Respiratory pattern prediction for synchronized functional electrical stimulation

• Autor(a) principal: Costa, Taisa Daiana da
• Data de Publicação: 2020
• Tipo de documento: Tese
• Idioma: eng
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/23601
• topic: CNPQ::ENGENHARIAS::ENGENHARIA BIOMEDICA; Medula espinhal - Ferimentos e lesões; Músculos respiratórios; Abdome - Músculos; Estimulação elétrica; Sincronização; Detectores - Desenvolvimento; Pressão - Medição; Aprendizado do computador; Processamento de sinais - Técnicas digitais; Percepção de padrões; Spinal cord - Wounds and injuries; Respiratory muscles; Abdomen - Muscles; Electric stimulation; Synchronization; Detectors - Development; Pressure - Measurement; Machine learning; Signal processing - Digital technique; Pattern perception; Engenharia Elétrica

Além dos problemas físicos, psíquicos e sociais, a paralisia nos músculos ventilatórios pode ser um dos efeitos colaterais causados pela lesão medular. Devido ao impedimento total ou parcial da condução dos potenciais de ação que realizam a ativação muscular, pode haver alteração na mecânica ventilatória, afetando a capacidade do organismo em manter a oxigenação por causa da paralisia diafragmática. Além disso, eventos de tosse, que são importantes para retirada de secreção podem ser dificultados por causa da paralisia dos músculos abdominais. Este problema é considerado uma das maiores causas de morte em pessoas com lesão medular. A estimulação elétrica funcional transcutânea automaticamente sincronizada com a respiração espontânea é considerada uma técnica alternativa para reabilitação respiratória em pessoas com lesão medular. Porém, durante a estimulação podem ocorrer eventos como tosse, movimentação corporal, fala, entre outros, que necessitam ser tratados individualmente pelo sistema de estimulação elétrica. O objetivo principal desta pesquisa é desenvolver um modelo de aprendizagem de máquina para predição automática de padrões respiratórios visando o gatilhamento de sistemas sincronizados de estimulação elétrica funcional. Diferentes tipos de sensores foram avaliados para aquisição do sinal respiratório: sensor de pressão diferencial conectado a um pneumotacógrafo; strain gauges em estrutura de célula de carga acoplados a uma cinta elástica, para medir a expansão torácica durante a respiração; e eletrodos de EMG posicionados nas regiões dos músculos esternocleidomastoideo, oblíquo externo e Omo-Hióideo, para detecção de tosse. Dados de 20 voluntários hígidos foram adquiridos durante movimentos voluntários de tosse, respiração normal, fala e movimentação corporal, e um banco de sinais catalogados foi criado. Um algoritmo de aprendizagem de máquina baseado em Long Short-Term Memory Networks foi desenvolvido para classificar os dados deste banco de sinais entre as classes “pré-tosse”, “respiração normal” e “eventos interferentes” (fala e movimentação corporal). A melhor taxa de acerto da classificação automática foi de 80,24%, utilizando a combinação dos sinais provenientes dos sensores de pressão e do eletrodo posicionado no Omo-Hióideo. O algoritmo desenvolvido é generalizável, permitindo utilização em pessoas que não participaram da etapa de treinamento da rede. Desta forma, torna-se um forte candidato para ser utilizado em sistemas de estimulação elétrica sincronizada. Porém, o sensor de pressão acoplado ao pneumotacógrafo é considerado ainda um sensor intrusivo, e não confortável para uso prolongado.