( PDF ) Análise de componentes principais do eletromiograma no domínio da frequência em exercícios cicloergométricos

Download PDF

ads:

COPPE/UFRJCOPPE/UFRJ

ANÁLISE DE COMPONENTES PRINCIPAIS DO ELETROMIOGRAMA NO

DOMÍNIO DA FREQUÊNCIA EM EXERCÍCIOS CICLOERGOMÉTRICOS

Igor Ramathur Telles de Jesus

Dissertação de Mestrado apresentada ao Programa

de Pós-graduação em Engenharia Biomédica,

COPPE, da Universidade Federal do Rio de

Janeiro, como parte dos requisitos necessários à

obtenção do título de Mestre em Engenharia

Biomédica.

Orientador: Jurandir Nadal

Rio de Janeiro

Junho de 2010

ads:

Livros Grátis

http://www.livrosgratis.com.br

Milhares de livros grátis para download.

ANÁLISE DE COMPONENTES PRINCIPAIS DO ELETROMIOGRAMA NO

DOMÍNIO DA FREQUÊNCIA EM EXERCÍCIOS CICLOERGOMÉTRICOS

Igor Ramathur Telles de Jesus

DISSERTAÇÃO SUBMETIDA AO CORPO DOCENTE DO INSTITUTO ALBERTO

LUIZ COIMBRA DE PÓS-GRADUAÇÃO E PESQUISA DE ENGENHARIA

(COPPE) DA UNIVERSIDADE FEDERAL DO RIO DE JANEIRO COMO PARTE

DOS REQUISITOS NECESSÁRIOS PARA A OBTENÇÃO DO GRAU DE MESTRE

EM CIÊNCIAS EM ENGENHARIA BIOMÉDICA.

Examinada por:

___________________________________________

Prof. Jurandir Nadal, D.Sc.

___________________________________________

Prof. Marcio Nogueira de Souza, D.Sc.

___________________________________________

Prof. Roger Gomes Tavares de Mello, D.Sc.

___________________________________________

Prof. Luis Aureliano Imbiriba Silva, D.Sc.

RIO DE JANEIRO, RJ – BRASIL

JUNHO DE 2010

ads:

iii

Jesus, Igor Ramathur Telles

Análise de Componentes Principais do Eletromiograma

no Domínio da Frequência em Exercícios Cicloergométricos /

Igor Ramathur Telles de Jesus. – Rio de Janeiro: UFRJ/COPPE,

2010.

X, 98 p.: il.; 29,7 cm.

Orientador: Jurandir Nadal

Dissertação (mestrado) – UFRJ/ COPPE/ Programa de

Engenharia Biomédica, 2010.

Referencias Bibliográficas: p. 75-87.

1. Teste de Esforço. 2. Eletromiograma. 3. Análise de

Componentes Principais. I. Nadal, Jurandir II. Universidade

Federal do Rio de Janeiro, COPPE, Programa de Engenharia

Biomédica. III. Titulo.

"Se, a principio a idéia não é

absurda, então não há esperança

para ela."

Albert Einstein

Dedicatória

Dedico este trabalho a minha mãe Tereza Cristina, ao meu pai Francisco de Jesus,

a minha avó Therezinha Telles e ao meu avô Jalsedyr Telles, por sempre acreditarem

em mim e me oferecerem toda a atenção, dedicação, paciência, ajuda, carinho e amor,

desde meus primeiros instantes de vida.

Principalmente a minha mãe, por toda sua persistência e dedicação em relação à

minha educação como pessoa e aos meus estudos.

Agradecimentos

Primeiramente a minha mãe, ao meu pai, a minha avó e ao meu avô.

À minha tia Telma, meu tio Jalsedyr, minha prima Ericka, minha prima Beattriz, a

minha madrinha Nadyr e a Rachel.

Ao meu orientador Jurandir Nadal, pela confiança, incentivo, paciência, dedicação

e pelo exemplo de inteligência e profissionalismo.

Ao Roger, meu orientador e amigo desde minha graduação, primeiramente por me

apresentar o mundo da ciência e a engenharia biomédica, pelo seu exemplo de

profissional, inteligência e por todas suas críticas ao longo destes anos que me levam

sempre a melhorar.

Aos professores do Programa de Engenharia Biomédica, que me proporcionaram

grandes ensinamentos.

Aos meus amigos do LAPIS e de outros laboratórios, que me proporcionaram um

período de mestrado gratificante tanto do ponto de vista profissional quanto pessoal,

pela sua amizade e companheirismo, em especial ao Felipe meu amigo de laboratório

desde a graduação.

A todos meus amigos que além de me incentivarem, também me “aturaram”

durante esse período.

À CAPES pelo apoio financeiro.

vii

Resumo da Dissertação apresentada à COPPE/UFRJ como parte dos requisitos

necessários para a obtenção do grau de Mestre em Ciências (M.Sc.)

ANÁLISE DE COMPONENTES PRINCIPAIS DO ELETROMIOGRAMA NO

DOMÍNIO DA FREQUÊNCIA EM EXERCÍCIOS CICLOERGOMÉTRICOS

Igor Ramathur Telles de Jesus

Junho/2010

Orientador: Jurandir Nadal

Programa: Engenharia Biomédica

O objetivo deste trabalho foi desenvolver uma ferramenta computacional para

monitorar a fadiga muscular (FM) em sinais de eletromiografia de superfície durante

exercícios cíclicos. Os métodos tradicionalmente utilizados para esse fim, como a

frequência média e mediana, apresentam limitações em exercícios de menor

intensidade. Esta ferramenta foi desenvolvida utilizando a análise de componentes

principais dos espectros de frequência do eletromiograma de cada ciclo de atividade

mioelétrica. Os trechos de sinal foram delimitados utilizando-se um limiar fixo de seis

desvios padrões da média do sinal em sua fase de atividade reduzida, e os espectros

foram estimados com a transformada discreta de Fourier. Utilizando os coeficientes das

componentes principais, foi definido um ponto de referência e a partir deste foram

calculadas as distâncias Euclidiana e padrão para cada ciclo de atividade mioelétrica. A

técnica foi aplicada em sinais coletados do músculo vasto lateral direito de 24 adultos

jovens, do sexo masculino, durante testes de esforço progressivo, iniciado em 12,5 W,

com incremento de 12,5 W/min. e cadência de 50 rpm, até exaustão voluntária. Para

comparação, foram também calculadas as frequências média e mediana dos sinais.

Tanto a distância Euclidiana quanto a distância Padrão apresentaram diferenças

significativas quando comparados os seus valores medios dos 40 ciclos iniciais com e

dos 40 ciclos finais, utilizando o teste t de Student (p << 0,001), o que não ocorreu com

os valores médios das frequências média e mediana. Deste modo, propõe-se o emprego

do método proposto para a análise da FM durante exercícios cíclicos.

viii

Abstract of Dissertation presented to COPPE/UFRJ as a partial fulfillment of the

requirements for the degree of Master of Science (M.Sc.)

PRINCIPAL COMPONENT ANALYSIS OF FREQUENCY DOMAIN

ELECTROMIOGRAM IN CICLE ERGOMETER EXERCISES

Igor Ramathur Telles de Jesus

June/2010

Advisor: Jurandir Nadal

Department: Biomedical Engineering

This work aimed at developing a computer tool to monitor the muscular fatigue

(MF) in signs of surface electromyography during cyclical exercises. Traditional

methods adopted for this purpose, as the mean and median frequency present limitations

when used in low intensity exercises. This tool was developed using the principal

components analysis of the frequency spectra of each cycle of myoelectric activity. The

epochs of myoelectric activation were delimited by a fixed threshold of six standard

deviations of the mean signal in its period of reduced activation, and the spectra were

estimated used discrete Fourier transform. Using the coefficients of the principal

components, a reference point was defined for calculating the Euclidean and standard

distances to each cycle of myoelectric activity. The method was applied in signals of

right vastus lateralis muscle collected from 24 young male adult subjects during

progressive effort test, started in 12.5 W, with 12.5 W/min increments and 50 rpm

cadence, until voluntary exhaustion. For comparison were also calculated the mean and

median frequencies of the signals. Both Euclidean and standard distances presented a

significant difference when compared the average values for the 40 initial cycles with

and the 40 final cycles, using Student t-test (p << 0.001), which did not occur with

average values of mean and median frequency. Thus, this method is proposed for the

analysis of MF during cyclical exercises.

SUMÁRIO

CAPÍTULO 1

–

INTRODUÇÃO

.................................................................................

1.1 Objetivos..............................................................................................................

1.1.1. Objetivo Geral............................................................................................

1.1.2. Objetivos Específicos.................................................................................

1.2 Hipóteses..............................................................................................................

CAPÍTULO 2

REVISÃO DA LITERATURA

........................................................

2.1. Fadiga Muscular..................................................................................................

2.2. Fisiologia Muscular.............................................................................................

2.3. Eletromiografia....................................................................................................

2.3.1. Técnica.......................................................................................................

2.4. Fadiga e Eletromiografia.....................................................................................

CAPÍTULO 3

–

FUNDA

MENTAÇÃO TEÓRICA

....................................................

3.1. Transformada Discreta de Fourier...................................................................... 26

3.2. Análise de Componentes Principais....................................................................

3.2.1. Interpretação Geométrica da ACP............................................................. 29

3.2.2. Cálculo das Componentes Principais.........................................................

3.2.3. Cálculo dos Coeficientes das Componentes Principais..............................

3.2.4. Distribuição da Variância pelas Componentes Principais ........................ 33

3.2.5. Determinação do Número de Componentes Principais Utilizadas............ 33

3.2.6. Distância Euclidiana e Padrão ...................................................................

CAPÍTULO 4

–

MATERIAIS E MÉTODOS

...............................................................

4.1. Casuística............................................................................................................ 37

4.2. Protocolo.............................................................................................................

4.3.

Aquisição e Digitalização dos Sinais..................................................................

4.4 Pré-processamento............................................................................................... 39

4.4.1. Filtragem e Reamostragem.........................................................................

4.4.2. Identificação dos Instantes de Atividade Mioelétrica Efetiva....................

4.4.3. Separação dos Instantes de Atividade Mioelétrica Efetiva........................

4.4.4. Aplicação de Janela Hanning.....................................................................

4.5 Processamento ................................................................................................... 43

4.5.1. Obtenção de Espectros de Frequência....................................................... 43

4.5.2. Alisamento Espectral................................................................................. 44

4.5.3. Cálculo de Frequência Média e Mediana.................................................. 45

4.5.4. Separação de Faixas de Frequência........................................................... 46

4.5.5. Cálculo de Componentes Principais...........................................................

4.5.6. Avaliação do Número de Componentes Principais a Serem Utilizadas.... 49

4.5.7. Cálculo de Distâncias Padrão e Euclidiana................................................

4.5.8. Análise Estatística......................................................................................

CAP

ÍTULO 5

–

RESULTADOS

...................................................................................

5.1. Frequência Média e Mediana

.............................................................................

5.2. Faixas de Frequência ........................................................................................ 55

5.3. Análise de Componentes Principais....................................................................

5.4. Distância Euclidiana

...........................................................................................

5.5. Distância Padrão

.................................................................................................

5.6. Comparação dos Gráficos de Distâncias com os Valores de Amplitude dos

Sinais ...................................................................................................................

5.7. Análise de Diferença Entre o Início e o Final do Exercício ...............................

CAPÍTULO 6

–

DISCUSSÃO

.......................................................................................

6.1. Utilização do Espectro de Frequência e a Transformada de Fourier..................

6.2. O Cálculo de Frequências Médias e Medianas...................................................

6.3. Análise do Espectro em Faixas de Frequência...................................................

6.4. A Análise de Componentes Principais e o Cálculo das Distâncias....................

CAPÍTULO 7

–

CONCLUSÃO

....................................................................................

REFERÊNCIAS BIBLIOGRÁFICAS

ANEXO I

.........................................................................................................................

ANEXO I

....................................................................................................................... 89

ANEXO III

......................................................................................................................

ANEXO IV

......................................................................................................................

ANEXO V

........................................................................................................................

ANEXO VI

......................................................................................................................

CAPÍTULO 1

INTRODUÇÃO

Atualmente existe uma crescente preocupação com relação à prevenção e ao

tratamento de doenças e lesões. Dentre essas doenças e lesões pode-se citar: doenças

neurológicas de origem genética ou não, lesões neurológicas centrais e periféricas,

doenças e lesões osteomioarticulares, doenças ocupacionais relacionadas ao trabalho

(DORTs), lesões relacionadas a esportes (principalmente osteomioarticulares), entre

outras. Doenças e lesões, independente de quais sejam, geram sempre um impacto

sócio-econômico, mesmo que este seja em pequena escala. Entretanto em casos como as

DORTs, o impacto, principalmente econômico, é demasiadamente grande atualmente,

tanto para empresas privadas quanto para os governos. Além disso, em algumas doenças

ou lesões neurológicas, diversas pessoas são retiradas do convívio social a cada ano,

gerando um impacto econômico e principalmente social (FUKUDA et al., 1994;

BOUZUBAR, 2003; SURAKKA et al., 2004; SCHILLINGS et al., 2007).

Em grande parte destas doenças e lesões, a fadiga muscular (FM) está envolvida,

seja como sintoma ou como uma das causadoras das mesmas. Algumas doenças nas

quais a FM está presente entre os sintomas são: distrofia miotônica, distrofia muscular,

esclerose lateral amiotrófica, esclerose múltipla, fibromialgia, neuropatia sensório

motora, osteoartrite, síndrome da fadiga crônica, falência renal crônica, insuficiência

cardíaca congestiva, câncer, AIDS e doença pulmonar obstrutiva crônica (FUKUDA et

al., 1994; BOUZUBAR, 2003; UMPHRED, 2004; SURAKKA et al., 2004;

VALKEINEN et al., 2006; SCHILLINGS et al., 2007; EVANS e LAMBERT, 2007).

Logo, o estudo da FM tem grande importância na prevenção, no diagnóstico e no

tratamento destas doenças e lesões, visando a minimização dos impactos sociais e

econômicos, e consequentemente a melhora do bem estar social da população.

A FM vem sendo estudada há décadas, com o intuito de se desvendar seus

mecanismos e criar métodos de identificação e mensuração da mesma. Para KAMEN e

CALDWELL (1996), a FM pode ser descrita como o ponto de exaustão, no qual não é

possível sustentar a força ou a potência requerida. Entretanto a FM é melhor

conceituada como um fenômeno progressivo: durante exercícios intensos ou

prolongados é imperceptível no início, se acentua após um determinado momento e

atinge seu clímax no ponto de exaustão, quando o sujeito não consegue prosseguir.

Diversos autores dividem a origem da FM em central e periférica, porém alguns estudos

mostram a ocorrência destas em concomitância. Segundo THEOU et al. (2008), a

distinção entre central e periférica pode ser feita por meio da determinação do

mecanismo que predomina durante a ocorrência da FM. Alguns autores procuraram

analisar a FM através da identificação de limiares metabólicos, como o limiar

anaeróbio. Isto foi possível por ambos estarem intimamente ligados, fazendo com que

ocorram simultaneamente (MERTON, 1954; THEOU et al., 2008).

A eletromiografia de superfície (SEMG) é uma técnica de registro da atividade

elétrica de um ou mais músculos. O eletromiograma (EMG) é gerado a partir da

somação dos potenciais de ação de diversas unidades motoras (UMs), a qual pode ser

explicada pelo princípio da sobreposição, fazendo com que ocorra um efeito cumulativo

sobre a tensão elétrica resultante das UMs, captada pelos eletrodos (DE LUCA, 1997).

Logo, as variações no EMG têm forte relação com a ocorrência da FM. Como a FM tem

componentes centrais e periféricos, a análise do EMG de um músculo para identificação

e mensuração da FM tem ainda maior importância, uma vez que a SEMG sofre

influências centrais e periféricas. Por exemplo, os potenciais de ação que promovem a

ativação neuromuscular têm origem central, porém sua propagação e as respostas das

UMs dependem de fatores periféricos (ASMUSSEN, 1979; THEOU et al., 2008).

Os estudos sobre a ocorrência de FM são, em alguns casos, pouco aprofundados

do ponto de vista das técnicas de processamento e análise. O desenvolvimento de

ferramentas para identificação e mensuração da FM, é de grande importância para a

proposição de métodos de diagnósticos e para desenvolver e aperfeiçoar de técnicas de

tratamento e treinamento. Para alcançar estes objetivos, são de extrema importância o

estudo, desenvolvimento e a implementação de métodos de processamento de sinais de

SEMG.

Para a análise da FM por meio de SEMG, análises no domínio do tempo e da

frequência são realizadas. No domínio do tempo o fenômeno mais utilizado é o aumento

da energia do sinal, comumente medido pela magnitude do valor eficaz (root mean

square – RMS) ou do valor médio retificado ( average values retified – AVR). Quando

o domínio da frequência é analisado, os parâmetros mais utilizados são a frequência

média (F

média

) e a frequência mediana (F

mediana

), a FM é identificada pela diminuição no

valor destes índices. Apesar destes métodos de identificação da FM serem amplamente

estudados, estes parâmetros são criticados e em muitos casos apresentam baixa

especificidade e acurácia. Devido a isso outros métodos de identificação e mensuração

da FM são estudados, utilizando diferentes ferramentas de processamento e análise

estatística, tais como: redes neurais artificiais, análise de componentes independentes,

análise de componentes principais (ACP) e análise da velocidade de condução do

potencial de ação (PA) (BASMAJIAN e DE LUCA, 1985; GEORGAKS et al., 2003;

KARLSSON et al., 2003; DIMITROV et al., 2008).

O tipo de exercício executado, aparentemente, apresenta grande importância para

a eficácia do método de identificação da FM. Na maioria dos estudos que utilizaram a

média

e a F

mediana

, o protocolo envolveu exercícios intensos, nos quais a FM foi

alcançada rapidamente (PINCIVERO, 2001 e 2006). Quando a FM foi analisada em

exercícios progressivos, em esteiras ou em cicloergômetros, estes índices não foram

eficazes (KNAFLITZ, 2003).

Diante do apresentado, se torna explicita a necessidade do estudo e

desenvolvimento, de ferramentas mais eficazes para a identificação e mensuração da

FM.

1.1 – Objetivos

1.1.1 – OBJETIVO GERAL

Este trabalho tem por objetivo desenvolver uma ferramenta computacional para

análise da FM a partir da SEMG, durante testes de esforço com aumento progressivo da

intensidade até a exaustão.

1.1.2 – OBJETIVOS ESPECÍFICOS

• Identificar e separar cada intervalo de atividade mioelétrica efetiva (IAME)

• Testar a aplicação de índices tradicionalmente utilizados para identificar a FM a

partir da SEMG.

• Verificar a variação da energia do sinal em diferentes faixas de frequência,

durante a execução do exercício.

• Verificar a variabilidade do sinal de SEMG ao longo do exercício através da

ACP e do cálculo das distâncias padrão (DP) e Euclidiana (DE).

1.2 – Hipóteses

• Os espectros de frequência dos EMGs coletados durante a execução de

determinado exercício possuem uma variabilidade associada. À medida que a

FM se acentua durante a execução do exercício, a variabilidade entre os

espectros de frequência aumenta. A monitorização desta variabilidade pode ser

utilizada para observar a ocorrência da FM durante o exercício.

• A ACP pode ser utilizada como um método de analisar a variação entre os

espectros de frequência. Neste método cada IAME será representado por um

ponto num espaço N-dimensional, facilitando assim a análise. Este ponto,

correspondente aos coeficientes de N componentes principais, leva em conta a

variância de todo o espectro. As DP e DE podem ser usadas após o cálculo das

componentes principais (CPs), como uma forma de quantificar a variabilidade

dos espectros em relação a uma medida central.

• Um método de análise da variação dos espectros de frequência, levando em

consideração todo o espectro, pode ser uma técnica mais precisa do que as

atualmente utilizadas, as quais são realizadas apenas pela monitorização do

comportamento de um único parâmetro extraído do espectro, como a F

média

e a

mediana

• A análise da FM em exercícios progressivos, nos quais a FM ocorre de maneira

mais lenta e progressiva, e onde possivelmente outras variáveis estão presentes

em seu mecanismo, não pode ser realizada a partir das técnicas tradicionais, na

maioria dos casos. Entretanto, utilizando a ACP esta dificuldade pode vir a ser

superada.

CAPÍTULO 2

REVISÃO DA LITERATURA

2.1 – Fadiga Muscular

A FM vem sendo pesquisada há décadas e discutida por diversos pesquisadores de

todo o mundo. Atualmente estas pesquisas se intensificam a cada vez mais, visto que a

necessidade de um melhor entendimento de seus mecanismos de ação e o

desenvolvimento de métodos para sua identificação e mensuração é essencial. Apesar

dos anos e do grande volume de pesquisas na área, ainda não existe um consenso nem

mesmo em relação à definição do que é a FM. Além disso, alguns mecanismos de

ocorrência da FM ainda não estão totalmente esclarecidos.

BIGLAND-RITCHIE et al.(1986) e FITTS e HOLLOSZY(1976) definiram a FM

como sendo apenas uma redução na capacidade de desenvolver força. Por sua vez,

ASMUSSEN (1979), considerou que a FM está presente quando a resposta contrátil está

abaixo da resposta esperada ou antecipada, para determinada estimulação. JONES et al.

(1982), consideraram que a ocorrência de fadiga em baixa frequência é reconhecida

quando a resposta contrátil para estimulações de baixa frequência está diminuída,

enquanto concomitantemente a resposta para estimulações de alta frequência não é

afetada. SERGEANT (1994) definiu a FM como sendo simplesmente uma queda na

capacidade de geração de força máxima. Segundo KAMEN e CALDWELL, em 1996, a

FM pode ser descrita como o ponto no qual não é possível sustentar a força ou a

potência requerida. A FM também pode ser expressa como sendo um declínio da força

ou do tempo que a força pode ser requerida e mantida durante determinado exercício,

segundo SCHWENDNER et al. (1997) e SMOLANDER et al. (1998). Mais

recentemente, em 2002, MACINTOSH e RASSIER afirmaram que a FM pode ser

identificada quando a resposta contrátil está diminuída para determinada contração.

Estas são algumas das definições da FM, que foram criadas ao longo dos anos de

pesquisa na área. Devido ao grande número de definições, ABBISS e LAURSEN, em

2005, definiram que a FM é uma construção hipotética que possui vários significados,

os quais são baseados no contexto em que são utilizados. No presente estudo, será

considerada como FM a perda progressiva da capacidade de geração de força, durante a

execução de um determinado exercício.

A FM é geralmente dividida, em relação à sua origem, como: central e periférica.

Os mecanismos centrais estão relacionados com a presença de fenômenos envolvendo

comandos encefálicos e medulares (ENOKA, 1995; GANDEVIA, 2001).

Quando a FM é induzida e um estímulo elétrico externo é capaz de evocar um

aumento da força, a origem da fadiga é central (MERTON, 1954; GANDEVIA, 2001).

Um dos primeiros relatos sobre a fadiga central foi apresentado em 1904, por

Alessandro Mosso (GANDEVIA, 2001). Entre as causas de fadiga central estão o

acúmulo de amônia, a qual pode causar ataxia cerebelar (BANISTER e CAMERON,

1990), o estímulo hipotalâmico pela serotonina (NEWSHOLME, 1986;

BLOMSTRAND, 2001), o que pode diminuir a motivação durante o esforço

(NEWSHOLME, 1986; GUYTON e HALL, 2002), e a presença de doenças que afetam

o sistema nervoso central, como a esclerose múltipla e a esclerose lateral amiotrófica

(SURAKKA et al., 2004; UMPHRED, 2004).

Quando o mecanismo de fadiga tem origem no neurônio motor alfa ou em regiões

distais, esta é considerada de origem periférica. Estes mecanismos incluem diversas

alterações como reações químicas locais, alterações nas estruturas periféricas como as

unidades motoras, além de vários outros tipos de reações no meio intracelular

(MERTON, 1954; ENOKA, 1995; GANDVEIA, 2001). Entretanto esta separação entre

as origens da FM é frequentemente questionada, sendo geralmente aceito que a fadiga

seja um processo complexo, no qual estão presentes fatores de origem tanto central,

quanto periférica (THEOU et al., 2008).

O mecanismo de ocorrência da FM, como citado anteriormente, sofre influência

de diversas alterações químicas. Estas alterações incluem a formação e o acúmulo de

metabólitos, a alteração na concentração e na absorção de determinados elementos

como o Ca

, entre outras. A diminuição da liberação de Ca

pelo retículo

sarcoplasmático pode causar prejuízo na transmissão neuromuscular, atenuação dos

potenciais de membrana, prejuízo dos sensores de voltagem, descontinuidade da

comunicação entre o receptor de dihidropiridina e o receptor de rianodina, e a

diminuição da concentração de Ca

nas cisternas terminais (MACINTOSH e

RASSIER, 2002). Além disso, outros fatores ligados ao Ca

estão envolvidos no

mecanismo da FM, como o aumento do acúmulo de fosfato inorgânico e íons H

, que

leva à redução da sensibilidade ao Ca

, além de diminuir a concentração de Ca

livre

(FRYER et al., 1995; KABBARA e ALLEN, 1999). Outros mecanismos responsáveis

por esta diminuição da concentração de Ca

nas cisternas terminais podem ser:

deslocamento de Ca

para as mitocôndrias ou retículo sarcoplasmático longitudinal,

perda de Ca

a partir das células e a precipitação do Ca

com o fosfato inorgânico

dentro do reticulo sarcoplasmático. Esta redução de concentração gera uma diminuição

do Ca

ligado à troponina, o que leva à diminuição da força desenvolvida

(MACINTOSH e RASSIER, 2002). Outros estudos mostraram que a depleção do

glicogênio muscular e de intermediários do ciclo do ácido tricarboxílico também

apresentam forte ligação com a ocorrência da FM (LEE e DAVES, 1979; SPENCER et

al., 1991; WELTAN et al., 1998). A concentração de íon H

é também um fator de

grande importância na ocorrência da FM. O aumento da concentração deste íon altera o

pH intracelular, o que altera o mecanismo da contração muscular. Entretanto autores

como MCCURLY et al. (2002) e PATE et al. (1995), identificaram que esta influência

do pH na FM ocorre com mais intensidade em baixas temperaturas e que em

temperatura fisiológica é bem reduzida (50 % em estudos a 10 ºC e de apenas 18% a

30 ºC) (PATE et al., 1995).

2.2 – Fisiologia Muscular

Os movimentos e a estabilidade do corpo humano dependem diretamente dos

músculos estriados esqueléticos. Para tal, existem mais de 600 destes músculos em todo

corpo. Uma das características que distinguem este tipo de musculatura das demais é o

fato de ter células multinucleadas (MC ARDLE et al., 2006; SILVERTON, 2003).

Os músculos são organizados em vários níveis: inicialmente todo o músculo é

envolto pelo epimísio. O músculo se divide em fascículos, os quais são feixes de até 150

fibras musculares, sendo cada fascículo envolto pelo perimísio. Cada fascículo, por sua

vez, pode ser dividido em fibras musculares, as quais são recobertas pelo endomísio. As

estruturas que envolvem cada nível de organização (ex. epimísio) são camadas formadas

por tecido conjuntivo. Nas fibras musculares, diferentemente das outras estruturas, em

torno da fibra e abaixo do endomísio existe uma estrutura denominada sarcolema. O

sarcolema contém uma membrana plasmática e uma basal. Esta membrana plasmática é

responsável pela condução da onda eletroquímica de despolarização pela fibra muscular

(MC ARDLE et al., 2006).

Cada fibra muscular contém varios sarcômeros, que são a unidades funcionais

responsáveis pela contração muscular. Cada sarcômero compreende diversas estruturas,

dentre estas se destacam as proteínas actina e miosina. O deslocamento da actina sobre a

miosina, depois a um processo complexo que envolve outras estruturas, promove a

contração muscular (MC ARDLE et al., 2006).

A contração muscular é o resultado do deslizamento dos filamentos de actina em

direção ao centro do sarcômero, causado pela tração mecânica gerada pelos filamentos

de miosina. Esta junção entra os filamentos de miosina e actina, onde ocorre a tração, é

chamada de ponte cruzada.

Para que ocorra a contração muscular, é necessário inicialmente que chegue um

PA. O PA é de origem nervosa, consequentemente este chega à fibra muscular por meio

de fibras nervosas. As fibras nervosas que inervam as fibras musculares são calibrosas e

mielinisadas, e se originam de grandes motoneurônios, localizados nas pontas anteriores

da medula espinhal. Cada uma destas fibras nervosas inerva um número determinado de

fibras musculares, podendo variar de poucas unidades até centenas. A junção entre as

fibras musculares e nervosas é chamada de junção neuromuscular. As fibras nervosas,

após se ramificarem e penetrarem no músculo, ficam situadas sobre a membrana

plasmática da mesma, sendo este local denominado placa motora. Quando o PA chega à

sinapse da placa motora, ele libera acetilcolina, que por sua vez regula a abertura dos

canais de Na

“voltagem dependentes”, promovendo a entrada de íons Na

para o

interior da fibra. Este processo altera o potencial da placa motora e desencadeia a

propagação do PA nas fibras musculares.

O aumento da concentração de Ca

no meio intracelular provoca uma liberação

adicional de Ca

pelo retículo sarcoplasmático. A entrada dos íons Ca

na miofibrila

promove a ativação da força de tração dos filamentos de miosina em relação aos de

actina, como anteriormente citado, promovendo assim a contração muscular. Entretanto

o PA se propaga apenas na superfície da fibra muscular, não alcançando todas as

miofibrilas existentes no músculo. Para que este PA chegue a todas as miofibrilas

existentes no músculo, este é transmitido através dos túbulos transversos, os quais

atravessam toda a fibra muscular.

Um fator importante para a contração muscular e consequente produção de força é

a orientação das fibras musculares. As fibras fusiformes se encontram paralelas ao eixo

longitudinal do músculo, enquanto as fibras peniformes possuem um “ângulo de

penação”, o qual tem grande importância na produção de força, no comprimento das

fibras e consequentemente na capacidade do músculo de se encurtar (MC ARDLE et al.,

2006).

Existem diferentes tipos de fibras musculares; a principal divisão distingue entre

as fibras de contração rápida e as fibras de contração lenta. Porém, existem diversos

outros tipos de subdivisões. As fibras de contração lenta, como o nome diz, se contraem

mais lentamente e produzem menor força, quando comparadas ao outro tipo de fibra,

entretanto apresentam uma maior capacidade de resistência. As fibras de contração

rápida, por sua vez, apesar de sua alta velocidade de contração e capacidade de

produção de força, entram em exaustão rapidamente. O controle da qual tipo de fibra

será acionado funciona como um tipo de modulação de frequência. A frequência de

disparo de um neurônio motor varia de 8 Hz, em contrações que requerem uma força

reduzida, a 25 Hz, em exercícios de força máxima. Esta variação é responsável pelo

controle e pelo recrutamento de diferentes tipos de fibras musculares (KANDEL et al.,

1997).

Como descrito anteriormente cada neurônio motor controla um determinado

número de fibras musculares. Este número de fibras, aparentemente, tem ligação direta

com a função de cada músculo. Músculos que são responsáveis por movimentos menos

complexos, como a extensão de joelho, possuem neurônios motores controlando um

grande número de fibras, enquanto em músculos responsáveis por movimentos mais

complexos, como os músculos das mãos, possuem neurônios motores que controlam um

numero restrito de fibras musculares (LAMB e HOBART, 1992; GUYTON e HALL,

2002; MC ARDLE et al., 2006).

A contração muscular é responsável por produzir a força necessária para

determinado movimento. Porém o mesmo movimento necessita de graus diferentes de

força dependendo da tarefa que se pretende realizar. Este controle da gradação de força

é realizado pelo sistema nervoso através do controle do número de UMs recrutadas e da

frequência dos estímulos enviados para estas UMs. O aumento, tanto do número de

UMs recrutadas, como da frequência dos estímulos enviados para cada UM, gera um

aumento da força produzida pela contração muscular (LAMB e HOBART, 1992; MC

ARDLE et al., 2006).

2.3 – Eletromiografia

A SMEG é utilizada para o registro da atividade elétrica de um ou mais músculos.

O termo eletromiografia foi proposto por Maley em 1890 para o registro da atividade

elétrica muscular. Atualmente a SEMG é amplamente utilizada em diversas áreas de

conhecimento, como na anatomia, fisiologia, biomecânica e em diversas subáreas

relacionadas (KLESSEN et al., 1998).

O EMG é gerado a partir da somação dos potenciais elétricos de diversas UMs, a

qual pode ser explicada pelo princípio da superposição, fazendo com que ocorra um

efeito cumulativo sobre a tensão elétrica resultante das UMs, captada pelos eletrodos.

Algumas aplicações desta técnica são a estimação da força muscular, a determinação do

inicio e fim da atividade mioelétrica e a mensuração e identificação da FM (DE LUCA,

1997).

A somação de potenciais elétricos é diretamente afetada pela musculatura

estudada, fatores como volume muscular (número de UMs), tipo de músculo, tipo de

fibra muscular, entre outros. Em musculaturas de grande volume e, consequentemente,

grande número de UMs, além dos efeitos ocasionados pelo número de potenciais de

ação somados, ocorre um efeito denominado filtragem espacial. Esta filtragem ocorre

devido à atenuação do potencial elétrico de UMs mais profundas ao passar pelos tecidos

acima até chegar à superfície da pele (JENSEN et al., 2000; MERLETTI e PARKER,

2004).

Quando analisado o espectro de frequência de um EMG, verifica-se que 95% de

sua energia se concentra na faixa de frequência entre 10 e 400 Hz, sendo os outros 5%

da energia do sinal fortemente relacionados à presença de ruídos e interferências.

Devido a isto, para obedecer ao critério de Nyquist é preciso amostrar um sinal de

SEMG em no mínimo 800 Hz. Adicionalmente, para evitar a ocorrência do fenômeno

de aliasing, é fundamental a utilização de um filtro passa-baixas com frequência de

corte igual ou inferior à metade da frequência de amostragem (BASMAJIAN e DE

LUCA, 1985; HERMENS et al., 1999; MERLETTI e PARKER, 2004).

O EMG pode ser classificado como um sinal estocástico e não estacionário. Logo,

ao se calcular qualquer parâmetro a partir deste sinal, esta será uma variável aleatória

correspondente a uma estimativa do valor real, com variância e tendência associadas, e

dependente do tipo de estimador e da duração do sinal considerada. Estes sinais são

classificados como não estacionários não apenas em exercícios dinâmicos, mas também

em contrações isométricas. Entretanto, a não estacionariedade nesses dois casos pode

ser gerada por eventos distintos. No caso da contração isométrica ela frequentemente é

gerada pela ocorrência de fadiga durante a execução do exercício. Em exercícios

dinâmicos a não estacionariedade é causada, não apenas pela fadiga decorrente do

exercício, mas principalmente pela variabilidade do próprio sinal, quer pela própria

dinâmica do movimento, quer pela presença de artefatos de movimento no sinal

(BASMAJIAN e DE LUCA, 1985; MERLETTI e PARKER, 2004).

A análise do EMG pode ser realizada de diversas maneiras e com diversas

ferramentas, porém os métodos mais utilizados são o processamento no domínio do

tempo e da frequência. No domínio do tempo são mais utilizados os estimadores de

amplitude, destacando-se o RMS e o AVR. Na figura 2.1 é mostrado um sinal de SEMG

de uma contração durante exercício em cicloergômetro, e seu respectivo sinal RMS,

calculado a cada cinco amostras.

Figura 2.1: EMG de uma contração durante exercício de cicloergômetro e seu

respectivo sinal RMS.

No domínio da frequência, inicialmente, algumas transformadas são utilizadas

para obter o espectro de frequência do sinal, sendo mais utilizada a transformada de

Fourier. Recentemente, têm sido propostas transformadas que visam descrever os dados

no domínio tempo-frequência, tais como as transformadas de Wigner-Ville e Choi-

Williams, ou tempo-escala, com o emprego de wavelets. Para a representação tempo-

frequência, tem sido também usada a Short Time Fourier Transform, nesta o sinal é

dividido em trechos consecutivos, superpostos ou não, nos quais a transformada é

aplicada. Este é o método de tempo-frequência mais aplicado em sinais de SEMG.

Obtido o espectro de frequência, este passa a ser analisado e processado,

particularmente para a determinação da F

média

e da F

mediana

(BONATO et al., 2001;

MACISAAC et al., 2001; KARLSSON et al.,2003; GEORGAKS et al., 2003;

DIMITROV et al., 2008). Além destes índices diversos outros têm sido propostos e

testados, porém, até os dias atuais nenhum apresentou destaque significativo no meio

científico. Dentre outros métodos de análise do espectro de frequência existem a análise

de componentes independentes, aplicações de redes neurais para verificar variações,

ACP, entre outros. A ACP tem sido utilizada de diferentes formas pelos pesquisadores,

contudo sempre procurando identificar um padrão de sinal e a variação dos demais

sinais em relação a este padrão. Na figura 2.2 é apresentado o espectro de frequência de

uma contração, durante exercício em cicloergômetro e seus respectivos valores de F

média

e F

mediana

Figura 2.2: Espectro de frequência do EMG durante uma contração e seus respectivos

valores de F

média

e F

mediana

2.3.1 – TÉCNICA

Ao longo dos anos foram desenvolvidos diversos equipamentos para aquisição de

SEMG, utilizando diferentes técnicas para aquisição dos sinais. Estas técnicas foram

desenvolvidas com o propósito de minimizar a presença de ruído nos sinais coletados,

evitar a perda ou modificação do sinal original devido à interface eletrodo-pele e

durante a transformação de energia iônica em energia elétrica, ou melhorar a resolução

espacial dos sinais, entre outros fatores que afetam a qualidade dos sinais. Para tal, tipos

diferentes de metal têm sido testados para compor os eletrodos, são adicionados

diferentes tipos de gel condutor, os sinais passaram a ser pré-amplificados utilizando um

amplificador próximo aos eletrodos, o método de arranjo diferencial dos eletrodos

passou a ser usado, entre outras mudanças na forma de coleta. Mais recentemente,

visando uma melhor resolução espacial e permitir a análise de outros parâmetros, como

a velocidade de condução do potencial de ação, se passou a utilizar arranjos lineares e

até mesmo matrizes de eletrodos (MERLETTI e PARKER, 2004; MERLETTI et al.,

2009).

Atualmente o método mais comum de captura de SEMG utiliza dois eletrodos em

arranjo diferencial (Figura 2.3), porém este método apresenta problemas, como uma

baixa resolução espacial, e a colocação destes eletrodos geralmente segue medidas

padronizadas para qualquer sujeito, o que não leva em consideração as individualidades

anatômicas (MERLETTI e PARKER, 2004).

Figura 2.3: Exemplo de utilização prática da técnica de dois eletrodos em arranjo

diferencial com pré amplificação do sinal. Eletrodos posicionados para aquisição da

SEMG de vasto lateral (VL), vasto medial (VM) e reto femoral (RF). (Fonte: HUG e

DOREL, 2009)

2.4 – Fadiga e Eletromiografia

Assim como descrito anteriormente é possível identificar e analisar o processo de

FM com a utilização da SEMG. A identificação e a análise são realizadas por meio de

técnicas de processamento, no domínio do tempo e da frequência, algumas das quais já

foram anteriormente citadas. Entretanto, esta questão será abordada de maneira mais

aprofundada nesta sessão.

Atualmente existem diversos métodos e índices, os quais são utilizados com o

intuito de se extrair o máximo de informação possível dos sinais de SEMG. Alguns

autores, como Merletti (MERLETTI e LO CONTE, 1995; MERLETTI LO CONTE,

1997; MERLETTI et al., 2001; MERLETTI e PARKER, 2004; MERLETTI, 2008a;

MERLETTI, 2008b; MERLETTI et al., 2009) e De Luca (DE LUCA ,1979; DE LUCA,

1984; DE LUCA, 1985; DE LUCA, 1993; DE LUCA 1997; DE LUCA et al., 2006), se

destacam no estudo deste tipo de sinal e de suas aplicabilidades para identificação e

quantificação de diversos fenômenos. A SEMG é descrita como sendo uma importante

fonte de informação para análise da FM, isso devido à presença de informações tanto de

origem central como periférica (DIMITROV et al., 2008).

Os principais índices utilizados na monitorização e quantificação da FM são a

média

e F

mediana

, estes já foram utilizados em um grande número de trabalhos e em

grande parte apresentaram bons resultados (POTVIN e BENT, 1997; EBENBICHLER

et al., 1998; LINDEMAN et al., 1999; GEORGAKIS et al., 2003; HOSTENS et al.,

2004; TROIANO et al., 2008; TUCKER et al., 2009). Entretanto, outros índices vêm

sendo propostos, com o objetivo de criar um índice com alta sensibilidade a ocorrência

da FM, e com baixa sensibilidade a alterações não desejáveis como ruídos provenientes

do movimento de eletrodo em relação à pele (GEORGAKIS et al. 2003;

ARABADZHIEV et al., 2005; DIMITROV et al., 2008).

GEORGAKIS et al. (2003) propuseram um índice denominado frequência

instantânea média (Average Instantaneous Frequency), para monitorar a ocorrência da

FM durante o exercício. Neste estudo cada sujeito realizou uma contração isométrica a

60% da contração voluntária máxima (CVM), durante 60 s. Para avaliar o método

proposto foram calculados os índices de F

média

e F

mediana

, e posteriormente os resultados

dos três métodos foram comparados. Estes dois índices foram escolhidos por serem,

segundo os autores, os mais utilizados na literatura. Os resultados de todos os métodos

apresentaram queda ao longo do exercício. Entretanto a confiabilidade e a acurácia

foram testados e comparados com os índices tradicionais, e os resultados indicaram o

índice proposto como a melhor opção para estimação da ocorrência da FM e para o

ajuste de reta, aos valores obtidos, através de regressão linear.

Em 2005 outro índice foi apresentado por ARABADZHIEV et al., o qual foi

testado para avaliar sua sensibilidade para quantificar as mudanças na onda M ocorridas

devido a FM. O cálculo desde índice seguiu a seguinte equação:

dffPSf

)(

∫

−

(2.1)

onde FI é o novo índice, PS é a densidade de potência para a frequência f, f

= 2 Hz e

1 ou 0,5 kHz, e k é a ordem do momento espectral. Este índice foi comparado com a

de índices tradicionais como a F

média

e F

mediana

, apresentando uma sensibilidade

significativamente maior. Apesar disso, foi observado que esta sensibilidade era

diretamente afetada pelo posicionamento dos eletrodos, e também pelo comprimento

das fibras musculares.

Posteriormente, este mesmo índice foi utilizado por DIMITROV et al. (2008) com

o intuito de analisar as mudanças da amplitude do sinal e de suas característica

espectrais, durante a ocorrência de FM utilizando SEMG e eletromiografia invasiva.

Neste trabalho foram utilizados sinais simulados, seguindo o protocolo de DIMITROV

et al. (2006). A análise da amplitude dos sinais foi baseada no fato de que o aumento na

amplitude do sinal já foi relacionado por outros pesquisadores, como JENSEN et al.

(2000), ao recrutamento de mais UMs em resposta à FM. Entretanto, seria necessário

um índice mais sensível e eficaz para a quantificação da modificação ocorrida no EMG

durante a ocorrência de FM. Os resultados indicaram que o índice FI, também pode ser

aplicado para quantificar as variações do EMG decorrentes da FM durante a execução

de contrações voluntárias isométricas. Além disso, em contrações a 50% da CVM, os

fatores periféricos pareceram ser os principais responsáveis pelas mudanças ocorridas

no EMG durante os estágios finais da FM. Os índices de F

média

e F

mediana

, utilizados para

comparação se apresentaram menos sensíveis a estas alterações, e os valores de

amplitude não se mostraram eficazes na quantização de alterações neurais nos sinais

analisados.

Algumas teorias levantam a hipótese da ocorrência mudanças no espectro de

frequência dos sinais de SEMG. Isto ocorreria por uma alteração na taxa de disparo das

UMs e pelo recrutamento de diferentes tipos de fibras musculares. Estas hipóteses

incentivaram diversos pesquisadores a estudar os sinais de SEMG no domínio da

frequência. Uma séria critica feita a alguns trabalhos decorre do fato destes utilizarem a

transformada de Fourier para obterem as informações de frequência, isto porque o sinal

de SEMG é um sinal, em geral, não estacionário, o que inviabilizaria a utilização da

transformada de Fourier.

Para superar esta limitação KARLSSON et al., em 2000, estudaram a aplicação de

diferentes transformadas tempofrequência na análise de EMGs coletados durantes

exercícios dinâmicos. As transformadas utilizadas foram a short time Fourier transform

(STFT), Wigner-Ville, wavelet e Choi-Williams. Neste estudo foram utilizados sinais

simulados e sinais coletados durante a execução de exercícios. Os resultados com

ambos os sinais mostraram que a transformada de Choi-Williams foi mais eficiente. Os

valores estimados de F

mediana

foram similares em todas as transformadas. Entretanto, na

transformada de Choi-Williams os valores apresentaram variações mais suaves e

aparentemente menos “ruidosas”. Contudo apesar desta transformada apresentar os

melhores resultados, esta apresentou um alto custo computacional, sendo classificada

pelos autores como “computacionalmente inificiente”.

Posteriormente, KARLSSON et al. (2003) avaliaram a influência da diminuição

de força em exercícios dinâmicos, devido a ocorrência da FM. Foram realizados dois

tipos de exercícios, um denominado “experimento de rampa” e outro denominado “teste

de endurance”. O “experimento de rampa” foi realizado antes e depois do “teste de

endurance”. Para avaliar a ocorrência da FM foi utilizado o índice de F

mediana

e a

transformada wavelet. Além disso, foram realizados testes de regressão linear nos dados

de antes e depois do “teste de endurance” para avaliar a variação da inclinação da reta.

O teste t de Student foi utilizado para testar a significância estatística das diferenças de

inclinação. Não foram observadas diferenças significativas na relação da F

mediana

com a

força exercida, nos “experimentos de rampa” antes e depois do “teste de endurance”.

Além disso, se ressaltou a dificuldade de se analisar sinais de SEMG em contrações

dinâmicas devido à não estacionariedade observada, e também devido à considerável

variabilidade da F

mediana

por fatores como a posição de eletrodos e a variação da força

muscular. Entretanto, durante o “teste de endurance” foi observada uma diminuição

significativa da força e da F

mediana

, quando comparadas as três primeiras e as vinte

últimas contrações, o que seria esperado segundo a literatura. Apesar desde estudo

utilizar um exercício descrito como de “endurance”, é importante ressaltar que estes

exercícios tinham uma duração inferior a quatro minutos, o que pode levar a um

questionamento quanto à sua classificação como tal.

COOREVITS et al.(2008), aplicaram e compararam as transformadas STFT e

wavelet em sinais de SEMG, utilizando os valores de F

mediana

instantânea. Este estudo

concluiu que quando utilizada a inclinação da reta de regressão, calculada a partir dos

valores de F

mediana

instantânea, ambas as transformadas forneceram resultados

semelhantes. Este resultado possui grande importância, visto que diversos autores

criticam a utilização da STFT em sinais de SEMG (KARLSSON, 2000).

OLIVEIRA e GONÇALVES (2009) avaliaram o efeito do treinamento de

resistência baseado no limiar de SEMG (SEMG

lim

). Os sujeitos realizaram doze

semanas de treinamento, durante as quais foram submetidos a exercícios contra

resistência, isométricos e dinâmicos, de flexão de cotovelo. Para a determinação do

SEMG

lim

foram utilizados os índices de F

mediana

e também os valores RMS do sinal. Os

resultados indicaram uma diminuição significativa da inclinação da reta de regressão

dos valores RMS, nos músculos bíceps braquial, braquiorradial e tríceps braquial,

mudança a qual não foi observada nos valores de F

mediana

. Entretanto, nos músculos

mulltífidos, que possuem uma função estabilizadora durante o exercício, ocorreu uma

diminuição significativa da inclinação de regressão dos valores de F

mediana

. Estas

variações foram observadas apenas durante os exercícios dinâmicos. Nos exercícios

isométricos nenhuma alteração foi observada antes e depois do treinamento. Com base

nestes resultados, esses autores concluíram que a especificidade de treinamento causa

diferentes respostas entre as contrações isométricas e dinâmicas, devido aos efeitos

relacionados ao tipo de contração utilizada no treinamento, neste caso contrações

dinâmicas. Além disso, sugeriram que os parâmetros de amplitude, no caso o valor

RMS, podem ser mais eficientes para avaliação das mudanças decorrentes do

treinamento, quando comparados com parâmetros espectrais, como a F

mediana

Em 2009 um novo modelo matemático para determinação do SEMG

lim

foi

proposto por HENDRIX et al.. Este método já havia sido aplicado em sinais de

amplitude do sinal de SEMG, entretanto estes autores propuseram sua aplicação

utilizando sinais no parâmetros espectrais. Para comparação foram utilizados os valores

de torque durante o exercício. O protocolo utilizado consistiu na execução de exercícios

isométricos, com cargas correspondentes a 30, 45, 60 e 75% da CVM. Os resultados

mostraram que este método de determinação do SEMG

lim

pode ser aplicado em sinais

no domínio da frequência, e que não foram observadas diferenças nos valores de torque

associados aos valores de SEMG

lim

Mais recentemente HUG e HENDRIX (2010) discutiram a validade da utilização

do SEMG

lim

e das técnicas utilizadas para sua determinação. Segundo esses autores,

utilidade do SEMG

lim

como ferramenta para monitorizar mudanças ocorridas durante

programas de treinamento ou reabilitação, foi tomada como um consenso e um fato

indiscutível. Entretanto, ainda não foi definido na literatura um método consistente para

a determinação do SEMG

lim

, o qual possa ser utilizado em qualquer grupamento

muscular e durante qualquer tipo de exercício. Os autores mostraram que em alguns

casos a identificação do ponto de SEMG

lim

é fortemente afetada pelo tipo de método

escolhido, e que isto pode levar a variações deste ponto. Os fatores citados como

responsáveis pela dificuldade de determinação de um método único de identificação do

SEMG

lim

foram a relação não linear entre o aumento da amplitude do EMG no tempo,

uma suposta compensação entre os músculos e a distribuição não homogênia do EMG

pelo músculo. Além disso, questionaram o fato de os estudos que utilizaram SEMG

lim

não apresentarem valores de erro em seus resultados.

Outra técnica utilizada na análise de sinais de SEMG é a ACP. Diversos estudos

utilizaram esta técnica com o objetivo de classificar sinais de SEMG, entretanto de

formas diferentes. O cálculo utilizado na ACP foi semelhante na maioria dos estudos,

porém a matriz utilizada neste cálculo variava entre os trabalhos. Alguns tinham por

objetivo classificar os sinais ou os sujeitos através da ACP, contudo outros apenas

objetivaram reduzir a dimensionalidade dos sinais (PERES e NUSSBAUM, 2003).

KIRYU et al. (1997) analisaram a FM durante exercício em cicloergometro,

utilizando a ACP com dois objetivos: reduzir a dimensionalidade dos sinais e identificar

os parâmetros mioelétricos mais adequados para análise da FM. A redução de

dimensionalidade justifica-se pela grande redundância de informações, pois a coleta

utilizou um grande número de canais. Entretanto, o estudo não apontou nenhum índice

apropriado ao objetivo.

Em 2003, PERES e NUSSBAUM utilizaram a ACP como ferramenta de redução

de dimensionalidade dos sinais e identificação de diferenças entre os sujeitos analisados.

Para representação dos sinais foram utilizadas apenas as duas primeiras CPs, as quais

continham aproximadamente 70% da informação dos sinais originais, o que foi

considerado como suficiente pelos autores. Na classificação, a ACP conseguiu

identificar os sujeitos que apresentavam resultados discrepantes dos demais. Entretanto,

o critério utilizado para classificar os sujeitos como discrepantes foi totalmente

subjetivo e pouco descrito pelos autores. Esta critica foi apresentada na própria

conclusão do estudo, que considerou a técnica de ACP eficiente quando aplicada em

sinais multidimensionais, porém que necessitava de pesquisadores experientes para

analisar os resultados.

Nos estudos apresentados a ACP foi aplicada durante a análise da FM. Entretanto

esta técnica não foi efetivamente utilizada para a identificação ou quantificação da FM.

Além disso, em nenhum caso a ACP foi aplicada em sinais no domínio da frequência.

Esta abordagem será objeto do presente estudo.

CAPÍTULO 3

FUNDAMENTOS TEÓRICOS

Neste capítulo serão apresentadas as bases teóricas das técnicas utilizadas para a

análise do espectro de frequência de EMGs durante teste de esforço progressivo. Para

realização desta análise inicialmente se faz necessário a obtenção do espectro de

frequência de cada EMG, através da transformada discreta de Fourier. Estes espectros

diferem conforme a distribuição da energia do sinal varia. Para verificar esta dispersão

em torno de uma condição basal e sem a ocorrência de FM, será utilizada a ACP com

diferentes métricas de distâncias. A partir da ACP cada espectro será representado em

um espaço N-dimensional e a dispersão deles em torno de um ponto centróide, irá

representar a variação da distribuição de energia em todo o espectro de frequência.

3.1 – Transformada Discreta de Fourier

O desenvolvimento formal da análise de Fourier remonta ao início do século

dezoito a partir dos trabalhos de Jean Fourier, o qual desenvolveu uma teoria

matemática pioneira que possibilita a decomposição de qualquer função periódica com

representação matemática em funções senoidais de diferentes frequências (SHIAVI,

1999).

A representação do espectro de frequência de um sinal foi realizada inicialmente

pela série de Fourier, porém esta tem como pré-requisito que o sinal deve ser periódico.

Para superar esta limitação foi criada a transformada de Fourier, na qual um sinal não

periódico de duração limitada pode ser decomposto em componentes de frequência.

Para isto ser possível é necessário fazer o período (T) tender ao infinito (LATHI, 2005).

Esta transformada é dada pela expressão:

( )

[ ]

( )

∫

−

=≡ℑ

jwt

dtetfwFtf )(

(3.1)

onde f(t) é o sinal no domínio do tempo e F(w) o sinal no domínio da frequência.

Esta transformada foi concebida para variáveis contínuas, porém em muitos casos

uma ou ambas variáveis são discretas. Para tais casos foram desenvolvidas a

transformada de Fourier discreta no tempo e a transformada discreta de Fourier

(SHIAVI, 1999).

A transformada de Fourier discreta no tempo é utilizada quando o sinal analisado

é discreto no tempo, entretanto se mantém contínuo no domínio da frequência. Contudo

para realizar a análise computacional de sinais é necessário que estes sejam

discretizados no tempo e na frequência. Para analisar estes sinais é necessário utilizar a

transformada discreta de Fourier (SHIAVI, 1999).

∑

−

)()(

mnj

DFT

enfTmF

(3.2)

onde T é o intervalo de amostragem, n é a n-ésima amostra do sinal f(t), correspondente

a n T, e m é o m-ésimo valor do espectro, correspondente à frequência m 2π

Esta transformada é estimada pela maioria dos autores através da transformada

rápida de Fourier (FFT – fast Fourier transform), um algoritmo implementado visando

um menor custo computacional e consequentemente um menor tempo de processamento

(LYNN, 1973).

Para a obtenção de um espectro discreto, esse estimador assume que o sinal em

análise corresponde a um ciclo completo de um sinal periódico. Deste modo, a

estimativa direta a partir de um segmento limitado de sinal apresenta um espectro com

vazamento espectral, tecnicamente chamado de leakage, devido à descontinuidade

existente entre a primeira e a última amostra em análise. Para atenuar este problema

podem ser utilizadas, por exemplo, janelas do tipo Hanning (LYNN, 1973). Além disso,

o estimador direto é inconsistente, pois sua variância é proporcional ao quadrado da

função de densidade espectral de potência. O método mais simples para melhorar a

consistência é chamado periodograma de Bartlett (SHIAVI, 1999).

No periodograma de Bartlett é realizada a média de cada k espectros, diminuindo

assim a variância espectral (SHIAVI, 1999). Para cada frequencia discreta m, obtém-se:

∑

)(

(3.3)

3.2 – Análise de Componentes Principais

A ACP é uma das técnicas mais antigas e conhecidas de análise multivariada,

criada por Pearson em 1901 e desenvolvida independentemente por Hotelling em 1933

(JOLLIFFE, 2002). Esta técnica consiste em realizar combinações lineares, de forma

que a variância total dos dados originais se concentre em um número reduzido de

componentes, ortogonais entre si. Estas componentes são denominadas CPs e são

organizadas de maneira decrescente, de forma que a primeira CP é aquela que

representa a maior fração de variância dos dados originais, a segunda CP possuir a

segunda maior representação de variância e assim sucessivamente. Desta forma a ACP

visa reduzir a dimensionalidade preservando ao máximo a informação dos dados

originais (MORRISON, 1976; PEREIRA, 1983; NADAL, 1991).

Em sinais biológicos, a utilização da ACP baseia-se na interpretação de uma

sequência de N amostras consecutivas, como sendo um único ponto no espaço N-

dimensional (NADAL, 1991). Neste trabalho cada sequência de amostras consecutivas

corresponde a um espectro de frequência de um IAME, na qual cada amostra

corresponde à magnitude em determinada frequência, durante a execução de

determinado exercício.

Assim, cada espectro corresponde a um vetor no espaço N-dimensional, onde

cada harmônico corresponde à projeção do vetor nos eixos deste espaço. Através da

combinação linear anteriormente citada é realizada uma rotação e uma translação de

eixos, para desta maneira concentrar a variância em determinados eixos (CPs)

(MORRISON, 1976; PEREIRA, 1983; NADAL, 1991).

3.2.1 – INTERPRETAÇÃO GEOMÉTRICA DA ACP

Considerando um experimento de T observações (b(i), i = 1, 2, 3, 4,..., T) com três

varáveis (X1, X2, X3). Na figura 3.1 pode-se verificar que a dispersão das observações

se concentra prioritariamente no eixo x

, porém o erro decorrente da representação

apenas por este eixo é consideravelmente grande. Consequentemente a partir da

representação dos dados originais no plano cartesiano, não é possível reduzir o número

de variáveis (NADAL, 1991).

Entretanto, admitindo um novo sistema de coordenadas (y1, y2), resultante da

rotação e translação de eixos, é possível representar uma parcela considerável da

variância total no eixo y

, com um erro mínimo. A partir deste novo sistema de

coordenadas se torna possível representar cada observação apenas por uma variável,

sem incorrer em um erro significativo. Assim, a variância desprezada do eixo y

, em

diversos casos pode representar a ocorrência de fenômenos considerados desprezíveis

como ruídos, por exemplo, fazendo com que esta mudança de eixos e redução de

variáveis funcione como um tipo de “filtro” (NADAL, 1991).

Figura 3.1 – Dados originais representados tridimensionalmente (A); Dados

representados com o eixo deslocado para o centro (eixos S1, S2, S3) e após rotação e

translação do eixo (y1, y2)

É possível notar que este método realiza uma compressão dos dados originais. A

partir da ACP são obtidas N CPs, porém para sua representação são utilizadas apenas M

componentes, M << N. Estas M componentes podem representar 99,5% da variância

total, por exemplo, fazendo com que as componentes desprezadas não afetem

significativamente a representação dos dados. Este procedimento é de grande utilidade

quando o número de variáveis se torna demasiadamente grande para representação

gráfica ou até mesmo para armazenamento e processamento dos dados.

3.2.2 – CÁLCULO DAS COMPONENTES PRINCIPAIS

O cálculo das CPs é realizado inicialmente com a obtenção da matriz de

covariância ou correlação. Esta ultima é utilizada apenas quando é necessária a

padronização das escalas de valores. A matriz de covariância é dada por:

∑

−−

−

kikjijjk

xxxx

))((

(3.4)

onde N corresponde ao número de observações,

x e

x são respectivamente a média

dos valores correspondentes as amostras j e k.

A partir da matriz S a obtenção das componentes principais é possível através da

decomposição de valores singulares (JOLLIFFE, 2002). Dada a matriz de dados D, com

N observações e K variáveis, pode-se escrever:

'UL ΩD

(3.5)

onde U e Ω são matrizes (N x R), (K x R) respectivamente, L é uma matriz diagonal (R x

R) com elementos

2/1

, correspondentes aos autovalores, e R é a ordem de D.

Para provar este resultado, pode-se considerar a decomposição do produto D’.D.

kkk

N '...'')1(

222111

ωωωωωωDD'S

−

(3.6)

Assim Ω é definido como uma matriz (K

R) com colunas

ω e U como uma

matriz (N x R) onde a k-ésima coluna é dada por:

kkk

Dωu

2/1−

, k=1,2,...,R (3.7)

Portanto U, L e Ω satisfazem as condições necessárias tendo:

∑

' DωωDUL Ω

(3.8)

como esperado, a matriz cuja k-ésima coluna é

ω , é ortogonal e portanto, tem linhas

ortonormais (JOLLIFFE, 2002; MUNIZ, 2008).

Deste modo Ω, L e U conterão respectivamente os autovetores, a raiz quadrada

dos autovalores de D’D e os coeficientes dos CPs para a matriz de covariância S. Deste

modo, o maior valor de L corresponde à primeira CP, o segundo maior valor à segunda

CP, e assim sucessivamente.

3.2.3 – CÁLCULO DOS COEFICIENTES DAS COMPONENTES PRINCIPAIS

O cálculo dos coeficientes das CP de determinado vetor x, pode ser realizado a

partir da equação:

∑

nmnmm

xω

(3.9)

onde m = 1, 2, 3, 4,...,M, ω

é o n-ésimo elemento do autovetor

ω e M é o número de

CP suficiente para representar os sinais com erro mínimo, no processo de reconstrução:

∑

ωxx

(3.10)

onde

é a média do sinal x e

é o sinal reconstruído a partir do autovetor e do

respectivo coeficiente.

Assim cada padrão temporal, dado por um conjunto de amostras, passa a ser

representado por um número limitado de parâmetros, coeficientes dos CPs, os quais

possuem as características de todo o padrão, correspondentes a projeções em eixos

ortogonais. Adicionalmente é possível aplicar diferentes técnicas de análise e

processamento sobre estes coeficientes (NADAL, 1991).

3.2.4 – DISTRIBUIÇÃO DA VARIÂNCIA PELAS COMPONENTES PRINCIPAIS

Na ACP cada autovalor representa a fração da variância total representada pela

respectiva CP. Quando o método de decomposição por valores singulares é realizado, os

autovalores são ordenados de maneira decrescente. Portanto, a proporção da variância

total explicada (V) pelo k-ésimo componente principal é:

λλλ

++++

......

, k= 1, 2,..., K (3.11)

A partir desta propriedade é possível avaliar a perda de informação decorrente da

utilização de um número reduzido de CPs. Desta forma é possível determinar o número

de CPs que devem ser utilizados e quanto o conjunto de variáveis (ou amostras) pode

ser reduzido.

3.2.5 – DETERMINAÇÃO DO NÚMERO DE COMPONENTES PRINCIPAIS

UTILIZADAS

Como descrito anteriormente um dos objetivos da ACP é a redução da

dimensionalidade dos dados, facilitando seu processamento e análise. Desta forma se

faz necessária a aplicação de um método de determinação do número de componentes a

serem utilizadas. Esta determinação consiste em identificar as componentes que

concentrem uma parte suficiente da variância total, fazendo com que seja possível

descartar as outras componentes com erro não significativo.

Alguns métodos têm sido utilizados com o intuito de determinar da melhor forma

o número de componentes a serem utilizados. Dentre estes métodos podem se citados:

broken stick test, scree test e a proporção da variância total (JACKSON, 1993).

No presente estudo será utilizado o scree test. Este é um método subjetivo, no

qual é identificado o ponto de inflexão do gráfico das variâncias, o qual pode ser

representado em escala normal ou logarítmica. O número de componentes é definido

como o número da componente em que ocorre a inflexão mais 1 (Figura 3.2A)

(JACKSON, 1993). Adicionalmente foi utilizado um método adaptado do scree test, no

qual são representadas as variâncias de cada componente em percentuais da variância

total (Figura 3.2B).

Figura 3.2 – Gráfico scree (A) e gráfico scree adaptado com percentuais (B).

3.2.6 – DISTÂNCIA EUCLIDIANA E PADRÃO

O cálculo da DE é tradicionalmente utilizado para mensurar a dispersão de

determinados pontos em relação a uma referência. Este cálculo pode ser realizado a

partir da seguinte equação (DE MAESSCHALCK et al., 2000):

)(...)()(DE

prxprxprx −++−+−=

(3.12)

onde x

é o valor da variável x no eixo k e pr

é o valor do ponto de referência (PR) no

eixo k.

Entretanto, quando uma das variáveis apresenta uma variabilidade

significativamente maior do que as demais, esta recebe maior peso no cálculo da DE,

fazendo com que a informação contida nas demais variáveis contribua com menor peso.

Em 1986, FLURY e RIEDWYL propuseram o cálculo da DP, a qual leva em

consideração a variância de cada eixo. A DP foi inicialmente descrita para dados

univariados:

/||DP

xx −=

(3.13)

onde x

e x

são os pontos que se deseja verificar a diferença e σ é a raiz quadrada da

variância dos dados.

Em seguida este cálculo foi expandido para ser utilizado em dados multivariados:

∑

−

)(

pry

(3.14)

onde y

é o valor do sinal no eixo i, pr

é o valor do PR no eixo i e

é a variância no

eixo i.

Quando realizada esta expansão, nota-se que a DP representa a raiz quadrada da

distância Mahalanobis (DM), dada pela seguinte equação (MOGHADDAM e

PENTLAND, 1997; JOLLIFFE, 2002):

)()'(DM

xxxx −−=

−

(3.15)

onde x é a coordenada do sinal,

é a médias dos valores de

e S

-1

é a matriz inversa

da matriz de covariância dos sinais. A DM também pode ser expressa através da

simplificação (MOGHADDAM e PENTLAND, 1997):

DM DP

∑

(3.16)

onde

y é o quadrado da variável y no eixo i e

é a raiz quadrada da variância dos

valores de y.

No presente estudo os dados de cada eixo correspondem aos coeficientes de cada

CP e as variâncias são as variâncias de cada CP. Desta forma a DP e a DE

correspondente a cada IAME podem ser calculadas, em relação a um PR.

CAPÍTULO 4

MATERIAIS E MÉTODOS

4.1 – Casuística

Participaram do estudo 24 sujeitos, todos do sexo masculino, com idade 25 ± 7

anos, massa corporal 77,9 ± 14,5 kg (média ± desvio padrão) e estatura 175,3 ± 7,2 cm.

Todos eram estudantes de Educação Física, praticantes de atividade física regular e não

apresentavam nenhum distúrbio neurológico ou osteomioarticular que comprometesse

os resultados dos testes. Para avaliar o risco de problemas cardiovasculares durante a

execução dos testes, foi aplicada uma anamnese antes do início dos mesmos.

Previamente os sujeitos foram orientados para que não realizassem atividades físicas

nas 24 horas anteriores ao teste e que não consumissem nenhuma refeição, álcool e não

fumassem pelo menos nas 2 horas anteriores ao teste. O protocolo experimental foi

aprovado pelo comitê de ética em pesquisa local [aprovação CAAE –

0013.0.197.000.05] (ANEXO I) e todos os sujeitos assinaram um termo de

consentimento livre e esclarecido (ANEXO II).

4.2 – Protocolo

Os sujeitos foram inicialmente submetidos a uma anamnese e a medições

antropométricas. Em seguida, foram orientados sobre o objetivo e protocolo de teste,

para que posteriormente fossem realizados o preparo da pele e a fixação dos eletrodos.

O preparo da pela foi realizado por meio de tricotomia, abrasão, lavagem com

sabão neutro e limpeza com álcool. Posteriormente os eletrodos foram fixados, seguindo

o sentido das fibras musculares, no vasto lateral direito a dois terços da distância entre a

espinha ilíaca ântero-superior e a borda lateral da patela, seguindo o protocolo de

SENIAM (HERMENS et al., 1999). O eletrodo de referência foi colocado sobre o

processo estilóide da ulna direita. Para abrasão e tricotomia foram utilizados

respectivamente lixas e barbeadores descartáveis.

Cada o indivíduo realizou um teste de esforço progressivo em cicloergômetro de

frenagem mecânica (Monark, Varberg, Suíça). Os testes iniciaram com potência de

12,5 W, com incremento de 12,5 W/min. e cadência de 50 rotações por minuto (rpm),

até a exaustão voluntária. Para evitar problemas de desconforto os indivíduos realizaram

o teste calçados.

4.3 – Aquisição e Digitalização dos Sinais

Para a coleta do EMG do vasto lateral direito, foram utilizados dois

eletromiógrafos: um EMG1000 (LYNX, São Paulo, Brasil) e um eletromiógrafo

Biovision (Biovision, Wehrheim, Alemanha). O primeiro é composto por um conversor

analógico-digital (A/D) de 16 bits com faixa dinâmica de ± 5 V, um amplificador

diferencial com ganho 50, impedância de entrada 10 GΩ, banda passante de 1 Hz a

1 kHz e fator de rejeição de modo comum 100 dB. Para este eletromiógrafo foram

utilizados eletrodos ativos AE1010 (LYNX, São Paulo, Brasil) de prata com ganho 20

(ganho total igual a 1000), em arranjo diferencial com comprimento 10 mm, largura de

1 mm e distância intereletrodo 10 mm. No segundo eletromiógrafo foi utilizado um

conversor A/D de 12 bits com faixa dinâmica de ± 5 V, um amplificador diferencial

com ganho 2500, impedância de entrada 1 TΩ, banda passante de 10 Hz a 1 kHz e fator

de rejeição de modo comum de 120 dB. Neste eletromiógrafo foram utilizados eletrodos

de Ag/AgCl Kendall MEDI-TRACE 2000 (The Ludlow, Chicopee, EUA), com

distância intereletrodo de 35 mm. Os sinais foram digitalizados a 2 kHz, seguindo o

critério de Nyguist, e posteriormente exportados no formato ASCII, para o

processamento, o qual foi feito por meio do programa MATLAB versão 7.4 (The

Mathworks, Natick, EUA).

4.4 – Pré-processamento

4.4.1 – FILTRAGEM E REAMOSTRAGEM

Durante a cicloergometria, os sinais de eletromiografia coletados são

contaminados por ruídos, como por exemplo, da rede elétrica, e artefatos de movimento.

Para reduzir estas interferências nos sinais coletados, estes foram submetidos a um

filtro, conforme proposto por MELLO et al. (2007) cujos coeficientes do numerador e

do denominador da transformada z foram obtidos por convolução de dois filtros

Butterworth e seis filtros notch, classificados da seguinte forma:

• Butterworth passa-altas de 2

ordem com freqüência de corte igual a 10 Hz, para

atenuar artefatos de movimento, visto que harmônicos abaixo desta freqüência

são decorrentes desta fonte de ruído (HERMENS et al., 1999).

• Butterworth passa-baixas de 8

ordem com freqüência de corte igual a 400 Hz.

Considera-se que aproximadamente 95% da potência do EMG estão abaixo de

400 Hz, e os 5% restantes são fortemente contaminados por ruídos do

equipamento (HERMENS et al., 1999).

• Seis filtros notch de 2

ordem, com bandas de rejeição de 59 a 61 Hz, 119 a 121

Hz, 179 a 181 Hz, 239 241 Hz, 299 a 301 Hz e 359 a 361 Hz, para atenuar os

harmônicos de 60 Hz

Todos os filtros foram aplicados no sentido direto e reverso para evitar atraso de

fase. Com isso o EMG filtrado possui distorção de fase igual a zero, banda de 10 a

500 Hz e a magnitude foi modificada pelo quadrado da resposta em magnitude do filtro

(MELLO et al., 2007). Posteriormente os sinais coletados foram subamostrados de 2

para 1 kHz com o objetivo de diminuir o custo computacional.

4.4.2 – IDENTIFICAÇÃO DE INTERVALOS DE ATIVIDADE MIOELÉTRICA

EFETIVA

Para identificação automática dos IAMEs foi seguido o método adotado por

MELLO (2009). Inicialmente, foi selecionado um intervalo de ruído de linha de base e

em seguida foi definido um limite para início e fim de cada IAME como o sêxtuplo do

desvio padrão deste ruído de linha de base. Para identificar os IAMEs, foram calculados

valores RMS a cada 20 amostras e estes valores foram comparados com o limite

definido. Os momentos em que os valores RMS superaram o limite foram armazenados

em um vetor correspondente ao inicio dos IAMEs, e o momento em que os valores

voltaram a estar abaixo do limite foram armazenados em um vetor correspondente aos

finais dos IAMEs. Para que os IAMEs fossem reconhecidos como válidos, foi

necessário que existissem pelo menos 10 amostras entre o início e o fim destes. Após

identificados os IAMEs, para verificar a presença de falhas de identificação, foi

realizada uma inspeção visual de cada sinal. Na figura 4.1 é apresentado um sinal de

SEMG com seus respectivos valores RMS, o limiar de detecção de IAMEs e a

delimitação de cada IAME.

Figura 4.1 – Identificação dos IAMEs.

4.4.3 – SEPARAÇÃO DOS INTERVALOS DE ATIVIDADE MIOELÉTRICA

EFETIVA

Obtidos os vetores das posições de inicio e fim de cada IAME, estes foram

utilizados para separar os IAMEs. Depois de separados os IAMEs, todos os intervalos

foram armazenados em uma matriz na qual cada linha correspondia a um IAME.

Para remover a transição entre IAMEs e intervalos de linha de base, foram

utilizados apenas os 200 pontos centrais de cada IAME (Figura 4.2). Este tamanho de

trecho foi determinado heuristicamente e corresponde a intervalos em que a não

estacionariedade é reduzida. Este trecho foi denominado intervalo central de atividade

mioelétrica efetiva (ICAME).

Figura 4.2 – Delimitação para corte dos 200 pontos centrais de cada IAME.

4.4.4 – APLICAÇÃO DE JANELA HANNING

Para obtenção do espectro de magnitude do EMG de cada ICAME, foi utilizado

um método direto, por meio da transformada discreta de Fourier. Este estimador tem

como característica a presença de vazamento espectral. Para atenuar este problema foi

aplicada uma janela Hanning [h(n)]em cada ICAME (LYNN, 1973). Para tal, foi criada

uma janela Hanning com o mesmo número de pontos contidos no ICAME e, em

seguida, o EMG foi multiplicado pela janela Hanning (Figura 4.3).

Figura 4.3 – EMG (A), janela Hanning (B) e sinal após aplicação de janela

Hanning

(C).

4.5 – Processamento

4.5.1 – OBTENÇÃO DE ESPECTROS DE FREQUÊNCIA

Para obtenção da magnitude do espectro de frequência de cada ICAME, foi

calculada a transformada discreta de Fourier (discrete Fourier transform - DFT) de cada

trecho, definida por (SHIAVI, 1999):

∑

−

)()()(

mnj

DFT

enhnxTmX

(4.1)

Em seguida os valores de magnitude de todos os espectros de cada sujeito foram

armazenados em uma matriz (ME). Na figura 4.4 pode ser observado um exemplo de

EMG e seu respectivo espectro de frequência.

Figura 4.4 – EMG de um ICAME (A) e espectro de frequência do mesmo (B).

4.5.2 – ALISAMENTO ESPECTRAL

Os espectros de magnitude dos sinais de SEMG são sinais com uma grande

variabilidade. Devido a isto, a representação dos espectros por um número reduzido de

CPs acarreta um maior erro. Para melhorar esta representação antes de realizar a ACP,

foi realizado um alisamento espectral. Este alisamento se baseou no método de Bartlett,

no qual é realizada uma promediação entre determinado número de espectros, como

descrito abaixo (SHIAVI, 1999):

∑

)(

(4.2)

Este método de promediação reduz o número de espectros, o que

consequentemente diminuiria o número de observações na ACP. Para evitar esta

redução, foi utilizada a teoria do filtro média-móvel, no qual é calculada inicialmente

uma média entre amostras da primeira até a amostra X, em seguida da segunda amostra

até a amostra X+1 e assim sucessivamente, assim como descrito abaixo (SHIAVI,

1999):

Jnxnxnx

)1(...)1()(

)(

−

(4.3)

Este método de alisamento espectral baseado nestas duas teorias foi realizado

através da seguinte equação:

∑

−+

)1(

, m=1,2,3,4,...,TE-(k-1) (4.4)

onde EA

é o m-ésimo espectro alisado, k o tamanho da janela de espectros utilizada no

alisamento, X

o i-ésimo espectro e TE o total de espectros. Neste trabalho foi utilizado

um k de 5, de modo a diminuir a variância do estimador espectral a 1/5 de seu valor

original (SHIAVI, 1999)

4.5.3 – CÁLCULO DE FREQUÊNCIA MÉDIA E MEDIANA

A partir do espectro de cada ICAME foram calculadas as F

médias

e as F

medianas

Posteriormente os valores de freqüência média e mediana de cada espectro foram

representados graficamente em ordem temporal, para ver o comportamento ao longo do

tempo.

A F

média

e a F

mediana

de cada espectro foram calculadas respectivamente pelas

equações:

∑

iEA

iEAf

média

)(

(4.5)

∑

= =

mediana

1 F

)()(

iEAiEA

(4.6)

onde )(iEA é a i-ésima raia espectral do espectro de frequência e M é o maior

harmônico considerado.

4.5.4 – SEPARAÇÃO DE FAIXAS DE FREQUÊNCIA

Cada espectro de magnitude de frequência foi dividido em nove faixas de

frequência de 1 Hz até 495 Hz. A energia em cada faixa foi calculada como a soma das

amplitudes e em seguida representada graficamente ao longo do tempo. Adicionalmente

foi calculado o percentual da energia de cada faixa em relação à energia total do

espectro (Eq.4.7) e este percentual foi representado graficamente ao longo do tempo.

∑

495

)(

)(100

(4.7)

onde M

é o percentual da magnitude de determinada faixa em relação a magnitude

total do espectro, M é a magnitude em determinada frequência, e f

e f

são os limites de

cada faixa de frequência, correspondentes respectivamente aos valores F

início

e F

final

tabela 4.1.

Tabela 4.1 – Frequência inicial e final de cada respectiva faixa

inicio

(Hz)

final

(Hz)

Faixa 1

1 55

Faixa 2

56 110

Faixa 3

111 165

Faixa 4

166 220

Faixa 5

221 275

Faixa 6

276 330

Faixa 7

331 385

Faixa 8

386 440

Faixa 9

441 495

4.5.5 – CÁLCULO DOS COMPONENTES PRINCIPAIS

Obtidas as matrizes de espectros, foi realizado o cálculo dos CPs de cada uma

destas. Este cálculo foi realizado de forma matricial, tendo como padrão cada linha da

matriz sendo uma observação e cada coluna sendo uma dimensão. Cada observação

correspondia ao espectro de um ICAME de N pontos, correspondentes a N dimensões.

Inicialmente a partir da matriz de espectros ME, formada por A espectros e B

dimensões, foi calculada sua matriz de covariância S seguindo a equação:

∑

−−

−

MEMEMEME

))((

(4.8)

sendo 1 ≤ i ≤ A e 1 ≤ j ≤ B e onde corresponde ao valor médio da j-ésima

dimensão:

∑

(4.9)

Para se obter os CPs foi realizada uma decomposição espectral de S, pelo método

de decomposição por valores singulares (DVS). A partir da matriz ME, pode-se

escrever:

ULX'ME

(4.10)

onde U é formado pelos coeficientes dos CPs para a matriz de covariância, L é formado

pela raiz quadrada da variância de cada CP e X é formado pelos CPs.

Os coeficientes dos componentes principais foram obtidos através da relação:

DXU

(4.11)

onde D é a matriz de espectros, após a remoção das médias de cada dimensão.

Os coeficientes foram utilizados para representar cada espectro como um ponto

em um espaço N-dimensional, como exemplificado na figura 4.5 para o caso de duas

CPs. Adicionalmente, os coeficientes podem ser utilizados para reconstrução dos sinais

e possíveis compressões dos mesmos.

Figura 4.5 – Exemplo de espalhamento dos coeficientes dos CPs. Nota-se um maior

espalhamento dos coeficientes correspondentes aos espectros de frequência da fase final

do teste.

4.5.6 – AVALIAÇÃO DO NÚMERO DE COMPONENTES A SEREM UTILIZADAS

Para avaliar o número de componentes a serem utilizadas foi aplicado o método

de scree plot, no qual as variâncias dos CPs, representadas pelos autovalores na ACP,

são representadas graficamente na respectiva ordem (Figura 3.2A) (JACKSON, 1993).

Adicionalmente, foi utilizado um método adaptado do scree plot, onde foram

representados graficamente os percentuais das variâncias de cada CP (Figura 3.2B),

obtidos a partir da equação:

∑

(4.12)

onde PV

é o percentual da variância da CP x, V

é a variância da CP x, N é o número de

CPs e V

é a variância da i-ésima CP.

4.5.7 – CÁLCULO DE DISTÂNCIAS PADRÃO E EUCLIDIANA

Como descrito anteriormente a ACP se baseia na interpretação de uma sequência

de N amostras como sendo um único ponto no espaço N-dimensional (NADAL, 1991).

Neste estudo cada ponto correspondeu ao espectro de um ICAME, durante o exercício

executado.

A distância entre cada ponto variou à medida que a diferença entre os espectros

dos mesmos foi maior ou menor. Quanto mais diferentes foram os espectros, mais

distantes foram os pontos que os representaram.

Para avaliar esta mudança nos espectros ao longo do tempo foram utilizados os

cálculos de DP e DE (FLURY e REIDWYL, 1986; JOLLIFFE, 2002). A DP é um

índice que corresponde a raiz quadrada da DM, que por sua vez é uma distância

quadrática.

Para realizar estes cálculos, inicialmente os coeficientes correspondentes aos 20

primeiros IAMEs foram excluídos por conterem características específicas, decorrentes

da transição entre o repouso e o início da atividade, desta forma o vigésimo primeiro

coeficiente passou a ser considerado como primeiro. Em seguida, foi definido o PR para

o cálculo das distâncias. Este ponto foi calculado pela média dos 20 primeiros

coeficientes, do vigésimo primeiro ao quadragésimo devido à exclusão dos coeficientes

iniciais. Estes foram utilizados para o cálculo do PR por ocorrerem antes que a FM se

acentuasse, devido à baixa carga e ao reduzido tempo de exercício. Após definido o PR,

foram calculadas as distâncias utilizando o número de CPs determinado pelos testes

scree plot e scree plot adaptado.

As DPs foram calculadas a partir da seguinte equação:

( )

∑

−

prccp

(4.13)

onde P é o número de CPs, ccp

é o coeficiente da i-ésima CP,

é a respectiva

variância e pr

é a i-ésima dimensão do PR. Em seguida as DEs foram calculadas a

partir da seguinte equação:

∑

−=

prccp

)(DE

(4.14)

Depois de calculadas, ambas as distâncias foram representadas graficamente, em

ordem temporal (Figura 4.6).

Figura 4.6 – Valores de DP (A) e DE (B) ao longo do teste.

4.5.8 – ANÁLISE ESTATÍSTICA

Para testar a diferença entre o inicio e o final dos exercícios foi calculada

inicialmente a média dos primeiros e dos últimos 40 valores de distância. Após

calculadas estas médias de cada sujeito, foi realizada a média entre os valores iniciais de

cada sujeito e em seguida entre os valores finais de cada um dos mesmos. A partir

destes últimos valores foi verificada a significância estatística da diferença entre a

média dos valores iniciais e a média dos valores finais, através do teste t de Student

(α

0,05).

Este teste foi realizado para os valores de F

média

, F

mediana

, DE e DP, dos sinais com

e sem a utilização do alisamento espectral.

CAPÍTULO 5

RESULTADOS

5.1 – Frequência Média e Mediana

Calculados os valores de F

média

e de F

mediana

do espectro de frequência de cada

ICAME, estes foram representados graficamente. Como mostrado nas figuras 5.1 a 5.4,

os valores de F

média

e F

mediana

não apresentaram nenhum padrão que pudesse identificar a

ocorrência de FM, ou qualquer outro tipo de fenômeno ocorrido durante a execução dos

testes.

Figura 5.1: Valores de F

média

dos sujeitos 1 ao 12.

Figura 5.2: Valores de F

média

dos sujeitos 13 ao 24.

Figura 5.3: Valores de F

mediana

dos sujeitos 1 ao 12.

Figura 5.4: Valores de F

mediana

dos sujeitos 13 ao 24.

Estes resultados mostram que a ocorrência da FM não é identificável em todos os

sujeitos, utilizando estes métodos. Em alguns sujeitos, percebe-se que ocorreram

alterações ao longo do tempo. Porém, estas alterações foram distintas em cada um

destes sujeitos e inconsistentes para serem assumidas como um demonstrativo da FM.

5.2 – Faixas de Frequência

Para observar mais detalhadamente o motivo pelo qual os valores de F

média

mediana

não variaram durante a ocorrência da FM, como a literatura prevê, efetuou-se a

análise da variação temporal da energia de cada faixa de frequência. Na figura 5.5,

pode-se observar a variação da energia em cada faixa de frequência do sinal de um dos

sujeitos. Nota-se que a energia aumentou ao longo do tempo em todas as faixas de

frequência. Este aumento ocorreu em alguns casos, entretanto em todos estes casos o

aumento se deu de forma proporcional em todas as faixas de frequência. Para avaliar se

esse aumento aconteceu de maneira uniforme em todo o sinal, a figura 5.6 apresenta o

percentual da energia de cada faixa de frequência em relação à energia total do espectro

de frequência. Pode-se observar que cada faixa de frequência possui aproximadamente o

mesmo percentual da energia total durante todo o exercício.

Figura 5.5: Magnitude de cada faixa de frequência, em cada instante de tempo

(Sujeito

4).

Figura 5.6: Percentual da magnitude de cada faixa de frequência em relação à

magnitude total do espectro de frequência (Sujeito 4).

5.3 – Análise de Componentes Principais

As médias de todos os espectros de cada sujeito, removidas para o cálculo da

matriz de covariância, são apresentadas no ANEXO III. No ANEXO IV é possível

observar que o alisamento espectral não afetou o formato da primeira componente.

O scree test realizado após o cálculo das CPs determinou, em todos os sujeitos,

que deveriam ser utilizadas três CPs. Este resultado ocorreu tanto utilizando o

alisamento espectral, quanto utilizando os espectros originais, como observado nas

figuras 5.7 e 5.8.

Figura 5.7 – Gráfico scree modificado, sem aplicar alisamento espectral, das primeiras

quinze CPs. (Sujeito 4).

Figura 5.8 – Gráfico scree modificado, aplicando alisamento espectral, das primeiras

quinze CPs. (Sujeito 4).

5.4 – Distância Euclidiana

A partir das CPs determinadas pelo scree test, foi calculada a DE de cada ICAME,

tendo como referência o ponto médio calculado a partir dos 20 primeiros ICAMEs.

Quando as distâncias de cada sujeito foram representadas graficamente (Figuras 5.9 e

5.10, ANEXO V), foi observado um aumento progressivo das distâncias em todos os

sujeitos, o qual se acentuou nos últimos ICAMEs.

Figura 5.9: Valores de DE de cada ICAME, após alisamento espectral (sujeito 1 ao 12).

Figura 5.10: Valores de DE de cada ICAME, após alisamento espectral (sujeito 13

24).

5.5 – Distância Padrão

A partir das CPs determinadas pelo scree test e suas respectivas variâncias, foi

calculada a DP de cada ICAME, tendo como referência o ponto médio calculado a partir

dos 20 primeiros ICAMEs. Quando as distâncias de cada sujeito foram representadas

graficamente (Figuras 5.11 e 5.12, ANEXO VI), foi observado um comportamento

semelhante ao das DEs, mostrando um aumento progressivo que se acentuou no final do

exercício.

Figura 5.11: Valores de DP de cada ICAME, após alisamento espectral (sujeito 1

12).

Figura 5.12: Valores de DP de cada ICAME, após alisamento espectral (sujeito 13

24).

5.6 – Comparação dos Gráficos de Distâncias com os Valores de Amplitude do

Sinal

Quando analisados os EMGs, no domínio do tempo, foram observados

comportamentos distintos em cada sujeito. Alguns sujeitos apresentaram um aumento

considerável da amplitude do sinal, entretanto este comportamento não se repetiu em

todos os casos. Como mostrado nas figuras 5.13 e 5.14, os valores de DE e DP crescem

ao longo do tempo independente da amplitude do sinal aumentar. Isto mostra que

apensar destes índices serem sensíveis à variação de amplitude do sinal, são também

sensíveis a outras mudanças ocorridas nos espectros de frequência.

Figura 5.13 – Exemplo de um sinal no qual a amplitude aumenta pouco com o tempo

(A); DEs (B) e DPs (C) do mesmo sujeito, em ordem temporal

Figura 5.14 – Exemplo de um sinal no qual a amplitude aumenta com o tempo (A); DEs

(B) e DPs (C) do mesmo sujeito, em ordem temporal

5.7 – Diferença entre o Início e o Final do Exercício

Os resultados da análise estatística, que comparou a média dos valores do início e

final do exercício de cada sujeito, mostraram que os parâmetros de F

média

e F

mediana

não

apresentaram diferença significativa, enquanto os parâmetros DE e DP apresentaram

aumento significativo no final. Isto ocorreu em ambos os sinais, submetidos ou não ao

alisamento espectral. Nas tabelas 5.1 são apresentadas as respectivas médias, desvios

padrão e valores p.

Tabela 5.1 – Média, desvio padrão e valor p dos índices de F

média

, F

mediana

, DE e DP

(sem alisamento (SA) e após alisamento (AA))

Parâmetro Início Final Valor p

média

108,5 ± 13,4 107,5 ± 15,8 0,807

mediana

77,91 ± 17,11 79,85 ± 18,25 0,706

Distância Euclidiana (SA) 12,24 ± 5,449 177,4 ± 86,02 2,896.10

Distância Euclidiana (AA) 7,132 ± 3,309 173,9 ± 84,60 1,484.10

Distância padrão (SA) 0,363 ± 0,199 3,170 ± 0,526 5,289.10

Distância padrão (AA) 0,310 ± 0,182 3,479 ± 0,451 5,072.10

CAPÍTULO 6

DISCUSSÃO

6.1 – Utilização do Espectro de Frequência e a Transformada de Fourier

As variações observadas nos sinais de SEMG podem ocorrer por diversos

motivos, como a FM (HÄGG et al., 1992; GEORGAKIS et al. 2003; ARABADZHIEV

et al., 2005; DIMITROV et al., 2008). Estas variações ocorrem devido a fatores como: a

mudanças da frequência de disparo de PAs, o recrutamento de diferentes números e

tipos de fibras musculares, o aumento da força requerida e a alterações químicas locais

(HÄGG et al., 1992; GANDVEIA, 2001). Algumas relações entre o aumento do

número de fibras recrutadas com o aumento da amplitude do sinal, e entre a mudança da

frequência de disparos de PAs com as mudanças na distribuição da energia do sinal em

seu espectro de frequências, são exemplos de hipóteses levantadas para explicar estas

variações nos sinais de SEMG (BASMAJIAN e DE LUCA, 1985; HÄGG et al., 1992;

CAO et al., 2007). A utilização de sinais de SEMG já foi citada como de grande

importância, pelo fato de que este sinal possui informações de respostas periféricas e

centrais (DIMITROV et al., 2008). A utilização do espectro de frequência na análise é

fundamental, por aumentar a quantidade de informações possíveis de serem extraídas.

Entretanto, para realizar este tipo de análise é preciso fazer uso de ferramentas

adequadas de matemática e processamento de sinais (SILVA et al., 2008).

No presente estudo e em outros publicados previamente (PINCIVERO, 2001), os

espectros de frequência foram obtidos por meio da teoria desenvolvida por Fourier.

Contudo esta teoria requer que os sinais respeitem alguns requisitos, em particular a

estacionariedade (LATHI, 2005).

Os sinais de SEMG, principalmente de contrações dinâmicas, são classificados

como altamente não estacionários (BASMAJIAN e DE LUCA, 1985). Devido a isso,

severas críticas têm sido feitas aos estudos que utilizam a transformada de Fourier em

sinais de SEMG (SILVA et al., 2008). Alguns autores, com o objetivo de superar esta

limitação, aplicaram outras teorias classificadas como transformadas tempo-frequência

(KNAFLITZ e BONATO, 1999; KARLSSON et al., 2000; BONATO et al., 2001).

Entretanto, estas transformadas apresentaram outros tipos de limitações como o alto

custo computacional (COOREVITS et al., 2008) e a presença de artefatos na forma de

termos cruzados. Em particular, o emprego da transformada de Choi-Willians torna-se

proibitivo para sinais EMG amostrados a 1 kHz com durações superiores a 1 ou 2 s,

impondo a necessidade de segmentação do sinal para análise (PEREIRA, 2010)

A STFT representa também uma transforma tempo-frequência, a qual foi

concebida para avaliar a evolução do conteúdo espectral de um dado sinal ao longo do

tempo. Portanto, a STFT pode ser utilizada para processos não estacionários. Esta

transformada, não apresenta termos cruzados e tem um custo computacional muito

menor que as demais transformadas da classe de Cohen (PEREIRA, 2010). Entretanto,

o cálculo de cada estimativa espectral da STFT requer um número razoàvel de amostras

de sinal, de modo a fornecer uma resolução em frequencia aceitável, e, a rigor, este

segmento de sinal usado para a estimação espectral deve ser estacionário.

COOVERITS et al. (2008), mostraram que a aplicação da transformada de

Fourier na análise da progressão da FM ao longo do tempo apresenta resultados

semelhantes aos encontrados quando utilizado o método de wavelet, o qual apresentou

os melhores resultados em outros trabalhos. Segundo SILVA et al. (2008), apesar das

preocupações com a não estacionariedade do sinais, os espectros gerados pelas

transformadas de Fourier e wavelet possuem as mesmas informações no que diz respeito

a ocorrência da FM.

Apesar dos estudos que mostraram a aplicabilidade da transformada de Fourier

em sinais de SEMG, mesmo com os problemas de não estacionariedade, no presente

trabalho foram aplicados métodos para reduzir a não estacionariedade. Os métodos

visavam retirar os momentos de silêncio entre as contrações e os instantes de transição

entre estes momentos e o inicio das contrações, utilizando assim apenas os sinais

contendo a atividade mioelétrica efetiva. Além disso, foi aplicado um alisamento

espectral, que segundo SILVA et al. (2008) reduz os efeitos gerados pela não

estacionariedade. Desta forma, as críticas com respeito à utilização da transformada de

Fourier não se aplicam ao presente trabalho.

6.2 – O Cálculo de Frequências Médias e Medianas

Os presentes resultados mostraram que os valores de frequência média e mediana

de cada ICAME, não apresentaram nenhum tipo de padrão que pudesse identificar

qualquer fenômeno fisiológico. Ocorreram alguns aumentos e diminuições destes

valores ao longo do tempo, no entanto como foram comportamentos distintos em cada

sujeito, não podem ser classificados como um padrão, e nem correlacionados com

fenômenos fisiológicos. Além disso, quando analisada a média dos primeiros e dos

últimos 40 valores, não foi observada uma diferença significativa.

Se comparados estes resultado com os apresentados em vários artigos publicados

anteriormente, uma contradição é observada. Os resultados esperados segundo estudos

prévios, seria uma queda acentuada dos valores de F

média

e de F

mediana

na medida que a

FM se instalasse (PINCIVERO et al., 2006). Isto ocorreria segundo estes estudos,

devido a uma compressão do espectro de frequência, concentrando assim a energia em

frequências mais baixas (HÄGG et al., 1992). Apesar de diversos estudos que vêm

comprovando a eficiência destes índices, outros estudos também têm apontado

limitações dos mesmos. Algumas destas limitações apresentadas foram a alta

sensibilidade a ruídos como os gerados pelo movimento do eletrodo e até mesmo por

movimentos articulares e a baixa sensibilidade a algumas variações ocorridas no sinal

de SEMG (KARLSSON et al., 2003). PINCIVERO et al. (2001) relataram, que em

musculaturas compostas predominantemente por fibras tipo 1 a F

mediana

não se altera,

apesar do aumentos do recrutamento de UMs em decorrência da FM ou do aumento da

força aplicada. Na tentativa de superar estas limitações alguns autores propuseram o

cálculo de novos índices. Entretanto, apesar de alguns destes índices terem apresentado

resultados que demonstravam superar algumas limitações, estes também apresentaram

outros tipos de falhas ou limitações (GEORGAKIS et al., 2003; ARABADZHIEV et

al., 2005).

KNAFLITZ e BONATO (1999) concluíram que sinais coletados durante

diferentes tipos de exercícios requerem métodos de processamento específicos. Assim

os métodos utilizados com sucesso em exercícios que provocam rapidamente a

ocorrência da FM não seriam necessariamente eficazes em outros tipos de exercícios.

Os protocolos adotados nos trabalhos que encontraram a queda acentuada da

média

e da F

mediana

continham em sua grande maioria exercícios isométricos ou

isotônicos de alta intensidade, o que levaria rapidamente à ocorrência da FM

(PINCIVERO et al., 2006; SILVA et al., 2008). Entretanto, no presente estudo foram

realizados exercícios cíclicos, nos quais a FM é alcançada de maneira progressiva e

mais lentamente. Isto é facilmente demonstrado pela duração dos exercícios, a qual

sempre foi superior a dez minutos. CAO et al. (2007) relataram a influência do

protocolo adotado na análise da FM através de sinais de SEMG. Assim, é possível notar

a limitação destes índices para analisar sinais coletados durante a execução de

exercícios cíclicos.

6.3 – A análise do Espectro em Faixas de Frequência

HÄGG et al. (1992) indicaram que durante a instalação da FM ocorre uma

diminuição da velocidade de condução dos PAs. Esta diminuição de velocidade causaria

uma compressão do espectro de frequência, aumentando a energia em frequências mais

baixas. Esta mudança espectral seria responsável pela variação dos valores de alguns

índices espectrais como a F

média

e a F

mediana

Em outro estudo SPARTO et al. (2000) utilizou um protocolo de processamento

dos sinais no qual separou os sinais em faixas de frequência. Consequentemente, assim

como concluido por HÄGG et al. (1992), foi observado um aumento da energia nas

faixas de frequência que correspondem às frequências de 13 a 88 Hz.

O fato dos presentes resultados não apresentarem uma variação dos índices de

média

e F

mediana

, indica que a compressão espectral observada em outros exercícios não

ocorre durante a prova de esforço com cicloergômetro. Para verificar esta hipótese foi

realizado um procedimento semelhante ao de SPARTO et al. (2000), no qual os sinais

foram divididos em faixas de frequência.

Quando analisadas as energias absolutas e relativas por faixas de frequência, à

medida que a FM se instalava, foi possível identificar que em alguns casos ocorre

realmente um aumento da energia do sinal, no entanto este aumento se dá de forma

proporcional em todas as faixas de frequência. Assim, estes resultados justificam o

motivo pelo qual os valores de F

média

e F

mediana

não apresentaram uma queda uniforme,

como relatado em outros estudos, com outros protocolos e tipos de exercícios.

6.4 – A Análise de Componentes Principais e o Cálculo das Distâncias

A utilização da ACP em estudos que tinham por objetivo identificar ou mensurar

a FM através de sinais de SEMG já foi descrita anteriormente por outros autores

(KUMARAVEL e KAVITHA, 1994; TSCHARNER, 2002; PEREZ e NUSSBAUM,

2003). Entretanto, como descrito anteriormente, a utilização de ACP nestes estudos não

seguiu o mesmo protocolo de processamento, e tinha por fim diferentes objetivos. Em

nenhum dos casos a ACP foi utilizada com o intuito de criar um índice, através do qual

a FM pudesse ser analisada.

No trabalho de PEREZ e NUSSBAUM (2003) uma das aplicações da ACP foi

para a redução de dimensionalidade dos sinais. Os sinais foram reduzidos a três

dimensões mantendo um mínimo de 70% da variância total dos sinais, valor o qual foi

suficiente para preservar as informações, segundo estes autores. No presente trabalho

foram utilizadas apenas três dimensões para representação dos sinais, entretanto foi

preservado em todos os casos no mínimo 80% da variância total, o que segundo os

autores anteriormente citados é suficiente para uma representação satisfatória.

O diagnóstico de doenças neuromusculares através da ACP foi realizado por

KUMARAVEL e KAVITHA (1994), através da classificação dos sujeitos como

portadores ou não destas doenças. Para a classificação, a ACP foi aplicada aos sinais de

grupos de sujeitos sadios e com a doença, de modo a enfatizar as características

anormais dos sinais (que refletem um aumento da variância). Por outro lado, no presente

estudo a análise da FM foi efetuada a cada ciclo de sinal, sujeito a sujeito, de modo a

identificar as alterações ocorridas nos sinais ao longo do exercício, comparando os

valores obtidos ao longo do tempo com os da fase inicial, onde há ausência de FM.

Os momentos de ausência de FM utilizados neste estudo foram assumidos como

os IAMEs ocorridos no inicio do exercício e em cargas baixas. A total ausência de FM

segundo os conceitos atuais, não pode ser identificada em sinais coletados durante a

execução de qualquer tido de atividade, visto que a FM é classificada como um

processo progressivo que se inicia desde o início do exercício (MACINTOSH e

RASSIER, 2002). Entretanto, nestes momentos a FM ainda estaria em níveis bastante

reduzidos, não causando ainda a alteração dos sinais coletados.

Utilizando a média dos valores deste trecho inicial como indicativo da ausência de

FM, foi estabelecido um PR para avaliar a ocorrência e a progressão da FM ao longo do

tempo. As DEs e DPs foram calculadas em relação a este PR, possibilitando assim

verificar o quanto os coeficientes da ACP se distanciavam deste ponto ao longo do

exercício. Este distanciamento ocorreu devido à variação de todo o espectro de

frequência à medida que a FM se acentuava.

Diferentemente do observado nos índices de F

média

e F

mediana

, os valores de DE e

DP apresentaram um aumento significativo durante a execução dos exercícios, podendo

assim identificar um padrão de comportamento ao longo do tempo. Este aumento pode

ser correlacionado com a ocorrência da FM, por corresponder a mudanças no espectro

de frequência, segundo o mesmo raciocínio adotado emestudos anteriores (HÄGG et

al., 1992), e levando-se em conta o fato de que as provas de esforço foram conduzidas

até o limite de resistência de cada sujeito.

Em estudos prévios, que analisaram a ocorrência de FM, diversas mudanças nos

sinais de SEMG foram identificadas, tanto no domínio da frequência, aumento da

energia em baixas frequências, quanto no domínio do tempo, aumento da energia do

sinal (HÄGG et al., 1992; MACDONALD et al., 2008; OLIVEIRA e GONSALVES,

2009). Entretanto, os índices propostos tinham a capacidade de as variações em apenas

um destes domínios. O aumento da amplitude do sinal foi identificado com sucesso

através dos valores RMS do EMG e do EMG integrado (IEMG), enquanto as variações

de frequência foram analisadas utilizando índices como a F

média

, F

mediana

, frequência

instantânea média, entre outros (GEORGAKIS et al., 2003; ARABADZHIEV et al.,

2005). Todos os métodos apontados, entretanto, utilizam parâmetros discretos, que não

consideram adequadamente a complexidade de todo o sinal, ou de todo o espectro.

Recentemente, PEREIRA (2010) mostrou que o aumento de amplitude não

corresponde, necessariamente, à instalação da FM no caso do músculo sóleo na

manutenção de torque de tornozelo com o joelho estendido.

Resumindo esses achados, a literatura especialiada tem mostrado que a F

média

mediana

são eficazes na análise dos sinais coletados em alguns tipos de protocolos de

exercício, enquanto o RMS e o IEMG podem ser sensíveis a variações ocorridas em

outros tipos de exercícios. Porém nenhum parâmetro, até o presente, pode ser aplicado

indiscriminadamente a todo tipo de exercício físico. Esta limitação foi apontada por

KNAFLITZ e BONATO (1999), quando concluíram que protocolos contendo diferentes

tipos de contrações requerem diferentes métodos de processamento. CAO et al. (2007)

também fizeram alusão a esta necessidade, quando concluíram que o protocolo de

exercício pode influenciar de maneira importante os resultados da análise, quando

analisados sinais SEMG em exercícios dinâmicos fatigantes. A aplicação da ACP ao

espectro de frequência do EMG obtido a partir de cada ciclo de ativação mioelétrica do

vasto lateral mostrou-se efetiva para a monitoração do processo de fadiga durante a

prova de esforço com cicloergômetro. Como os parâmetros obtidos pela ACP levam em

conta as variações de todo o espectro de frequência, acredita-se que este método seja

sensível a mudanças do sinal, mesmo quando estas não implicam em mudanças

significativas da F

média

e F

mediana

. A generalização deste método, entretanto, depende do

sucesso de sua aplicação em outros protocolos experimentais.

CAPÍTULO 7

CONCLUSÃO

A partir dos resultados obtidos foi possível concluir que os índices

tradicionalmente utilizados de F

média

e F

mediana

não são eficazes quando utilizados com o

intuito de analisar a FM durante exercícios cíclicos, diferentemente dos resultados

apresentados na literatura em outros tipos de exercícios. Isto pode ocorrer devido a

fatores como a baixa sensibilidade destes índices as alterações ocorridas, mostrando que

estas alterações do sinal de SEMG são dependentes do protocolo de exercício adotado.

Foi também observado que não é possível restringir a análise da FM apenas ao domínio

do tempo ou da frequência, visto que em alguns casos ocorrem mudanças em ambos os

domínios.

A utilização da ACP e do cálculo de DE ou DP se mostrou eficaz no intento de

monitorar a ocorrência da FM durante a execução de exercícios cíclicos em teste de

esforço progressivo. Além disso, a escolha entre a utilização da DE ou da DP não se

mostrou importante, visto que ambos os índices foram igualmente eficazes. Apesar de a

DP ter a suposta vantagem de conferir o mesmo peso a cada CP.

Além de o método proposto se mostrar mais sensível às variações ocorridas no

sinal de SEMG durante a ocorrência da FM, deve-se destacar que a ACP leva em

consideração as alterações ocorridas em todo o espectro de frequência, não refletindo

apenas o aumento de energia devido às alterações na amplitude do sinal.

A redução de dimensionalidade dos sinais foi possível, visto que estes puderam

ser representados em todos os casos por apenas três CPs, preservando a maior parte da

informação.

REFERÊNCIAS BIBLIOGRÁFICAS

ABBISS, C.R., LAURSEN, P.B., 2005, “Models to explain fatigue during prolonged

endurance cycling”, Sports Medicine, v.35, pp.865-898.

ARABADZHIEV, T.I., DMITROV, G.V., DIMITROVA, N.A., 2005, “Simulation

analysis of the performance of a novel high sensitive spectral index for

quantifying M-wave changes during fatigue”, Journal of Electromyography and

Kinesiology, v.15, pp.149-158.

ASMUSSEN, E., 1979, “Muscle fatigue”, Medicine and Science in Sport and Exercise,

v.11, n .4, pp. 313-321.

BANISTER, E.W., CAMERON, B.J.C., 1990, “Exercise-induced hyperammonemia:

peripheral and central effects”, International Journal of Sports Medicine, v. 11,

Supl. 2, pp. S129-S142.

BASMAJIAN J. e DE LUCA, C., 1985, Muscle Alive: Their Function Revealed by

Electromyography. 5 ed. Baltimore, Willians & Wilkins.

BIGLAND-RITCHIE, B., FURBUSH, F., WOODS, J.J., 1986, “Fatigue of intermittent

submaximal voluntary contractions: central and peripheral factors”, Journal of

Applied Physiology, v. 61, n. 2, pp. 421-429.

BLOMSTRAND, E., 2001, “Amino acids and central fatigue”, Amino Acids, v. 20, pp.

25-34.

BONATO, P., HOY, S., KNAFLITZ, M., DE LUCA, C., 2001, “Time frequency

parameters of the surface myoelectric signal for assessing muscle fatigue during

cyclic dynamic contractions”, IEEE Transactions on Biomedical Engineering,

v.48, n.7, pp. 745-753.

BOUZUBAR, F.F., 2003, Self-reported fatigue in individuals with knee osteoarthritis.

Ph.D. Thesis, University of Pittsburgh, Pittsburgh, Pa.

CAO, H., DIB, I., ANTONI, J., e MARQUE, C., 2007, “Analysis of muscular fatigue

during cyclic dynamic movement”. In: Proceedings of the 29th Annual

International Conference of the IEEE/EMBS, pp. 23-26, Lyon, France, Aug.

COOREVITS, P., DANNEELS, L., CAMBIER, D., RAMON, H., DRUYTS, H.,

KARLSSON, J., MOOR, G., VANDERSTRAETEN, G., 2008, “Correlations

between short-time Fourier and continuous wavelet transforms in the analysis of

localized back and hip muscles fatigue during isometric contractions”, Journal of

Electromyography and Kinesiology, v.18, n. 4, pp. 637-644.

DE LUCA, C.J., 1979, “Physiology and mathematics of myoelectric signals”, IEEE

Transaction on Biomedical Engineering, v.26, pp.313-325.

DE LUCA, C.J., 1984, “Myoelectric manifestations of localized muscular fatigue”,

CRC Critical Reviews in Biomedical Engineering, v.11, pp.251-279.

DE LUCA, C.J., 1985, “Control properties of motor units”, Journal of Experimental

Biology, v.115, pp. 125-136.

DE LUCA, C.J., 1993, “Use of the surface EMG signal for performance evaluation of

back muscles”, Muscle and Nerve, v.16, pp.210-216.

DE LUCA, C., 1997, “The Use of Electromyography in Biomechanics”, Journal of

Applied Biomechanics, v.13, n.2, pp. 135-163.

DE LUCA, C.J., ADAM, A., WOTIZ, R., GILMORE, L.D., NAWAB, S.H., 2006,

“Decomposition of surface EMG signals”, Journal of Neurophysiology, v.96,

pp.1646-1657.

DE MAESSCHALCK, R., JOUAN-RIMBAUD, D., MASSART, D.L., 2000, “The

Mahalanobis distance”, Chemometrics and Intelligent Laboratory Systems, vol.

50, pp. 1-18.

DIMITROV, G.V., ARABADZHIEV, T.I., HOGREL, J.Y., DIMITROVA, N.A., 2008,

“Simulation analysis of interference EMG during fatiguing voluntary

contractions. Part II – Change in amplitude and characteristics”, Journal of

Electromyography and Kinesiology, v.18, pp.35-43.

DIMITROV, G.V., ARABADZHIEV, T.I., MILENA, K.N., BOWTELL, J.L.,

CRICHTON, N., DIMITROVA, N.A., 2006, “Muscle Fatigue During Dynamic

Contractions Assessed by New Spectral Indices”, Medicine and Science in Sports

and Exercise, v.38, n.11, pp.1971-1979

EBENBICHLER, G., KOLLMITZER, J., QUITTAN, M.; U.H.L., F.; KIRTLEY, C.,

FIALKA, V., 1998, “EMG fatigue patterns accompanying isometric fatiguing

knee-extensions are different in mono- and bi-articular muscles”,

Electroencephalography and Clinical Neurophysiology, v.109, pp. 256–262.

ENOKA, R., 1995, “Mechanisms of muscle fatigue: central factors and task

dependency”, Journal of Electromyography and Kinesiology, v.5, n.3, pp. 141-

149.

EVANS, W., LAMBERT, C., 2007, “Physiological basis of fatigue”, American Journal

of Physical Medicine and Rehabilitation, v. 86, n. 1, pp. S29-S46.

FITTS, R.H., HOLLOSZY, J.O., 1976, “Lactate and contractile force in frog muscle

during development of fatigue and recovery”, American Journal of Physiology, v.

231, n. 2, pp. 430-433.

FLURY, B.K., RIEDWYL, H., 1986, “Standard distance in univariate and multivariate

analysis”, American Statistician, v.40(3), p.249–251.

FRYER, M., OWEN, V., LAMB, G., STEPHENSON, D., 1995, “Effects of creatine

phosphate and Pi on Ca

movements and tension development in rat skinned

skeletal muscle fibres”, Journal of Applied Physiology, v.87, pp.1662-1667.

FUKUDA, K., STRAUS, S.E., HICKIE, I., SHARPE, M.C., DOBBINS, J.G.,

KOMAROFF, A., 1994, “The chronic fatigue syndrome: a comprehensive

approach to its definition and study”, Annals of Internal Medicine, v.121, pp.953-

959.

GANDEVIA, S.C., 2001, “Spinal and supraspinal factors in human muscle fatigue”,

Physiological Reviews, v. 81, n. 4, pp. 1725-1789.

GEORGAKIS, A., STERGIOULAS, L.K., GIAKAS, G., 2003, “Fatigue Analysis of the

Surface EMG Signal in Isometric Constant Force Contractions Using the

Averaged Instantaneous Frequency”, IEEE Transactions on Biomedical

Engineering, v.50, n.2, pp.262-265.

GUYTON, A.C., HALL, J.E., 2002, Tratado de Fisiologia Médica. 10 ed., Rio de

Janeiro, Guanabara Koogan.

HÄGG, M.G., 1992, “Interpretation of EMG spectral alterations and alteration indexes

at sustained contraction”, Journal of Applied Physiology, v.73, n.4, pp.1211-1217.

HENDRIX, C.R., HOUSH, T.J., JOHNSON, G.O., MIELKE, M., CAMIC, C.L.,

ZUNIGA, J.M., SCHMIDT, R.J., 2009, “A new EMG frequency-based fatigue

threshold test”, Journal of Neuroscience Methods, v. 181, pp. 45-51.

HERMENS, H.J., FRERIKS, B., MERLETTI, R., STEGEMAN, D., BLOK, J., RAU,

G., DISSELHORST-KLUG, C., HÄGG, G., 1999, SENIAM 8: European 182

Recommendations for Surface Electromyography, Enschede, Roessingh Research

and Development.

HOSTENS, I., SEGHERS, J., SPAEPEN, A., RAMON, H., 2004, “Validation of the

wavelet spectral estimation technique in biceps brachii and brachioradialis fatigue

assessment during prolonged low-level static and dynamic contractions”, Journal

of Electromyography and Kinesiology, v.14, n.2, pp.205–215.

HUG, F., DOREL, S., 2009, “Electromyographic analysis of pedaling”, Journal of

Electromyography and Kinesiology, v.19, n.2, pp.182-198.

HUG, F., HENDRIX, C.R., 2010, “Is the EMG fatigue threshold a valid tool to assess

muscle function”, Medicine and Science in Sports and Exercise, v.42, n.3, pp.629-

630.

JACKSON, D.A., 1993, “Stopping rules in principal components analysis: a

comparasion of heuristical and statistical approaches”, Ecology, v.74, n.8, p.

2204-2214.

JENSEN, B., LAURSEN, B., SJØGAARD, G., 2000, “Aspects of shoulder function in

relation to exposure demands and fatigue - A mini review”, Clinical

Biomechanics, v. 15, Suppl. n.1, pp. S17-20.

JOLLIFFE, I. T., 2002, Principal Component Analysis. 2

ed, New York, Springer.

JONES, D.A., HOWEL, S., ROUSSOS, C., EDWARDS, R.H.T., 1982, “Low-

frequency fatigue in isolated skeletal muscles and the effects of methylxanthines”,

Clinical Science, v.63, pp.161-167.

KABBARA, A., ALLEN, D., 1999, “The role of calcium stores in fatigue of isolated

single muscle fibres from the cane toad”, Journal of Physiology (London), v.519,

pp.169-176.

KAMEN, G., CALDWELL, G.E., 1996, “Physiology and interpretation of the

electromyogram”, Journal of Clinical Neurophysiology, v.13, n.5, pp.366-384.

KANDEL, E.R., SCHWARTZ, J.H., JESSEL, T.M., 1997, Fundamentos da

Neurociência e do Comportamento. Rio de Janeiro, Guanabara Koogan.

KARLSSON, J.S., ÖSTLUND, N., LARSSON, B., GERDLE, B., 2003, “An estimation

of the influence of force decrease on the mean power spectral frequency shift of

the EMG during repetitive maximum dynamic knee extensions”, Journal of

Electromyography and Kinesiology, v.13, pp.461-468.

KARLSSON, S., YU, J., AKAY, M., 2000, “Time-Frequency Analysis of Myoelectric

Signals During Dynamic Contractions: A Comparative Study”, IEEE

Transactions on Biomedical Engineering, v.47, n.2, pp.228-238.

KIRYU, T., TAKAHASHI, K., OGAWA, K., 1997, “Multivariate Analysis of Muscular

Fatigue During Bicycle Ergometer Exercise”, IEEE Transactions on Biomedical

Engineering, v.44, n.8, pp.665-672.

KLESSEN, R.F.M., BUURKE, J.H., HARLAAR, J., ZILVOLD, G., 1998,

“Electromyography in the biomechanical analysis of human movement and its

clinical application”, Gait and Posture, v. 8, pp. 143-158.

KNAFLITZ, M., BONATO, P., 1999, “Time-Frequency methods applied to muscle

fatigue assessment during dynamic contractions”, Journal of Electromyography

and Kinesiology, v.9, pp.337-350.

KNAFLITZ, M., MOLINARI, F., 2003, “Assessment of Muscle Fatigue During

Biking”. IEEE Transactions on Neural Systems and Rehabilitation Engineering,

v.11, n.1, pp.17-23.

KUMARAVEL, N., KAVITHA, V., 1994, “Automatic diagnosis of neuro-muscular

diseases using neural network”, Biomedical Sciences Instrumentation, v.30, pp.

245-250.

LAMB, R., HOBART, D., 1992, “Anatomic and physiologic basis for surface

electromyography”. In: Selected Topics in Surface Electromyography for Use in

the Occupational Setting Expert Perspectives MIOSH 6-23, Department of Heath

and Human Services, U.S.A.

LATHI, B.P., 2005, Linear Systems and Signals. Nova York, Oxford University.

LEE, S., DAVIS, E., 1979, “Carboxylation and decarboxylation reactions: anaplerotic

flux and removal of citrate cycle intermediates in skeletal muscle”, Journal of

Biological Chemistry, v.254, pp.420-430.

LINDEMAN, E., SPAANS, F., REULEN, J.P., LEFFERS, P., DRUKKER, J., 1999,

“Surface EMG of proximal leg muscles in neuromuscular patients and in healthy

controls. Relations to force and fatigue”, Journal of Electromyography and

Kinesiology, v.9, n.5, pp.299-307.

LYNN, P.A., 1973, Na Introduction to the Analysis and Processing of Signals. 1

ed.

London, The Macmillan Press.

MACDONALD, J.H., FARINA, D., 2008, “Response of electromyographic variables

during incremental and fatiguing cycling”, Medicine and Science in Sport and

Exercise, v.40, n.2, pp.335-344.

MACINTOSH, B., RASSIER, D., 2002, “What is fatigue?”, Canadian Journal of

Applied Physiology, v. 27, n. 1, pp. 42-55.

MACISAAC, D., PARKER, P.A, SCOTT, R.N., 2001, “The short-time Fourier

transform and muscle fatigue assessment in dynamic contractions”, Journal of

Electromyography and Kinesiology, v. 11, n. 6, pp. 439-49.

MCARDLE, W.D., KATCH, F.I., KATCH, V.L., 2006, Exercise Physiology: Energy,

Nutrition, and Human Performance. 5

ed., Philadelphia, Lippincott Williams &

Wilkins.

MCCULLY, K.K., AUTHIER, B., OLIVE, J., CLARK, B.J., 2002, “Muscle Fatigue:

The Role of Metabolism”, v.27, n.1, pp.70-82.

MELLO, R.G.T., OLIVEIRA, L., NADAL, J., 2007, “Digital Butterworth filter for

subtracting noise from low magnitude surface electromyogram”, Computer

Methods and Programs in Biomedicine, v. 87, n. 1, pp. 28–35.

MELLO, R.G.T., 2009, Mecanismo de antecipação do controle do equilíbrio postural

ortostático e influência do exercício intenso ou prolongado. Tese de D. Sc.,

Programa de Engenharia Biomédica, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil

MERTON, P.A., 1954, “Voluntary strength and fatigue”. Journal of Physiology (Lond),

v. 123, pp. 553-564.

MERLETTI, R., 2008a, “Spectral variables do not necessarily reflect histological types

of recruited motor units”, Journal of Applied Physiology, v.105, n.5, pp.1679-

1680.

MERLETTI, R., 2008b, “Motor units in cranial and caudal regions of the upper

trapezius muscle have different discharge rates during brief static contractions”,

Acta Physiologica (Oxford, England), v.192, n.4, pp.453.

MERLETTI, R., BOTTER, A., TROIANO, A., MERLO, E., MINETTO, M. A., 2009,

“Technology and instrumentation for detection and conditioning of the surface

electromyographic signal: State of the art.” Clinical Biomechanics, v.24, pp.122-

134.

MERLETTI, R., LO CONTE, L.R., 1995, “Advances in processing of surface

myoeletric signals: Part 1”, Medical and Biological Engineering and Computing,

v.33, n.3, pp.362-372.

MERLETTI, R., LO CONTE, L.R., 1997, “Surface EMG signal processing during

isometric contractions”, Journal of Electromyography and Kinesiology, v.7, n.4,

pp.241-250.

MERLETTI, R., PARKER, P., 2004, Electromyography: Physiology, Engineering and

Noninvasive Applications. 1

ed. New York, Wiley-IEEE Engineering in Medical

and Biology Society.

MERLETTI, R., RAINOLD, A., FARINA, D., 2001, “Surface electromyography for

noninvasive characterization of muscle”, Exercise and Sport Sciences Reviews,

v.29, n.1, pp.20-25.

MOGHDDAM, B., PETLAND, A., 1997, “Probabilistic Visual Learning for Object

Representation”, IEEE Transactions on Pattern Analysis and Machine

Intelligence, vol. 19, n. 7, pp. 696-710.

MORRISON, D.F., 1976, Multivariate Statistical Methods, New York, McGraw-Hill

Book Company.

MUNIZ, A. M. S., 2008, Quantificação da marcha humana utilizando análise de

componentes principais para avaliação de procedimentos terapêuticos. Tese de

D. Sc., Programa de Engenharia Biomédica, COPPE/UFRJ, Rio de Janeiro, RJ,

Brasil.

NADAL, J., 1991, Classificação de arritmias cardíacas baseada em análise de

componentes principais e árvores de decisão. Tese de D.Sc., Programa de

Engenharia Biomédica, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.

NEWSHOLME, E.A., 1986, “Application of knowledge of metabolic integration to the

problem of metabolic limitations in middle distance and marathon running”, Acta

Physiologica Scandinavica, v. 128, pp. 93-97.

OLIVEIRA, A.S., GONÇALVES, M., 2009, “EMG amplitude and frequency

parameters of muscular activity: Effect of resistance training based on

electromyographic fatigue threshold”, Journal of Electromyography and

Kinesiology, v. 19, n. 2, pp. 295–303.

PATE, E., BHIMANI, M., FRANKS-SKIBA, K., COOKE, R., 1995, “Reduced effect

of pH on skinned rabbit psoas muscle mechanics at high temperatures:

Implications for fatigue”, Journal of Physiology, v.486, pp.689-694.

PEREIRA, G. R., 2010, Análise da fadiga muscular por meio de duas transformadas

tempo-frequência. Dissertação de M. Sc., Programa de Engenharia Biomédica,

COPPE/UFRJ, Rio de Janeiro, RJ, Brasil

PEREIRA, W. C. A., Análise do sinal doppler ultra-sônico de fluxo sanguíneo através

da técnica de componentes principais. Dissertação de M. Sc., Programa de

Engenharia Biomédica, COPPE/UFRJ, Rio de Janeiro, RJ, Brasil.

PERES, M.A., NUSSBAUM, M.A., 2003, “Principal componentes analysis as an

evaluation and classification tool for lower torso sEMG data”, Journal of

Biomechanics, v.36, pp.1225-1229.

PINCIVERO, D.M., CAMPY, R.M., SALFETNIKOV, Y., BRIGHT, A., COELHO,

A.J., 2001, “Influence of contraction intensity, muscle, and gender on median

frequency of the quadriceps femoris”, Journal of Applied Physiology, v.90,

pp.804-810.

PINCIVERO, D.M., GANDHI, V., TIMMONS, M.K., COELHO, A.J., 2006,

“Quadriceps femoris electromyogram during concentric, isometric and eccentric

phases of fatiguing dynamic knee extensions”, Journal of Biomechanics, v.39,

pp.246-254.

POTVIN, J., BENT, L., 1997, “A validation of techniques: using surface

electromyography signals from dynamic contractions to quantify muscle fatigue

during repetitive tasks”, Journal of Electromyography and Kinesiology, v. 82, n.

2, pp.131-139.

SCHILLINGS, M.L., KALKMAN, J.S., JANSSEN, H.M.H.A., VAN ENGELEN,

B.G.M., BLEIJENBERG, G., ZWARTS, M.J., 2007, “Experienced and

physiological fatigue in neuromuscular disorders”, Clinical Neurophysiology,

v.118, pp.292-300.

SCHWENDNER, K.I., MIKESKY, A.E., HOLT, W.S., PEACOCK, M., BURR, D.B.,

1997, “Differences in muscle endurance and recovery between fallers and

nonfallers, and between young and older women”, The Journals of Gerontology,

v.52, n.3, pp.155-160.

SERGEANT, A.J., 1994, “Human power output and fatigue”, International Journal of

Sports Medicine, v.15, pp.116-121.

SHIAVI, R., 1999, Introduction to Applied Statistical Signal Analysis. San Diego:

Academic Press.

SILVA, R.A., LATIVIÈVE, C., ARSENAULT, A.B., NADEAU, S., PLAMONDON,

A., 2008, “The comparison of wavelet- and Fourier-based electromyographic

índices of back muscle fatigue during dynamic contractions: validity and

reliability results”, Electromyography and Clinical Neurophysiology, v. 48, pp.1-

16.

SILVERTON, D.U., 2003, Fisiologia Humana: uma abordagem integrada. 2

ed. São

Paulo, Manole.

SMOLANDER, J., AMINOFF, T., KORHONEN, I., TEVRO, M. SHEN, N.,

KORHNEN, O., LOUHEVAARA, V., 1998, “Heart rate and blood pressure

responses to isometric exercise in young and older men”, European Journal of

Applied Physiology and Occupational Physiology, v.77, pp.439-444.

SPARTO, P., PARNIANPOR, M., BARRIA, E., JAGADEESH, J., 2000, “Wavelet and

short time Fourier transform analysis of electromyography for detection of back

muscle fatigue”, IEEE Transactions on Rehabilitation Engineering, v. 8, n. 3, pp.

433-436.

SPENCER, M., YAN, Z., KATZ, A., 1991, “Carbohydrate supplementation attenuates

IMP accumulation in human muscle during prolonged exercise”, American

Journal of Physiology, v.30, pp. C71-C76.

SURAKKA, J., ROMBERG, A., RUUTIAINEN, J., AUNOLA, S., VIRTANEN, A.,

KARPPI, S.L., MÄENTAKA, K., 2004, “Effects of aerobic and strength exercise

on motor fatigue in men and women with multiple sclerosis: a randomized

controlled trial”, Clinical Rehabilitation, v.18, pp.737-746.

THEOU, O., JONES G.R., OVEREND, T.J., KLOSECK, M., VANDERVOORT, A.A.,

2008, “An exploration of the association between frailty and muscle fatigue”,

Applied Physiology, Nutrition, and Metabolism, v.33, pp.651-665.

TROIANO, A., NADDEO, F., SOSSO, E, CAMAROTA, G., MERLETTI, R., MESIN,

L., 2008, “Assessment of force and fatigue in isometric contractions of the upper

trapezius muscle by surface EMG signal and perceived exertion scale”, Gait and

Posture, v. 28, n. 2, pp. 179-186.

TSCHARNER, V.V., 2002, “Time-frequency and principal-component methods for the

analysis of EMGs recorded during a mildly fatiguing exercise on a cycle

ergometer”, Journal of Electromyography and Kinesiology, v.12, pp.479-492.

TUCKER, K., FALLA, D., GRAVEN-NIELSEN, T., FARINA, D., 2009,

“Electromyographic mapping of the erector spinae muscle with varying load and

during sustained contraction”, Journal of Electromyography and Kinesiology, v.

19, n. 3, pp. 373–379.

UMPHRED, D.A., 2004, Reabilitação Neurológica. 4

ed. São Paulo, Manole.

VALKEINEN, H., HAKKINEN, A., HANNONEM, P., HAKKINEN, K., ALEN, M.,

2006, “Acute heavy-resistance exercise-induced pain and neuromuscular fatigue

in elderly women with fibromyalgia and in healthy controls”, Arthritis and

Rheumatism, v.54, pp.1334-1339.

WELTAN, S., BOSCH, A., DENNIS, S., NOAKES, T., 1998, “Influence of muscle

glycogen content on metabolic regulation”, American Journal of Physiology:

Endocrinology and Metabolism, v.37, pp.72-82.

ANEXO I

APROVAÇÃO DO PROJETO DE PESQUISA PELO

COMITÊ DE ÉTICA EM PESQUISA DO HOSPITAL

CLEMENTINO FRAGA FILHO DA UNIVERSIDADE

FEDERAL DO RIO DE JANEIRO

Andamento do projeto - CAAE - 0013.0.197.000-

Título do Projeto de Pesquisa

Efeito da Fadiga Central e Periférica no Controle do Equilíbrio Postural

Situação Data Inicial no CEP Data Final no CEP Data Inicial na CONEP Data Final na CONEP

Aprovado no CEP 01/04/2005 00:00:00 01/04/2005 00:00:00 01/04/2005 00:00:00 01/04/2005 00:00:00

Descrição Data Documento Nº do Doc Origem

2 - Recebimento de Protocolo pelo CEP (Check-List) 03/02/2005 11:02:20 Folha de Rosto 0013.0.197.000-05 CEP

1 - Envio da Folha de Rosto pela Internet 14/01/2005 15:35:43 Folha de Rosto FR-55408 Pesquisador

3 - Protocolo Aprovado no CEP 01/04/2005 11:34:45 Folha de Rosto 091/05 CEP

ANEXO II

Termo de Consentimento Livre e Esclarecido para

Participação em Pesquisa Científica

Você está sendo convidado a participar de um estudo intitulado “Efeito da fadiga

central e periférica no controle do equilíbrio postural”.

O objetivo desta pesquisa é identificar padrões de equilíbrio conseqüentes da

fadiga central ou periférica. Entende-se por fadiga central aquela de origem no sistema

nervoso central (encéfalo ou medula espinhal), ao passo que a periférica tem origem em

qualquer local fora do sistema nervoso central, por exemplo no músculo esquelético. A

identificação do local específico da fadiga a partir de um método versátil e não-invasivo

terá grande importância tanto na prática clínica quanto no meio desportivo.

O estudo consiste em dois dias de teste, com um intervalo de dois dias a uma

semana entre os mesmos. Primeiramente, será feito um teste de esforço em uma

bicicleta estacionária com carga progressiva até a máxima intensidade suportada, para

encontrar o limiar anaeróbio de cada indivíduo. O limiar anaeróbio corresponde a uma

intensidade do exercício na qual há transição entre a predominância aeróbia e anaeróbia.

Neste teste, o voluntário irá respirar pela boca através de um instrumento chamado

pneumotacômetro, para que os gases oriundos da respiração sejam monitorados. Além

disto, serão colocados eletrodos sobre a pele para registro do eletrocardiograma e de

sinais elétricos da musculatura adjacente (eletromiografia). Todos os registros aqui

citados são não-invasivos, indolores e não representarão desconforto adicional ao teste

de esforço. Antes e após este exercício, será retirada uma gota de sangue do dedo

anular, com o propósito de dosagem de lactato, que será utilizado como marcador de

fadiga periférica. Além disso, também antes e depois do esforço, os voluntários serão

submetidos a um exame de equilíbrio postural sobre uma plataforma de força, e,

novamente serão colocados eletrodos sobre a pele para a eletromiografia.

No segundo dia de teste, os voluntários irão pedalar sobre a mesma bicicleta, com

intensidade moderada, porém com duração de 75 min. Igualmente, antes e após este

teste será feito o exame de equilíbrio postural juntamente com a monitoração dos sinais

elétricos musculares.

Antes dos testes de esforço, deverá ser preenchido um questionário completo que

avalia o histórico médico do voluntário, além de questionamento verbal sobre saúde e as

respostas fornecidas no questionário. Admitindo que o indivíduo está apto para realizar

o exercício até a exaustão, ocorrerá a preparação para o teste. Durante os testes de

esforço, haverá percepções de aumento de fadiga muscular e deve haver um aumento da

dificuldade para inspirar ou expirar, sendo estas respostas normais às demandas do teste

de esforço. O teste poderá ser finalizado por decisão do avaliado, quando o

eletrocardiograma não funcionar corretamente ou se os eventos durante o teste

indicarem riscos aumentados para a função cardíaca e para a minha vida do sujeito.

Entretanto, quanto mais tempo de exercício, mais próximo do esforço máximo real se

chegará e melhor será o teste para a obtenção das informações desejadas.

A realização de um teste de esforço não elimina o risco. Contudo, todos os

esforços são realizados para a minimização destes riscos através de questões e

avaliações pré-testes e do uso de pessoal apropriadamente treinado e qualificado. Pro

exemplo, pode-se experimentar grandes aumentos da pressão arterial, além de função

cardíaca anormal que poderia levar a vertigens, dores no peito ou morte súbita.

Entretanto, a probabilidade para esses eventos é extremamente rara (< 1 morte em

10.000 testes para indivíduos com alto risco para doenças cardíacas) e os procedimentos

pré-teste e a avaliação do eletrocardiograma durante o exercício auxiliam na detecção de

eventos, então o exercício pode ser interrompido antes de os eventos progredirem.

Estão garantidas todas as informações que você queira, antes, durante e depois do

estudo. A sua participação neste estudo é voluntária e você tem a liberdade de recusar

participar do estudo, ou se aceitar participar, desistir a qualquer momento, sem prejuízo

de qualquer tipo.

As informações relacionadas ao estudo poderão ser inspecionadas pelos

envolvidos na pesquisa e pelas autoridades legais. No entanto, se qualquer informação

for divulgada em relatório ou publicação, isto será feito sob forma codificada, para que

a confidencialidade seja mantida. O pesquisador responsável assume a responsabilidade

de dar assistência integral às complicações e danos decorrentes dos testes, se houver.

Todas as despesas necessárias para a realização da pesquisa (relacionadas aos testes e à

instrumentação) não são da responsabilidade do participante. Pela sua participação no

estudo, você não receberá qualquer valor em dinheiro.

Rio de Janeiro, ___/___/_____. Eu, ___________________________________ li

o texto acima e compreendi a natureza e o objetivo do estudo do qual fui convidado a

participar. A explicação que recebi menciona os riscos e benefícios do estudo. Eu

entendi que sou livre para interromper minha participação no estudo a qualquer

momento sem justificar minha decisão, e sei que qualquer problema relacionado será

livre de custos para mim. Eu concordo voluntariamente em participar deste estudo,

Assinatura do voluntário_________________________________________

Assinatura do pesquisador

responsável________________________________________

Para maiores esclarecimentos, o voluntário está convidado a contatar o

pesquisador responsável: Roger Gomes Tavares de Mello, tel. 9682-7282 ou e-mail

[email protected]

ANEXO III

GRÁFICOS DOS ESPECTROS MÉDIOS DE CADA

SUJEITO

As figuras III.1 e III.2 apresentam os espectros obtidos pela média de todos os

espectros.

Figura III.1: Espectro médio do sujeito 1 ao 12.

Figura III.2: Espectro médio do sujeito 13 ao 24.

ANEXO IV

PRIMEIRA COMPONENTE PRINCIPAL COM E SEM

ALISAMENTO ESPECTRAL

Gráficos comparativos das primeiras componentes com alisamento espectral e

sem o mesmo, obtidas através ACP de cada sujeito (Figura IV.1 e IV.2).

Figura IV.1: Primeira componente com alisamento espectral (cinza) e sem alisamento

espectral (preto), do sujeito 1 ao 12.

Figura IV.2: Primeira componente com alisamento espectral (cinza) e sem alisamento

espectral (preto), do sujeito 13 ao 24.

ANEXO V

GRÁFICOS DE DISTÂNCIAS EUCLIDIANAS SEM A

REALIZAÇÃO DE ALISAMENTO ESPECTRAL

As figuras V.1 e V,2 apresentam os valores de DE de cada ICAME, sem a

realização de alisamento espectral.

Figura V.1: Sujeito 1 ao 12.

Figura V.2: Sujeito 13 ao 24.

ANEXO VI

GRÁFICOS DE DISTÂNCIAS PADRÃO SEM A

REALIZAÇÃO DE ALISAMENTO ESPECTRAL

As figuras VI.1 e VI.2 apresentam os valores de DP de cada ICAME, sem a

realização de alisamento espectral.

Figura VI.1: Sujeito 1 ao 12.

Figura VI.2: Sujeito 13 ao 24.

Livros Grátis
( http://www.livrosgratis.com.br )
 
Milhares de Livros para Download:
 
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas

Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
 
 