The role of surface EMG in predicting responsiveness of muscles to FES therapy after cervical SCI
Notice bibliographique
Résumé
INTRODUCTION: Cervical spinal cord injury (SCI) can severely impair upper extremity (UE) functions, limiting independence and quality of life. Prior clinical trials showed that functional electrical stimulation (FES) therapy can reduce UE impairment. However, the response to FES therapy is not consistent across all treated myotomes. Our objective was to predict the muscle response to FES therapy using electrophysiological biomarkers from baseline surface electromyography (sEMG) signals, in order to support treatment decisions at the point of care. METHODS: We recruited 17 participants with cervical SCI, who were about to undergo FES therapy. Target UE muscles were identified for each participant by treating therapists. Baseline sEMG signals were recorded from the target muscles during resting and maximal voluntary contractions. Time- and frequency-domain features were extracted. The manual muscle testing (MMT) score was tracked through the therapy cycle, and used to categorize each muscle as a responder or non-responder. We explored classifiers including support vector machines, k-nearest neighbors, random forest, and logistic regression, with leave-one-participant-out cross validation. Models were trained on sEMG features alone, on clinical variables alone, and combinations of both. RESULTS: The final dataset consisted of sEMG recordings of 132 muscles from 17 participants, and 33% of the muscles were considered responders. A Random Forest classifier with a forward-selected feature set yielded the best performance (Matthews correlation coefficient = 0.41, F1 score = 0.68, accuracy = 76%, precision = 0.72, recall = 0.42, and true negative rate = 0.92). With patient stratification based on motor completeness (AIS A-B vs. C-D), the model performance further improved. Included signal features were slope sign changes, mean and median frequency, and second-order spectral moment. CONCLUSIONS: Our results suggest that baseline sEMG signals combined with machine learning models may be used to predict muscle response to FES therapy in individuals with cervical SCI. The models were trained on a small and unbalanced sample and can be optimized with more participants in the future. This work contributes to improving the level of personalization and efficacy of FES therapy, and ultimately improve quality of life after SCI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».