Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN ABSTRACT
La electromiografa clnica es una metodologa Clinical electromyography is a methodology for
de registro y anlisis de la actividad bioelctrica del recording and analysing the bioelectrical activity of
msculo esqueltico orientada al diagnstico de las the skeletal muscle tissue in order to diagnose neu-
enfermedades neuromusculares. Las posibilidades de romuscular pathology. The possibilities of application
aplicacin y el rendimiento diagnstico de la electro- and the diagnostic performance of electromyography
miografa han evolucionado paralelamente al conoci- have evolved parallel to a growing understanding of
miento de las propiedades de la energa elctrica y al the properties of electricity and the development of
desarrollo de la tecnologa elctrica y electrnica. A electrical and electronic technology. The first commer-
mediados del siglo XX se introdujo el primer equipo cially available electromyography equipment for medi-
comercial de electromiografa para uso mdico basado cal use was introduced in the middle of the 20th cen-
en circuitos electrnicos analgicos. El desarrollo pos- tury. It was based on analog electronic circuits. The
terior de la tecnologa digital ha permitido disponer de subsequent development of digital technology made
sistemas controlados por microprocesadores cada vez available more powerful and accurate systems, con-
ms fiables y potentes para captar, representar, alma- trolled by microprocessors, for recording, displaying,
cenar, analizar y clasificar las seales mioelctricas. Es storing, analysing, and classifying the myoelectric
esperable que el avance de las nuevas tecnologas de la signals. In the near future, it is likely that advances in
informacin y la comunicacin pueda conducir en un the new information and communication technologies
futuro prximo a la aplicacin de desarrollos de inte- could result in the application of artificial intelligence
ligencia artificial que faciliten la clasificacin autom- systems to the automatic classification of signals as
tica de seales as como sistemas expertos de apoyo al well as expert systems for electromyographic diagno-
diagnstico electromiogrfico. sis support.
Palabras clave. Electromiografa. Potencial de accin Key words. Electromyography. Motor unit action
de unidad motora. Procesamiento de seal. Estudios potential. Signal processing. Neurophysiological stu-
neurofisiolgicos. dies.
metros. La actividad durante el mximo es- y otro lado de la lnea de base) y el nmero
fuerzo puede analizarse cuantitativamente de giros (cambios de direccin de la curva)
midiendo el nmero y amplitud de los picos (Fig. 1)7,10. Estos parmetros informan sobre
(giros) presentes en la seal con diferentes el tamao y la estructura de las UMs. Los
algoritmos, algunos ya implementados en parmetros de tamao (duracin, amplitud,
los primeros sistemas modulares, como el rea) expresan el nmero de FMs de la UM.
analizador de Willison (Tabla 2)9. En lo que En las enfermedades miopticas, las UMs
respecta al anlisis de la FO del PAUM, los pierden FMs, lo que resulta en una reduccin
aparatos convencionales cuentan con algo- de la amplitud y de la duracin de los PAUMs.
ritmos para determinar los puntos inicial y Por el contrario, en los procesos neurgenos
final de la curva (y la duracin como la dife- el nmero de UMs est reducido, pero las
rencia de tiempo entre ambos), la amplitud UMs supervivientes aumentan el nmero de
mxima (diferencia entre las muestras de FMs por reinervacin colateral. En estas cir-
menor y mayor valor), el rea bajo la curva, cunstancias, los PAUMs muestran amplitud
el nmero de fases (partes de la curva a uno y duracin aumentadas (Tabla 3).
Los parmetros que informan sobre la rizacin del PAUM a travs de dichos par-
morfologa de la onda (nmero de fases y metros permite establecer de forma cuan-
giros) dependen del grado de dispersin titativa el estado normal o patolgico de
temporal de los PAs de las FMs. Esta dis- un msculo, as como definir el patrn de
persin puede aumentar tanto en procesos anormalidad, severidad y estadio evolutivo
neurgenos como miopticos. La caracte- del mismo (Tabla 3)7.
Tabla 3. Significado fisiopatolgico de los parmetros del potencial de accin de unidad motora (PAUM).
A B
200 V 100 V
5 ms 5 ms
Figura 2. Mtodo de ventanas deslizantes para la extraccin de la forma de onda (FO) del potencial de
accin de unidad motora (PAUM). A) Descargas de un PAUM seleccionadas a partir de la seal continua
por un sistema de descomposicin, superpuestas y alineadas. Puede apreciarse intensa contaminacin
por superposiciones de otros PAUMs en torno a la espiga principal de las descargas. B) La FO patrn
del PAUM (lnea de trazos) se obtuvo a partir de cinco descargas no contaminadas que se seleccionaron
manualmente. La FO obtenida por el mtodo de ventanas deslizantes (lnea continua) reproduce FO
patrn con mnimas diferencias.
expresen el nmero de FMs de la UM con in- size index (2 x log10 amplitud + thickness).
dependencia de la distancia entre el electro- ste fue formulado mediante la aplicacin
do y las FMs y que tengan, por tanto, mayor de un anlisis discriminante (una modali-
capacidad discriminativa entre la norma- dad de anlisis estadstico multivariante) y
lidad y la patologa. As se propusieron el se muestra sensible para diferenciar entre
ndice de grosor o thickness (relacin rea/ PAUMs normales y neuropticos, y robusto
amplitud)43, til para diferenciar PAUMs nor- frente a las variaciones de la posicin relati-
males y miopticos; y el ndice de tamao o va del electrodo44.
riabilidad se han definido dos parmetros: racin subjetiva. Se han propuesto algunas
el valor normalizado de las diferencias alternativas a los criterios clsicos. Una de
consecutivas de amplitud (CAD: consecu- ellas es la consideracin de los valores ex-
tive amplitude differences) y el coeficiente tremos (outliers) de forma que cuando en
de correlacin cruzada de las descargas un msculo se registran 3 PAUMs con valo-
consecutivas (CCC: crosscorrelational co- res superiores o inferiores a 3 desviaciones
efficient of consecutive discharges)46. Estos estndar de la media, el msculo se puede
parmetros se probaron con seales simu- considerar patolgico sin necesidad de ex-
ladas. Nosotros introdujimos modificacio- traer ms seales51. Otro mtodo, basado
nes en el mtodo de alineamiento de las en la estadstica bayesiana, establece una
curvas y en la estimacin del ruido de la valoracin ponderada de los hallazgos se-
LB, mejorando el rendimiento en seales gn el diagnstico sospechado por la clni-
reales47. No obstante, tanto stos como ca y otros datos disponibles52,53.
otros parmetros ensayados hasta ahora
muestran limitaciones y ninguno se ha in-
corporado a la rutina. Es necesario seguir Nuevos desarrollos
profundizando en esta lnea y para ello una
Puesto que ningn parmetro tiene por
herramienta bsica es el simulador de UMs
s solo suficiente capacidad discriminativa
y PAUMs.
entre PAUMs normales y patolgicos y to-
dos muestran un considerable margen de
CLASIFICACIN DE LOS PAUMS penumbra, se han aplicado estrategias de
valoracin conjunta de mltiples parme-
Criterios convencionales tros mediante sistemas automticos de cla-
Para juzgar el estado de un msculo hay sificacin y reconocimiento de patrones.
que analizar un cierto nmero de PAUMs. Dichos sistemas incluyen mtodos estads-
Un solo PAUM de un msculo normal pue- ticos multivariantes54,55 y tcnicas de inte-
de mostrar alteraciones y viceversa; en ligencia artificial como redes neuronales56,
un msculo patolgico se puede registrar algoritmos genticos57 y tcnicas basadas
un cierto nmero de PAUMs normales. De en lgica difusa (fuzzy logic)58.
acuerdo con las indicaciones de Buchthal, Las redes neuronales requieren ser en-
la muestra debe incluir un mnimo de 20 trenadas, es decir, se necesita transferir co-
PAUMs48. Una vez efectuado el anlisis del nocimiento humano a la red, que sta inte-
conjunto de PAUMs extrados, disponemos gra reorganizando sus conexiones internas
de los valores medios y de la dispersin en la fase de entrenamiento de acuerdo con
de los parmetros. El criterio clsico para los datos de entrada que se le presentan y
establecer los lmites de normalidad para las salidas que se le exigen. Adems de la
cada parmetro es el valor medio ms dos clasificacin automtica, estos mtodos
desviaciones estndar o el valor del per- pueden actuar como sistemas expertos
centil 95 obtenido en una muestra aleatoria de apoyo al diagnstico, en trminos de
de sujetos normales49. Con esta metodolo- posibilidades diagnsticas y sugerencias
ga se han elaborado tablas de valores nor- de actuacin en cada caso. Los sistemas
males para diferentes msculos y grupos basados en lgica difusa pueden incorpo-
de edad50. rar el conocimiento de expertos, incluso a
nivel de matices intuitivos, ya que toleran
la introduccin de datos contradictorios y
Estrategias especficas
pueden inferir reglas y patrones a partir de
Los valores medios de los parmetros ellos14. Estos sistemas emulan mejor que
superan los lmites normales en casos ne- las redes neuronales el proceso humano
tamente patolgicos, pero el criterio no de toma de decisiones, por lo que su apli-
es suficientemente sensible en los casos cacin en EMG resulta especialmente inte-
limtrofes, prevaleciendo entonces la valo- resante dado el amplio margen de incerti-
dumbre que muchas veces presentan los cial a travs del tejido muscular, la forma
estudios EMG. Los sistemas de inteligencia y disposicin geomtrica de las FMs, y las
artificial an se encuentran en fase experi- dimensiones y situacin del electrodo de
mental, pero es previsible que se consiga registro. Partiendo de las formulaciones de
el grado de desarrollo suficiente para que los fenmenos biofsicos del PA transmem-
puedan ser incorporados a nuevas genera- brana y de los datos morfomtricos micro
ciones de electromigrafos. y macroscpicos aportados por los estu-
Nuestros primeros trabajos se dedica- dios anatmicos de los msculos esque-
ron a la clasificacin automtica de PAUMs lticos1,63,64, se han desarrollado diversos
mediante sistemas estadsticos y redes modelos matemticos especficos de PA de
neuronales59,60. Los resultados, como los de FM, de msculo y de seal EMG65,66. Ningu-
otros autores, eran aceptables siempre que no de ellos ha sido formalmente contrasta-
las desviaciones de la normalidad fueran do con los PAUMs reales. Al intentar vali-
manifiestas, pero el rendimiento descenda dar algunos modelos, observamos ciertas
considerablemente con casos limtrofes. discrepancias con los datos morfomtricos
Probablemente esta merma dependiera no publicados (nmero total de FMs, dimetro
tanto de la capacidad de las redes como de medio, seccin del msculo, etc.)67. Tras la
la mala calidad de los datos introducidos revisin crtica de varios modelos estamos
en ellas, derivada de los errores en las me- introduciendo modificaciones en magnitu-
didas automticas de los parmetros, co- des estructurales como densidad de FMs,
mentados anteriormente. En consecuencia patrn de inervacin (distribucin de las
dirigimos nuestra atencin a la depuracin uniones neuromusculares), tamao y so-
de los procesos de extraccin y anlisis, lapamiento de los territorios de las UMs y
previos a la clasificacin, considerando distribucin de los mismos (considerando
entonces imprescindible disponer de un las regiones prximas al contorno de la
simulador de actividad EMG para acometer seccin muscular), con lo que se est con-
la formulacin de nuevos parmetros ms siguiendo armonizar los datos fisiolgicos
robustos. y las estimaciones morfomtricas de los
estudios anatmicos68,69.
Observamos tambin que los mode-
MODELOS MATEMTICOS DEL
los de PA de fibra no reproducen la forma
MSCULO ESQUELTICO y dimensiones esperados. Comparados
El nmero, dimetro y distribucin de con fibrilaciones (PAs generados por FMs
FMs de una UM, as como la seal que ge- denervadas), los PA generados por los
nera su actividad elctrica (el PAUM), slo modelos publicados muestran menor du-
pueden conocerse con exactitud mediante racin y distinta morfologa: bifsicos con
sofisticados experimentos en animales61,62. fases positiva y negativa relativamente si-
De los PAUMs registrados en humanos no mtricas, frente a la morfologa trifsica
se puede conocer datos como el nmero y generalmente asimtrica de las fibrila-
de FMs generadoras, dimensiones y dispo- ciones70,71. Para ajustar estas diferencias
sicin geomtrica de las mismas. El estudio hemos propuesto diversas modificaciones
de las relaciones entre la seal y las dimen- en las funciones del PA de fibra, introdu-
siones anatomofuncionales de las UMs slo ciendo nuevos trminos y rangos de varia-
puede realizarse con simulaciones por or- cin aleatoria en varios coeficientes que
denador, es decir, con modelos abstractos se haban asumido axiomticamente como
en los que estn representados matem- constantes72. Con ello el simulador consi-
ticamente los elementos del sistema y las gue sintetizar PAs superponibles a las fibri-
leyes que rigen su funcionamiento. laciones73,74.
Los elementos constitutivos de un Los modelos matemticos tambin pue-
modelo de PAUM son el PA de las FMs, la den simular condiciones reales de registro
conduccin por volumen de ese poten- como ruido y artefactos. As pues, el dise-
24. McGill KC, Cummins KL, Dorfman LJ. Automatic 37. Takehara I, Chu J, Li TC, Schwartz I. Reliability
decomposition of the clinical electromyogram. of quantitative motor unit action potential
IEEE Trans Biomed Eng 1985; 32: 470-477. parameters. Muscle Nerve 2004; 30: 111-113.
25. Stalberg E, Falck B, Sonoo M, Astrom M. Multi- 38. Rodrguez I, Gila L, Malanda A, Gurtubay I, Ma-
MUP EMG analysis-a two year experience llor F, Gmez S et al. Motor unit action poten-
with a quantitative method in daily routine. tial duration, I: variability of manual and au-
Electroencephalogr Clin Neurophysiol 1995; tomatic measurements. J Clin Neurophysiol
97: 145-154. 2007; 24: 52-58.
26. LeFever R, DeLuca C. A procedure for decom- 39. Alvarez I, Rodrguez I, Gila L, Malanda A, Na-
posing the myoelectric signal into its consti- vallas J, Rodrguez J. Influence of baseline
tuent action potentials.1. Technique, theory fluctuation cancellation on automatic mea-
and implementation. IEEE Trans Biomed Eng surement of the motor unit action potential
1982; 29: 149-157. duration. Clin Neurophysiol 2006; 117 (Suppl
27. Florestal JR, Mathieu PA, Malanda A. Automa- 1): S193.
ted decomposition of intramuscular elec- 40. Rodrguez I, Gila L, Malanda A, Gurtubay I, Ma-
tromyographic signals. IEEE Trans Biomed llor F, Gmez S et al. Motor unit action po-
Eng 2006; 53: 832-839. tential duration, II: a new automatic measu-
28. Nikias CL, Mendel JM. Signal processing with rement method based on the wavelet trans-
higher-order spectra. IEEE Signal Processing form. J Clin Neurophysiol 2007; 24: 59-69.
Magazine 1993; 10: 10-37. 41. Rodrguez I, Gila L, Malanda A, Gurtubay IG, Na-
29. Hassoun MH, Wang C, Spitzer AR. NNERVE: vallas J, Rodrguez J. Medicin automtica de
neural network extraction of repetitive vec- la duracin del potencial de accin de uni-
tors for electromyography. I. Algorithm. IEEE dad motora (PAUM). Rendimiento de un nue-
Trans Biomed Eng 1994; 41: 1039-1052. vo mtodo basado en transformadas wave-
30. Florestal JR, Mathieu PA, Plamondon R. A ge- let en potenciales normales y patolgicos.
netic algorithm for the resolution of supe- Rev Neurol 2007; 44: 117.
rimposed motor unit action potentials. IEEE 42. Brownell AA, Bromberg MB. Effects of intra-
Trans Biomed Eng 2007; 54: 2163-2171. muscular needle position on motor unit ac-
31. Nandedkar S, Sanders D. Median averaging of tion potential metrics. Muscle Nerve 2007;
electromyographic motor unit action poten- 35: 465-470.
tials. Med Biol Eng Comput 1989; 27: 556-571. 43. Nandedkar S, Barkhaus P, Sanders D, Stalberg
32. Navallas J, Malanda A, Gila L, Rodrguez J, Ro- E. Analysis of the amplitude and area of the
drguez I, Florestal JR et al. An algorithm for
concentric needle EMG motor unit action po-
optimal discharge selection for MUAP wave- tentials. Electroencephalogr Clin Neurophy-
form extraction. XVI Congress of the Interna- siol 1988; 69: 561-567.
tional Society of Electrophysiology and Kine- 44. Sonoo M, Stalberg E. The ability of PAUM pa-
siology, 2006: 12-13. rameters to discriminate between normal
33. Navallas J, Malanda A, Gila L, Rodrguez J, Ro- and neurogenic PAUMs in concentric EMG:
drguez I. Evaluacin del algoritmo de pro-
analysis of the PAUM thickness and the
mediado ordenado de descargas para la ex- proposal of size index. Electroencephalogr
traccin de la forma de onda del PAUM. XXIV Clin Neurophysiol 1993; 89: 291-303.
Congreso Anual de la Sociedad Espaola de 45. Zalewska E, Rowinska-Marcinska K, Hausmanowa-
Ingeniera Biomdica, 2006: 181-184. Petrusevicz I. Shape irregularity of motor unit
34. Malanda A, Navallas J, Gila L, Rodrguez J, Ro- potentials in some neuromuscular disorders.
drguez I. Extraction of representative poten-
Muscle Nerve 1998; 21: 1181-1187.
tials in MUAP sets. XVIIth Congress of the in- 46. Stalberg E, Sonoo M. Assessment of variability
ternational society of electrophysiology and in the shape of the motor unit action poten-
kinesiology, 2008: 54. tial, the jiggle, at consecutive discharges.
35. Pfeiffer G, Kunze K. Turn and phase counts of Muscle Nerve 1994; 17: 1135-1144.
individual motor unit potentials: correlation 47. Campos C, Malanda A, Gila L, Segura V, Lasanta
and reliability. Electroencephalogr Clin Neu- MI, Artieda J. Quantification of jiggle in real
rophysiol 1992; 85: 161-165. electromyographic signals. Muscle Nerve
36. Bromberg MB, Smith AG, Bauerle J. A com- 2000; 23: 1022-1034.
parison of two commercial quantitative 48. Buchthal F, Rosenfalck P. Action potential pa-
electromyographic algorithms with manual rameters in different human muscles. Acta
analysis. Muscle Nerve 1999; 22: 1244-1248. Psychiatr Scand 1955; 30: 125-131.
49. Dorfman L, Robinson L. AAEM Minimonograph 62. Griep PAM, Gielen FLH. Calculation and regis-
47: normative data in electrodiagnostic me- tration of the same motor unit action poten-
dicine. Muscle Nerve 1997; 20: 4-14. tial. Electroencephalogr Clin Neurophysiol
50. Buchthal F, Rosenfalck P. Action potential pa- 1982; 53: 388-404.
rameters in different human muscles. Acta 63. Bodine-Fowler S, Garfinkel A, Roy RR, Edger-
Psychiatr Scand 1955; 30: 125-131. ton VR. Spatial distribution of muscle fibers
51. Stalberg E, Bischoff C, Falck B. Outliers-a way within the territory of a motor unit. Muscle
to detect abnormality in quantitative EMG. Nerve 1990; 13: 1133-1145.
Muscle Nerve 1994; 17: 392-399. 64. Adams RD, De Reuk J. Metrics of muscle. En:
52. Patock T, Nandedkar S, Sanders D. MUAP analy- Kakulas BA, editor. Basic research in myolo-
sis using Bayes classifier. Muscle Nerve 1992; gy. Proceedinsgs of the Second International
15: 967-968. Congress on Muscle Diseases. Nueva York:
Elsevier, 1971: 3-11.
53. Pfeiffer G. The diagnostic power of motor
unit potential analysis: an objective baye- 65. Hamilton-Wright A, Stashuk DW. Physiologica-
sian approach. Muscle Nerve 1999; 22: 584- lly based simulation of clinical EMG signals.
591. IEEE Trans Biomed Eng 2005; 52: 171-183.
54. Pfeiffer G, Kunze K. Discriminant classifica- 66. Duchene J, Hogrel J. A Model of EMG Genera-
tion of motor unit potentials (MUPs) suc- tion. IEEE Trans Biomed Eng 2000; 47: 192-
cessfully separates neurogenic and myopa- 201.
thic conditions. A comparison of multi-and 67. Zabalza J, Malanda A, Gila L, Campos C. Valida-
univariate diagnostical algorithms for MUP tion study of MUAP models. XIV Congress of
analysis. Electroencephalogr Clin Neurophy- the International Society of Electrophysiolo-
siol 1995; 97: 191-207. gy and Kinesiology 2002: 242-243.
55. Zalewska E, Hausmanowa-Petrusewicz I. The SIIR 68. Navallas J, Malanda A, Gila L, Rodrguez J, Ro-
index-a non-linear combination of waveform drguez I. Mathematical analysis of a muscle
size and irregularity parameters for classifi- architecture model. Math Biosci 2009; 217:
cation of motor unit potentials. Clin Neuro- 64-76.
physiol 2005; 116: 957-964. 69. Navallas J, Malanda A, Gila L, Rodrguez J, Ro-
56. Pattichis C, Schizas C, Middleton L. Neural net- drguez I. A new muscle architecture model
work models in EMG diagnosis. IEEE Trans with non-uniform distribution of muscle
Biomed Eng 1995; 42: 486-496. fiber types. XXIV Internacional Conference
57. Pattichis C, Schizas C. Genetics-based machine on Computer Electrical and System Sciences
learning for the assessment of certain neu- and Engineering (WASET), 2007: 288-292.
romuscular disorders. IEEE Trans Neural Net 70. Dimitrov GV, Dimitrova NA. Precise and fast
1996; 7: 427-439. calculation of motor unit potentials detected
58. Rasheed S, Stashuk D, Kamel M. A software by a point and rectangular plate electrode.
package for interactive motor unit poten- Med Eng Phys 1998; 20: 374-381.
tial classification using fuzzy k-NN classifier. 71. Nandedkar SD, Stalberg E. Simulation of single
Comput Methods Programs Biomed 2008; 89: fiber action potentials. Med Biol Eng Comput
56-71. 1983: 21: 158-165.
59. Lasanta MI, Campos C, Malanda M, Gila L, La- 72. Rodrguez J, Malanda A, Gila L, Rodrguez I,
barga A. Statistical analysis and classification Navallas J. A mathematical analysis of SFAP
of motor unit action potentials. 11th Nordic- convolutional models. IEEE Trans Biomed
Baltic Conference on Biomedical Enginee- Eng 2005; 52: 769-783.
ring. Tallinn, 1999: 377-378. 73. Rodrguez J, Malanda A, Gila L, Rodrguez I, Na-
60. Segura V, Gila L, Campos C, Lasanta MI, Malanda vallas J. Modeling fibrillation potentials a
A. A Statistical and neural network classifica- new analytical description for the muscle in-
tion of motor unit action potentials. A com- tracellular action potential. IEEE Trans Bio-
parative study. IX International Symposium med Eng 2006; 53: 581-592.
on Motor Control, 2000: 62. 74. Rodrguez J, Malanda A, Gila L, Rodrguez I,
61. Burke RE, Levine DN, Salcman M, Tsairis P. Mo- Navallas J. Modelling fibrillation potentials
tor units in cat soleous muscle: physiologi- analysis of time parameters in the muscle
cal, histochemical and morphological cha- intracellular action potential. IEEE Trans Bio-
racteristics. J Physiol 1974; 238: 503-514. med Eng 2007; 54: 1361-1370.