As doenças neuromusculares podem ser de dois tipos: aquelas que afetam as células nervosas, denominadas neuropatias, e aquelas que afetam as musculares, denominadas miopatias. O exame de eletromiografia (EMG) auxilia o diagnóstico dessas doenças, pois o sinal de EMG apresenta características específicas em cada tipo de doença neuromuscular. No entanto, a análise do sinal de EMG é subjetiva e baseada na experiência do médico especialista[1].

Várias medidas quantitativas dos sinais de EMG foram propostas ao longo dos anos[1]. Dentre elas, os coeficientes do modelo auto-regressivo (AR) têm sido empregados para auxiliar na separação dos sinais de EMG nas classes normal, neuropático e miopático. No entanto, não existem trabalhos na literatura que tenham utilizado os modelos auto-regressivos de média móvel (ARMA), mais completos que os AR. Este trabalho visa verificar o potencial de contribuição do uso conjunto de modelos ARMA e memórias associativas na classificação de sinais de EMG.

Para a classificação dos sinais, foram utilizadas memórias associativas lineares, as quais comprovadamente forneceram bons resultados em diversas aplicações[2].

A classificação é realizada em duas etapas. Na primeira etapa, as respostas menores que o primeiro limiar são classificadas como normais e as demais, como patológicas. Na segunda etapa, os sinais classificados como patológicos são separados em neuropáticos, cujas respostas são menores que o segundo limiar, e miopáticos, cujas respostas são maiores ou iguais ao limiar.

A memória associativa é inicialmente aplicada a limiares fixos em zero e posteriormente a limiares variáveis, que varrem todo o intervalo entre as classes. Para cada modelo ARMA, é escolhido o par de limiares que fornece a melhor taxa de classificação. O ajuste de limiares faz a melhor taxa global subir de 70,4% para 87,0%.

Os modelos ARMA(p,q) para 0≤p≤3 e 6≤q≤30 fornecem taxas de classificação de 61,1% a 87,0%. Essa região mostra um melhor desempenho que os modelos AR usados tradicionalmente.

Em comparação aos resultados da literatura, o modelo ARMA(1,25) para limiares variáveis fornece uma taxa de 94,4% na primeira etapa, equivalente à taxa de 90% fornecida pelos modelos AR(20) da literatura[5,6]. Com limiares fixos em zero, o modelo ARMA(1,9), com apenas 10 coeficientes, fornece a taxa global de acertos de 70,4%, equivalente à de 72,2% obtida por Shirota et al.[2] com o modelo AR(44) e superior à de 56,2% fornecida por Pattichis e Elia[7] para o modelo AR(12).

A modelagem ARMA de sinais de EMG de agulha, usada em conjunto com memórias associativas, fornece resultados comparáveis aos da literatura, com um número menor de coeficientes. Isso indica que a metodologia tem bom potencial de ser aplicada em clínica de eletromiografia, como uma ferramenta de auxílio ao diagnóstico de doenças neuromusculares.

Referências Bibliográficas:

[1]Brooke, M.H. A Clinician’s View of Neuromuscular Diseases, 2.ed., Baltimore: Williams & Wilkins, 1986, pp.1-35.

[2]Shirota, C., Barretto, M. Y., Itiki, C. “Classificação de sinais eletromiográficos de agulha por memórias associativas e modelagem auto-regressiva”, IFMBE Proc 5(1): 959-962, 2004.

[3]Marple, S.L. Digital Spectral Analysis with Applications, Englewood Cliffs: Prentice Hall, 1987, pp.206-229.

[4]Kohonen, T. Self-Organization and Associative Memory, Berlin, New York: Springer-Verlag, 1984.

[5]Inbar, G.F., Noujaim, A.E. "On surface EMG spectral characterization and its application to diagnostic classification", IEEE Trans Biomed Eng 31(9):597-604, 1984.

[6]Abou-Chadi, F.E., Nashar, A., Saad, M. "Automatic analysis and classification of surface electromyography", Front Med Biol Eng 11(1):13-29, 2001.

[7]Pattichis, C.S, Elia, A.G. "Autoregressive and cepstral analyses of motor unit action potentials", Med Eng Phys 21(6-7):405-419, 1999.