Prediction of Muscle Response to Functional Electrical Stimulation Therapy after Cervical Spinal Cord Injuries Using Surface Electromyography
Notice bibliographique
Résumé
Spinal cord injury (SCI) can severely affect neuromuscular function and quality of life, particularly for individuals with cervical injuries. Functional electrical stimulation (FES) therapy has shown promise in restoring upper extremity (UE) function, yet variability in muscle responsiveness has limited its broader adoption. This thesis explores the potential of surface electromyography (sEMG) as a sensitive, non-invasive tool to enhance SCI rehabilitation and inform personalized FES therapy. Through three interconnected studies, we address key challenges in understanding neuromuscular changes post-SCI, identifying distinct muscle electrophysiological profiles, and predicting muscle responsiveness to FES therapy.Study 1 developed a computational model to simulate sEMG signal alterations under different SCI scenarios. Results showed that commonly used amplitude-based features (e.g., root mean square and mean absolute value) lack specificity in neuromuscular disruptions. In contrast, non-amplitude-based features, such as slope sign changes (SSC) and autoregression coefficients, provided greater sensitivity. Studies 2 and 3 analyzed sEMG signals recorded from 184 UE muscle groups across 22 participants with cervical SCI. Study 2 applied clustering algorithms to the full dataset and identified distinct and reproducible clusters. These clusters were only partially aligned with clinical variables such as myotome level and neurological level of injury. It indicated that sEMG captures additional physiological nuances, such as residual motor pathways or compensatory mechanisms, that are not readily assessed through standard clinical evaluations. Study 3 focused on developing predictive models using a subset of 132 muscles groups from 17 participants with known responsiveness to FES therapy. A Random Forest classifier with forward-selected features (SSC, mean and median frequencies, second-order moment) achieved the best performance (accuracy = 76%, macro F1 = 0.68, Matthews correlation coefficient = 0.41). Stratifying participants by motor completeness (AIS A-B vs. C-D) further improved modeling performance, underscoring the value of tailored approaches. These studies collectively highlight the potential of sEMG to bridge critical gaps in SCI rehabilitation by providing nuanced insights into neuromuscular changes and enabling personalized therapy planning. This work offers valuable evidence to support the integration of sEMG into clinical practice to optimize FES therapy outcomes and improve quality of life for individuals with 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».