Towards Amyotrophic Lateral Sclerosis Interpretable Diagnosis Using Surface Electromyography

Abstract

Amyotrophic Lateral Sclerosis (ALS) is a fast-progressing disease with no cure. It is diagnosed through the assessment of clinical exams, such as needle electromyography, which measures themuscles’ electrical activity by inserting a needle into themuscle tissue. Nevertheless, surface electromyography (SEMG) is emerging as a more practical and less painful alternative. Even though these exams provide relevant information regarding the electric structures conducted in the muscles, ALS symptoms are similar to those of other neurological disorders, preventing a faster detection of the disease. This dissertation focuses on implementing and analyzing innovative SEMG features related to the morphology of the functional structures present in the signal. To assess the efficiency of these features, a framework is proposed, aiming to distinguish healthy from pathological signals through the use of a classification algorithm. The classification task was performed using SEMG signals acquired from the upper limb muscles of healthy and ALS subjects. The results show the utility of employing the proposed set of features for ALS diagnosis, with an F1 Score higher than 80% in most experimental conditions. The novel features improved the model’s overall performance when combined with other state-of-art SEMG features and also demonstrated efficiency when used individually. These outcomes are of significant importance in supporting the use of SEMG as a complementary diagnosis exam. The proposed features demonstrate promising contributions for better and faster detection of ALS and increased classification interpretability

A Esclerose Lateral Amiotrófica (ELA) é uma doença incurável de progressão rápida. O seu diagnóstico é feito através da avaliação de exames clínicos como a eletromiografia de profundidade, que mede a atividade elétrica muscular com agulhas inseridas no músculo. No entanto, a eletromiografia de superfície (SEMG) surge como uma alternativa mais prática e menos dolorosa. Embora ambos os exames forneçam informações relevantes sobre as estruturas elétricas conduzidas nos músculos, os sintomas da ELA são semelhantes aos de outras doenças neurológicas, impedindo uma identificação mais precoce da doença. Esta dissertação foca-se na implementação e análise de atributos inovadores de SEMG relacionados com a morfologia das estruturas funcionais presentes no sinal. Para avaliar a eficiência destes atributos, é proposto um framework, com o objetivo de distinguir sinais saudáveis e sinais patológicos através de um algoritmo de classificação. A tarefa de classificação foi realizada utilizando sinais de SEMG adquiridos dos músculos dos membros superiores de indivíduos saudáveis e com ELA. Os resultados demonstram a utilidade do conjunto de atributos proposto para o diagnóstico de ELA, com uma métrica de classificação F1 superior a 80% na maioria das condições experimentais. Os novos atributos melhoraram o desempenho geral do modelo quando combinados com outros atributos de SEMG do estado da arte, e também se comprovaram eficientes quando aplicados individualmente. Estes resultados são de grande importância na justificação da aplicabilidade da SEMG como um exame complementar de diagnóstico da ELA. Os atributos apresentados demonstram ser promissores para um melhor e mais rápido diagnóstico, e facilitam a explicação dos resultados da classificação devido à sua interpretabilidade.