Relação entre fadiga na musculatura do tronco e prevalência de lombalgia em tenistas utilizando técnicas de aprendizagem supervisionada

Abstract

Este trabalho tem como objetivo determinar quais as covariáveis que têm maior importância na classificação da fadiga na musculatura do tronco e a prevalência de lombalgia em tenistas. Foi recolhido sinal de eletromiografia (EMG) em 35 tenistas durante a realização de quatro exercícios tendo sido extraídas medidas no domínio do tempo (valor médio da amplitude do EMG) e no domínio da frequência (mediana de frequência). Os atributos derivados dos eletromiogramas foram usados na construção de modelos de classificação usando Máquinas de Vetores Suporte (SVM – Support Vector Machines). A classificação foi baseada em 3 grupos, de acordo com a última manifestação temporal de lombalgia. O primeiro grupo era constituído por tenistas que não sentiram dor lombar no último ano (15), o segundo pelos que a sentiram nesse mesmo período (12) e o terceiro pelos que a sentiram nos últimos 7 dias (8). Dos atributos extraídos no domínio do tempo (avrEMG) e da frequência (MF) identificaram-se os mais diferenciadores em relação às 3 classes por representação gráfica em diagrama de caixa (boxplot) sendo depois utilizados subconjuntos na construção de 4 modelos de classificação SVM. Obtiveram-se resultados promissores na utilização do algoritmo SVM para a classificação dos EMGs, conseguindo-se uma precisão de 7 em 9 (78%) sobre o conjunto de teste para o modelo com menor número de atributos (6) originados apenas por uma prancha (exercício).

The objective of this work is to identify the most important co-variables for classification of trunk muscle fatigue and low back pain in tennis players. Surface electromyography (EMG) has been collected from 35 tennis players while performing 4 isometric exercises. Two sets of attributes have been extracted from EMGs, one in time domain, EMG amplitude average (avrEMG) and the second in frequency domain, median frequency, (MF). Those attributes have been used to build classification models using Support Vector Machines (SVM) algorithm. The classification has been based in 3 groups of subjects according to their low back pain history. First group has no low back pain history (15), the second for the ones that experienced low back pain in last year (12) and the third group for the ones that experienced low back pain in last week (8). From boxplot visualization of both type of attributes, time (avrEMG) and frequency domain (MF), those with more differentiation power among the 3 groups of subjects have been selected and used to build 4 SVM classification models. Promising results for using SVM algorithm to classify EMGs have been found, attained a precision of 7 in 9 (78%) over the test set in the model with lower number of attributes (6) selected from a single test.