Esta es la relación entre electromiografía y termografía:
La termografía es un método de evaluación y seguimiento no invasivo que utiliza cámaras térmicas para medir la distribución de la temperatura en la superficie de la piel con el objetivo de analizar la actividad física.
Estas diferencias de temperatura permitirían, entre otras cosas, detectar patrones de activación muscular y asimetrías entre regiones corporales.
Por otro lado, la electromiografía de superficie es una técnica que se usa para medir la actividad muscular durante los ejercicios o las tareas diarias.
Está técnica se usa principalmente para evaluar las sinergias musculares, la actividad muscular, detectar desequilibrios y ayudar al profesional a elegir el tratamiento más adecuado, en función del individuo.
Esta metodología es la que proponen los compañeros de mDurance con los que hemos revisado el siguiente artículo.
Recientemente el grupo de Arcangelo Merla et al. (Perpetuini et al. 2023) han publicado un artículo con inteligencia artificial para la predicción de la respuesta electromiográfica a través de la termografía.
Es decir, los autores han intentado relacionar la fisiología y termodinámica muscular con su actividad neural por medio de la relación de estas dos tecnologías.
El objetivo era ver si la termografía tenía una relación con la actividad muscular y podía predecir el punto de fatiga. Para ello instrumentaron el vasto medial para medir con EMG de superficie durante la realización de cinco series de sentadillas hasta el fallo para provocar fatiga local. Durante la realización de las series se registra la temperatura de 3 regiones de interés muy próximas a los electrodos con termografía.
Los resultados muestran que existe una relación entre la amplitud de la EMG y la temperatura media de la ROI 3 medida con termografía de (r=0,54 ; p<0,05).
Además, el modelo de predicción gaussiano para predecir la actividad muscular estimaba ambas variables con un relación muy elevada (r=0,88 ; p<0,00) lo que indica la capacidad de la termografía para medir la actividad muscular.
Desde el equipo de ThemoHuman, nos hacemos eco de las conclusiones principales del estudio señalando:
Perpetuini, D.; Formenti, D.; Cardone, D.; Trecroci, A.; Rossi, A.; Di Credico, A.; Merati, G.; Alberti, G.; Di Baldassarre, A.; Merla, A. Can Data-Driven Supervised Machine Learning Approaches Applied to Infrared Thermal Imaging Data Estimate Muscular Activity and Fatigue? Sensors 2023, 23, 832. https://doi.org/10.3390/s23020832