislados. Se sigue el siguiente criterio:
 La amplitud máxima debe ser mayor que tres veces el valor RMS de la señal.
 La parte de la señal identificada como pico está limitada por el primer cruce por la línea base antes
del mínimo izquierdo y por el primer cruce por cero de la línea base después del mínimo derecho.
 Entre el máximo pico y los mínimos adyacentes la señal ha de ser continua.
Del anterior análisis se definen los parámetros de Pendiente del Pico (S) y la distribución en frecuencias
de la amplitud del pico (PAFD). Por lo tanto, la S se calcula como la diferencia de amplitudes entre el
mínimo izquierdo y el máximo del pico, dividido por el desfase en tiempos entre ambos puntos.
Siendo P el número de picos.

Para el cálculo de PAFD, se cuenta el número de picos que tengan amplitud máxima en un intervalo el cual
refleja la probabilidad de tener un pico máximo en un intervalo de la señal EMG. Es un parámetro muy
distintivo para clasificar pacientes con trastornos musculares y neuronales. En el caso de los musculares, se
obtienen valores de PAFD altos para amplitudes bajas y bajos para amplitudes altas. Por el contrario, en el
caso de los trastornos neuronales, se observa una forma bifásica de los PAFD.
Parámetros relacionados con la propagación de la excitación [13, p. 234]
El parámetro más relevante es la velocidad de conducción de UMs aisladas (MUCV). Se determina a partir
del desfase temporal entre los picos máximos en dos canales adyacentes y paralelamente orientados a las
fibras musculares, y su distancia espacial.
Resultados
La base para la clasificación de pacientes sanos, con trastornos musculares o neuronales consiste en
determinar los parámetros descritos en 3.2.1, 3.4.1, 0 y 0, y someterlos a un proceso de clasificación. Primero,
como cada parámetro tiene una selectividad diagnóstica distinta, se definen unos factores de peso entre 0 y
50 para cada parámetro, reflejando la contribución de cada uno al resultado de la clasificación. El método de
clasificación usado es el Fuzzy Classification Process. Se genera una base de datos “entrenados” que
consiste en señales HSR-EMG simuladas representando los diferentes tipos de patologías y se clasifican con
todas las combinaciones posibles de los factores de peso. De este modo se obtiene la combinación óptima de
estos cuando las señales simuladas se clasifican adecuadamente. Luego se aplica el mismo algoritmo de
clasificación a las señales registradas en pacientes con trastornos neuromusculares, cambiando los factores
de peso. La validación de esta técnica se realizó con tres grupos de pacientes: 41 voluntarios sanos, 35 con
DMD (trastorno muscular) y 21 con AME (trastorno neuronal). El diagnostico se realizó mediante biopsia
muscular. De todos los pacientes, el 97% se clasificó correctamente.
6. Conclusiones
En particular, nos han parecido muy interesantes los estudios descritos ya que nos han servido para
comprender el camino a seguir desde el registro electromiográfico, hasta la clasificación de patologías
concretas. Hemos querido mostrar dos estudios en los que se diferenciaran los dos tipos de EMG, la
intramuscular y la superficial, para demostrar a validez de la EMGS a pesar de sus limitaciones de resolución
espacial, con la ventaja de poder realizar diagnósticos de manera no invasiva.
En resumen, la EMG es una técnica de diagnóstico médico que permite detectar y evaluar enfermedades
neuromusculares basándose en que las alteraciones en la morfología de los potenciales de unidad motora y
del proceso de reclutamiento de fibras musculares pueden ser explicadas en términos de cambios anatómicos
y fisiopatológicos. De este modo, las variaciones del registro respecto de los patrones normales, junto con
datos neurofisiológicos, constituyen la base del diagnóstico EMG.
Figura 24: Diferencias entre las señales EMG de un músculo sano, uno con una patrón neurógeno y otro con una patrón
miógeno [13, p. 231].
Bibliografía
[1] Aránzazu Uranga del Monte, Desarrollo de un estimulador eléctrico integrado implantable para el
control de la micción en lesionados medulares, Barcelona: Memoria para optar al grado de Doctora en
Ingeniería Electrónica - Universitat Autònoma de Barcelona. Departament d'Enginyeria Electrònica,
2001.
[2] James Moore, George Zouridakis, «Chapter 4: Electromyography: Detection, Processing, and
Applications,» de Biomedical Technology And Devices Handbook, Boca Raton, Florida, CRC Press
LLC, 2004 .
[3] Peter Konrad, ABC of EMG. A Practical Introduction to Kinesiological Electromyography, Noraxon
INC. USA, 2005.
[4] M. B. I. Reaz, M. S. Hussain and F. Mohd-Yasin, «Techniques of EMG signal analysis: detection,
processing, classification and Applications,» Biological Procedures Online, vol. 8, nº 1, pp. 11-35,
2006.
[5] L. Gila, A. Malanda, I. Rodríguez Carreño, J. Rodríguez Falces, J. Navallas, «Métodos de
procesamiento y análisis de señales electromiográficas,» ANALES DEL SISTEMA SANITARIO DE
NAVARRA, vol. 32, nº 3, pp. 27-43, 2009.
[6] Rezaul Begg, Daniel T.H. Lai, and Marimuthu Palaniswami, Computational Intelligence in Biomedical
Engineering, Boca Raton, Florida: CRC Press, 2008.
[7] Lu G, Brittain JS, Holland P, Yianni J, Green AL, Stein JF, Aziz TZ, Wang S., «Removing ECG noise
from surface EMG signals using adaptive filtering.,» Neuroscience Letters, vol. 462, nº 1, pp. 14-19,
2009.
[8] Edward A. Clancy, Senior Member, IEEE, and Kristin A. Farry, «Adaptive Whitening of the
Electromyogram to Improve Amplitude Estimation,» IEEE TRANSACTIONS ON BIOMEDICAL
ENGINEERING, vol. 47, nº 6, pp. 709-719, 2000.
[9] Joseph K.-F. Ng, Vaughan Kippers, Mohamad Parnianpour, And Carolyn A. Richardson, «EMG
activity normalization for trunk muscles in subjects with and without back pain,» MEDICINE &
SCIENCE IN SPORTS & EXERCISE, vol. 34, nº 7, p. 1082–1086, 2002.
[10] Andreia S. P. Sousa, João Manuel R. S. Tavares, «Surface electromyographic amplitude normalization
methods: A review».
[11] Lyn Weiss, Julie K. Silver, Jay Weiss, Easy EMG, ELSEVIER, 2004.
[12] Harold A. Romo, Esp., Judy C. Realpe, Ing., Pablo E. Jojoa, PhD., «Análisis de Señales EMG
Superficiales y su Aplicación en Control de Prótesis de Mano,» Revista Avances en Sistemas e
Informática, vol. 4, nº 1, pp. 127-136, 2007.
[13] Edited by Mark Schwartz, «Non-Invasive Diagnosis of Neuromuscular Disorders by High-Spatial-
Resolution-EMG,» de EMG Methods for Evaluating Muscle and Nerve Function, Croatia, InTech,
2011, pp. 227-240.
[14] Simi, «Simi Motion module: EMG wavelet analysis,» [En línea]. Available:
http://www.simi.com/en/products/motion/overview/emg_wave/index.html. [Último acceso: 21 Mayo
2013].
[15] Miriam González Izal, Mikel Izquierdo, Armando Malanda, ESTIMACIÓN DE LA FATIGA
MUSCULAR BASADA EN LA TRANSFORMADA CHOI-WILLIAMS, Universidad Pública de
Navarra, Pamplona, España: Centro de Estudios Investigación y Medicina del Deporte, Departamento
de Ingeniería Eléctrica y Electrónica.
[16] Metin Akay, Editor, «Electrodiagnosis in Neuromuscular Disorders,» de Encyclopedia of Biomedical
Engineering, Hoboken, New Jersey, John Wiley & Sons, Inc., 2006, pp. 1334-1341.

[17] Shaikh Anowarul Fattah, Md. Asif Iqbal, Marzuka Ahmed Jumana, A. B. M. Sayeed Ud Doulah,
«Identifying the Motor Neuron Disease in EMG Signal using time and Frequency Domain features with
Comparison,» Signal & Image Processing: An International Journal (SIPIJ), vol. 3, nº 2, 2012.
[18] Catherine Disselhorst-Klug, Jiri Silny, and Gunter Rau, Fellow, «Improvement of Spatial Resolution in
Surface-EMG: A Theoretical and Experimental Comparison of Different Spatial Filters,» IEEE
TRANSACTIONS ON BIOMEDICAL ENGINEERING, vol. 44, nº 7, 1997.

Procesado de Senales EMG en Trastornos N

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Procesado de Senales EMG en Trastornos N

Transféré par

Droits d'auteur :

Formats disponibles

Procesado de señales EMG en Trastornos

SANDRA OSUNA, JOHN GONZALEZ, AMAIA ILZARBE

Procesado de señales EMG en Trastornos Neuromusculares 2 de 24

La unidad fisiológica fundamental del sistema motor es la unidad motora

Figura 1: Unidad Motora [3]

La electromiografía es el registro de la actividad eléctrica generada por el músculo estriado. Como se ha

2.1. Tipos de electromiografía

2.2. Registro de la actividad electromiográfica

La exploración de la actividad EMG comprende el registro de la señal bioeléctrica en tres estados

2.3. Procesamiento de los datos analógicos

Procesado de señales EMG en Trastornos Neuromusculares 4 de 24

3. Procesamiento de señales electromiografías

Figura 3: Las principales etapas implicadas en la adquisición de la señal, preprocesamiento, y extracción de

Procesado de señales EMG en Trastornos Neuromusculares 5 de 24

Figura 4: Filtrado Adaptativo de la Señal EMG

Figura 5: Normalización de la Señal EMG

3.1.3. Rectificación y promediado

La rectificación de onda completa consiste en convertir todas

Figura 6: Rectificación de la Señal EMG [3, p. 39]

Procesado de señales EMG en Trastornos Neuromusculares 6 de 24

3.2.2. Cruces por cero.

3.2.3. Correlación y autocorrelación

Siendo τ el retardo de correlación

Procesado de señales EMG en Trastornos Neuromusculares 7 de 24

3.3.1. Transformada de Fourier

Figura 7: Transformada de Fourier [3, p. 40]

3.3.2. Transformada de Wavelet

La transformada wavelet (WT) es una herramienta eficiente

Procesado de señales EMG en Trastornos Neuromusculares 8 de 24

• Distribución de Wigner-Ville (WVD)

X(t) la señal y x*(t) la conjugada correspondiente

La implementación de WVD requiere de la discretización de la señal, lo que permite la utilización de la FFT

• Método de Choi – Williams

3.4. Análisis estadístico

3.4.1. Entropía de la señal (H) [13, p. 232]

También cuantifica la variabilidad estocástica de la señal. La función de autocorrelación (ACF) describe

3.4.3. Chi-value (х) [13, pp. 232-233]

K = Número de valores de distintas amplitudes

3.5. Clasificación de Parámetros

3.5.1. Redes neuronales artificiales

Es un sistema computacional inspirado en las

3.5.2. Lógica difusa

Procesado de señales EMG en Trastornos Neuromusculares 10 de 24

4. Diagnóstico de trastornos neuromusculares con señales EMG

En el patrón neurógeno, la destrucción de una motoneurona se traduce a nivel muscular en la pérdida de

4.1. Clasificación de los trastornos neuromusculares

Los trastornos neuromusculares son todas aquellas

Procesado de señales EMG en Trastornos Neuromusculares 11 de 24

4.1.1. Miopatías [11, p. 167]

Procesado de señales EMG en Trastornos Neuromusculares 12 de 24

Figura 13: Clasificación de las Mononeuropatías

• Radiculopatías [11, p. 141]

• Lesiones del plexo [16, p. 1338]

• Lesiones de los nervios periféricos [11, p. 81]

Procesado de señales EMG en Trastornos Neuromusculares 13 de 24

Normal Axonotmesis Neurapraxias

Desaceleración del Bloqueo de Desmielinización

Tabla 2: Patrones patológicos comunes en Lesiones del Nervio periférico

4.1.2.2. Polineuropatías (Motoras y sensoriales) [11, p. 161]

Figura 14: Clasificación de las Polineuropatías

Procesado de señales EMG en Trastornos Neuromusculares 14 de 24

Patrón patológico en el Características de la

Frecuencia: 0,5-15Hz - Radiculopatía

Forma continua: -Cuadro de radiación