Análise de Séries Temporais Biológicas de Eletromiografia de Superfície (sEMG) e Acelerometria (ACC) para o Diagnóstico de Displasia Coxofemoral em Cães

Abstract

Acelerômetros (ACC) combinados com sensores de eletromiografia de superfície (sEMG) podem ser úteis na análise cinemática para a compreensão de problemas motores em cães, como é o caso da displasia coxofemoral. Neste estudo, validamos um método alternativo e não invasivo utilizando sinais de sEMG e ACC, capturados com os cães em uma esteira, com o objetivo de avaliar padrões no movimento e o esforço muscular do músculo bíceps femoral, pensando em futuras tarefas de classificação de sinais. A displasia coxofemoral, em casos mais graves, pode provocar instabilidade na locomoção e aumento da atividade muscular para manter a estabilidade do animal. O conjunto de dados de sinais de sEMG e ACC foi pré-processado, filtrado e analisado por meio do algoritmo Dynamic Time Warping (DTW) e do método Autorregressivo (AR), com o intuito de identificar padrões nos sinais e estabelecer uma referência para diagnósticos futuros. Apresentamos alguns padrões identificados com ambos os métodos aplicados a cada tipo de sinal, bem como a separação das distribuições entre as classes saudável e displásica por meio da análise DTW, indicando a existência de um possível limiar que distingue os dois grupos. O modelo AR revelou certos padrões nos coeficientes Φ característicos de cada grupo, relacionados às séries temporais de sEMG modeladas, possibilitando a classificação por esse método.

Accelerometers (ACC), when combined with surface electromyography (sEMG) sensors, can be valuable tools for kinematic analysis aimed at understanding motor disorders in dogs, such as hip dysplasia. In this study, we propose and validate a non-invasive alternative method using sEMG and ACC signals collected while dogs walked on a treadmill. The goal was to evaluate movement patterns and muscular effort of the biceps femoris muscle, with a view toward future signal classification tasks. In more severe cases, hip dysplasia can lead to locomotor instability and increased muscle activity to maintain the animal’s balance. The dataset composed of sEMG and ACC signals was preprocessed, filtered, and analyzed using the Dynamic Time Warping (DTW) algorithm and the Autoregressive (AR) model, in order to identify recurring patterns and provide a reference framework for future diagnostic tools. We present some of the characteristic signal patterns identified by both methods and highlight the separation between healthy and dysplastic classes based on the DTW analysis, suggesting the presence of a potential threshold for distinguishing the two groups. The AR model also revealed group-specific trends in the $\phi$ coefficients derived from the sEMG time series, indicating the feasibility of classification based on this approach.