Estimación del número de unidades motoras basado en la red neuronal convolucional

Área de la Ciencia:

• La neurociencia
• Biología computacional
• Ingeniería biomédica

Sus antecedentes:

• Las exploraciones del potencial de acción muscular compuesto (CMAP, por sus siglas en inglés) proporcionan datos detallados de activación muscular.
• Los métodos actuales de estimación del número de unidades motoras (MUNE) que utilizan escaneos CMAP a menudo requieren un ajuste manual de datos que consume mucho tiempo.

Objetivo del estudio:

• Explorar la viabilidad de un enfoque basado en redes neuronales para el MUNE rápido.
• Proponer y evaluar un modelo de red neuronal convolucional de extremo a extremo (CNN) para MUNE a partir de exploraciones CMAP.

Principales métodos:

• Desarrolló NNEstimation, un marco de aprendizaje supervisado que utiliza CNNs.
• Escaneos CMAP sintéticos generados con parámetros variados para el entrenamiento de redes neuronales.
• Estimación de NN probada tanto en datos sintéticos como en datos experimentales del CMAP.

Principales resultados:

• NNEstimation demostró un menor error de estimación y un tiempo de ejecución reducido en comparación con el método de ajuste de datos MScanFit en datos sintéticos.
• La precisión de NNEstimation dependía principalmente del número de unidades motoras, no del ruido o la amplitud.
• Las estimaciones de NNEstimation sobre datos experimentales mostraron una alta consistencia con los resultados de MScanFit.

Conclusiones:

• NNEstimation, entrenado en datos sintéticos, proporciona resultados MUNE comparables a los métodos tradicionales en datos experimentales.
• El enfoque impulsado por la IA reduce significativamente el tiempo de ejecución, lo que indica un gran potencial para aplicaciones prácticas de MUNE.