![Variación de amplitud electromiográfica de dos señales (vasto medial [VM] y lateral [VL]) durante una sentadilla unipodal (descenso: 1s, ascenso: 1s), las cuales fueron normalizadas a la %CVM. La región gris representa el área común para ambas señales. *IC: índice de coactivación calculado a partir de la función coactivation_index](https://www.researchgate.net/profile/Oscar-Valencia/publication/361372628/figure/fig1/AS:1167967127642114@1655476471298/Figura-1-Variacion-de-amplitud-electromiografica-de-dos-senales-vasto-medial-VM-y_Q320.jpg)
Content uploaded by Oscar Valencia
Author content
All content in this area was uploaded by Oscar Valencia on Jun 17, 2022
Content may be subject to copyright.
Valencia et al.
Kinesiología (2022); 41(2): 120-123
120
Valencia et al.
Kinesiología (2022) 41(2): 120-123 Kinesiología
ISSN: 0716-4173 / e-ISSN: 2735-7481
ARTÍCULO ESPECIAL
Coactivación Muscular. Una Propuesta para Calcular su Indice
utilizando Python
Oscar Valencia1, Manuel Varas1, Christopher Moya2,3, Manuela Besomi4,5, Alejandro Weinstein6, Rodrigo
Guzmán-Venegas1
Resumen
Introducción.
Fenómenos neurofisiológicos, como la coactivación muscular, se han utilizado para identificar tareas
motoras que requieren una mayor estabilidad articular en personas sanas o con trastornos del movimiento. Sin embargo,
existen varias formas de calcular el índice de coactivación (IC) muscular.
Objetivo.
El objetivo de este artículo fue crear
una propuesta de procesamiento para calcular el IC muscular mediante el diseño de dos funciones utilizando el lenguaje
Python. La primera función calcula el IC utilizando la fórmula planteada por Falconer y Winter, definida como “
coactivation
index”.
Se requiere introducir dos señales de músculos antagonistas con una misma longitud de datos y frecuencia de
muestreo. Estas señales son previamente normalizadas a la contracción voluntaria máxima utilizando valores promedios
rectificados. La segunda función definida como “
plot_coactivacion”
despliega una figura con los cambios de amplitud de
ambos músculos y su área común. Estas funciones fueron creadas con un lenguaje de libre acceso (Python), destacando
su clara sintaxis y la amplia gama de librerías en el procesamiento de señales biomédicas.
Palabras claves:
Músculos antagonistas, Electromiografía, Pyhton.
Introducción
El control del movimiento humano durante la
ejecución de tareas motoras requiere en muchas
ocasiones la activación simultanea de grupos
musculares antagonistas, lo cual en condiciones
normales cumple con incrementar la estabilidad
articular, mientras que en condiciones patológicas,
podría suplir un déficit de fuerza, generando como
consecuencia una alteración del control motor1,2. En
este aspecto, la activación simultánea entre
músculos agonista-antagonista juega un rol
fundamental en el control del movimiento, conocido
también como coactivación muscular2–5. Sin
embargo, el análisis e interpretación de los patrones
de activación muscular que generan una variación
sobre los niveles de coactivación (registrados con
técnicas como la electromiografía) podrían estar
relacionados a múltiples factores, los cuales
involucran desde el comportamiento de señales
descendentes del cerebro, hasta efectos reflejos de
receptores periféricos a nivel medular1. Un ejemplo
de lo planteado anteriormente, lo describe un
estudio publicado por Mari et al., quienes reportan
un incremento de coactivación muscular en
pacientes con ataxia cerebelosa en comparación a
controles sanos (tibial anterior-gastrocnemio
medial: con ataxia=15.78% vs sin ataxia=10.23%;
vasto lateral-bíceps femoral: con ataxia=18.20% vs
sin ataxia=13.83%) durante la marcha humana6. En
el mismo contexto, la variación del nivel de
coactivación muscular también ha sido reportado en
otras patologías neurológicas, destacando la
enfermedad de Parkinson7, parálisis cerebral8,
desórdenes vestibulares9 y accidentes cerebro-
vasculares10.
Valencia et al.
Kinesiología (2022); 41(2): 120-123
121
Otro aspecto interesante, se relaciona con la
descripción mecánica del movimiento y la presencia
de coactivación, generando efectos sobre la
velocidad angular de los segmentos corporales y la
estabilidad articular1. En este sentido, algunos
estudios describen la relevancia del nivel de
coactivación muscular en actividades deportivas
como la carrera5,11, identificando regiones del ciclo
con un mayor nivel de coactivación. Por ejemplo, al
comparar dos técnicas de carrera, retropié (contacto
inicial con talón) versus antepié (contacto inicial
con la región anterior del pie), es posible observar
una mayor sincronización temporal entre 0-5% del
ciclo en el par muscular tibial anterior-gastrocnemio
medial (retropié=39.05% vs antepié=18.42%),
atribuido a un descenso controlado (es decir,
buscando una menor velocidad y mayor estabilidad
articular) del antepié sobre la superficie del suelo5.
Otro estudio desarrollado en corredores de elite
destaca el nivel de coactivación entre músculos
antagonistas del muslo (recto femoral-bíceps
femoral) durante la región final de la fase de vuelo,
generando niveles de pre-activación muscular que
se correlacionan con el eficiente costo energético de
estos deportistas11. Sin duda, estos ejemplos podrían
reflejar el efecto del nivel de coactivación sobre el
control neuromecánico durante diferentes tareas
motoras. Sin embargo, en la actualidad existen
diferentes formas de estimar el índice de
coactivación (IC) muscular (usando, por ejemplo,
electromiografía de superficie [EMGs]), lo cual
podría generar una variabilidad operacional entre
diversos estudios. Una forma de reducir dicha
brecha es poner a disposición de la comunidad de
las ciencias del movimiento una función de libre
acceso que pueda calcular el IC, basada en una
ecuación utilizada frecuentemente y, al mismo
tiempo, sencilla de interpretar. Según lo anterior, el
objetivo de este trabajo fue crear una propuesta de
procesamiento para calcular el IC muscular
utilizando el lenguaje Python.
Propuesta de procesamiento con Python.
Existen diferentes alternativas para calcular el
índice de coactivación (IC) muscular durante
actividades funcionales, a partir del registro de
señales biomédicas tales como la EMGs. Una de las
fórmulas más utilizadas, desde 1985 hasta la fecha,
se vincula al trabajo desarrollado por Falconer y
Winter12, la cual se puede representar a través de la
siguiente ecuación:
Donde
𝐸𝑀𝐺$%𝑦%𝐸𝑀𝐺'
representan las señales
de dos músculos antagonistas, siendo su área común
𝐸𝑀𝐺$&𝐸𝑀𝐺'
(basada en la amplitud de cada señal)
empleada en el numerador, mientras que la suma de
las áreas de cada músculo (
𝐸𝑀𝐺$+𝐸𝑀𝐺'
) se
localizan en el denominador de la ecuación.
Adicionalmente, el factor 2 ajusta el valor del
denominador que incluye las áreas de la actividad de
ambos músculos, permitiendo obtener una cantidad
en el rango de 0 a 100 por ciento. Por ejemplo, en el
caso hipotético en que la actividad de ambos
músculos sea idéntica, se obtiene un:
Esto refleja un área idéntica para el par muscular
agonista-antagonista. Los parámetros calculados en
la ecuación 1 pueden ser disgregados de la siguiente
forma4:
donde
𝑡1
y
𝑡2
representan los instantes del inicio y
final de las señales que ingresan a la ecuación,
siendo importante que ambas señales posean la
misma longitud (tanto
𝐸𝑀𝐺$
como
𝐸𝑀𝐺'
,
respectivamente). Por otro lado,
𝑚𝑖𝑛
0
𝐸𝑀𝐺$
(
𝑡
)
,𝐸𝑀𝐺'
(
𝑡
)4 identifica el valor
mínimo entre ambas señales de EMG, lo que
corresponde al nivel de activación del músculo que
trabaja como antagonista. Esto permite calcular el
á𝑟𝑒𝑎%𝑐𝑜𝑚ú𝑛(𝐸𝑀𝐺$&𝐸𝑀𝐺')%
(ecuación 2). Por
último,
á𝑟𝑒𝑎
(
𝐴
)
+ á𝑟𝑒𝑎(𝐵)%
representan el cálculo
integral de la suma de las áreas del músculo
𝐸𝑀𝐺$%𝑦%𝐸𝑀𝐺'
entre
𝑡1
y
𝑡2
, respectivamente
(ecuación 3).
Un punto importante a considerar antes de
calcular el IC muscular es el procesamiento previo
de las señales EMGs, el cual se puede realizar
utilizando la raíz media cuadrática (RMS) o el valor
promedio de la señal rectificada, con sus respectivas
normalizaciones. En base a esta última alternativa,
una gran cantidad de estudios han calculado el IC
ajustando cada señal de EMGs a la contracción
Valencia et al.
Kinesiología (2022); 41(2): 120-123
122
isométrica voluntaria máxima (CVM) 3–5, luego de
registrar la actividad EMGs de una tarea funcional.
Según lo anterior, este manuscrito utiliza las
funciones publicadas por Valencia et al. 2021, las
cuales permiten normalizar cada señal de EMGs a
su respectiva CVM utilizando el promedio de la
señal rectificada14.
Según los puntos mencionados previamente, la
función desarrollada para calcular el IC fue definida
como coactivation_index, la cual utiliza tres
parámetros:
𝐸𝑀𝐺$
,
𝐸𝑀𝐺'
(músculos antagonistas
A y B), y
𝑓𝑠
(frecuencia de muestreo utilizada
durante el registro de la señal de EMGs). Esta
función retorna el valor del IC como porcentaje.
Adicionalmente, esta propuesta agrega una función
para graficar las señales y el área común entre
ambos músculos antagonistas, definida como
plot_coactivacion.
Utilizando ambas funciones (ejemplo)
A continuación se presenta un ejemplo
utilizando como referencia señales de EMGs, las
cuales fueron extraídas de un proyecto de
investigación aprobado por el comité de ética de la
Universidad de los Andes (K9002, aprobado el
2021), respetando los principios de la Declaración
de Helsinki.
Métodos
La actividad mioeléctrica se registró en modo
diferencial simple utilizando el equipo Bagnoli-16
canales (Delsys® Inc., Boston, MA, USA), dos
electrodos de superficie (distancia interelectrodo de
10 mm, barras paralelas de Ag/AgCl). La frecuencia
de muestreo utilizada fue de 1000 Hz, con un filtro
pasa banda entre 20 y 450 Hz. Antes de ubicar los
electrodos, se identificó la región a evaluar según la
recomendación SENIAM13 tanto para vasto medial
(VM) como lateral (VL) del cuádriceps. Luego se
rasuró y limpió la zona con alcohol y algodón para
reducir la impedancia de la piel.
El conjunto de señales EMGs representan la
actividad del VM y VL (antagonistas en el plano
frontal) del cuádriceps durante una sentadilla
unipodal (descenso hasta 60° de flexión de rodilla [1
segundo] y ascenso hasta posición inicial, extensión
completa de la misma articulación [1 segundo]). Las
CVM fueron registradas durante una posición
sedente del voluntario (resistencia manual a nivel
del segmento pierna, utilizando cinchas para fijar el
tronco y ambos muslos a la silla) y una posición
mantenida de 40°, solicitando una contracción
isométrica del cuádriceps (dos repeticiones de 5s,
con 1 min de descanso entre ellas). De acuerdo con
el registro previo de estas señales, primero se aplica
la función ajusta_emg_func (extraída desde el
artículo publicado por Valencia et al.14) para
normalizar la señal funcional (sentadilla unipodal) a
la CVM. Aquí se utilizan tanto las señales
registradas durante la tarea (sentadilla:
𝐸𝑀𝐺$
,
𝐸𝑀𝐺'
) como sus respectivas CVM para ambos
músculos antagonistas (máximas:
𝐸𝑀𝐺$
,
𝐸𝑀𝐺'
) en
formato CSV (sigla en inglés: comma-separated
values). Para el uso de la función se consideran los
parámetros
𝑓𝑠
=1000Hz (frecuencia de muestreo),
𝑓𝑐
=5Hz (frecuencia de corte del filtro pasa bajo,
tipo Butterworth),
𝑓𝑜𝑟𝑑𝑒𝑛
=4 (orden del filtro).
Luego, la función coactivation_index se aplica a las
señales procesadas y normalizadas a las CVM. Esta
función solicita dos señales
(𝐸𝑀𝐺$
,
𝐸𝑀𝐺')
, las
cuales deben ser adquiridas con la misma frecuencia
de muestreo y cantidad de datos (largo de cada
señal). El resultado final representa el IC calculado
como porcentaje. Finalmente, plot_coactivacion
utiliza las señales
𝐸𝑀𝐺$
y
𝐸𝑀𝐺'
para ilustrar el
comportamiento de ambos músculos durante 2
segundos de grabación (descenso [1s] y ascenso
[1s]). Adicionalmente, se agrega el IC (valor
aproximado a dos decimales) en el cuadro de
simbología del gráfico.
Figura 1. Variación de amplitud electromiográfica de dos
señales (vasto medial [VM] y lateral [VL]) durante una
sentadilla unipodal (descenso: 1s, ascenso: 1s), las cuales fueron
normalizadas a la %CVM. La región gris representa el área
común para ambas señales. *IC: índice de coactivación
calculado a partir de la función coactivation_index
Es importante mencionar que las señales
implementadas para este ejemplo representan sólo
un ciclo de descenso y ascenso del ejercicio en una
persona, lo cual no debe ser interpretado como
Valencia et al.
Kinesiología (2022); 41(2): 120-123
123
valores normales durante el desarrollo de esta tarea
(sentadilla unipodal). La imagen extraída a partir de
esta función quedará guardada (formato .png) en la
carpeta que contiene los archivos con las señales que
deseen ser procesadas.
Aporte a la kinesiología
La estimación del IC en investigaciones clínicas,
rehabilitación, deporte, y formación de alumnos de
pregrado-postgrado ha generado la necesidad de
integrar un lenguaje de programación como Python
(con libre acceso), el cual permite cuantificar esta
variable. Adicionalmente, la gran cantidad de tareas
funcionales que hoy han sido registradas con EMGs,
ha permitido acercarnos aún más a la comprensión
del comportamiento humano y su desempeño. En
consecuencia, la propuesta presentada en este
manuscrito cumple con entregar una herramienta
acotada de procesamiento enfocada en el cálculo del
IC, la cual puede ser usada con cualquier conjunto
de señales de músculos antagonistas. Las funciones
y los archivos desarrollados en este manuscrito se
pueden descargar desde:
https://github.com/aweinstein/emg_coactivation
Financiamiento
AW fue parcialmente apoyado por ANID a través del Centro Basal
FB0008.
Conflicto de interés
Los autores declaran no tener conflicto de interés
Detalles de los autores
1 Universidad de los Andes, Chile, Laboratorio Integrativo de
Biomecánica y Fisiología del Esfuerzo, Escuela de Kinesiología.
2 Laboratorio de Biomecánica Hospital del Trabajador (ACHS),
Santiago, Chile.
3 Unidad de Ciencias Aplicadas al Deporte, Centro de Alto Rendimiento,
Chile.
4 School of Biomedical Sciences, University of Queensland, Brisbane,
Australia.
5 Carrera de Kinesiología, Universidad del Desarrollo, Santiago, Chile.
6 Escuela de Ingeniería Civil Biomédica, Universidad de Valparaíso,
Chile.
Correspondencia a:
Oscar Valencia
Monseñor Álvaro del Portillo 12.455, Las Condes, Santiago, Chile.
ovalencia@uandes.cl
Recibido:
Mayo 2022
Publicado:
Junio 2022
Referencias
1. Latash ML. Muscle coactivation: definitions, mechanisms,
and functions. J Neurophysiol 2018; 120: 88–104.
2. Solomonow M, Krogsgaard M. Sensorimotor control of
knee stability. A review. Scand J Med Sci Sports 2001; 11:
64–80.
3. Valencia O, Hudson MJ, Carpes F et al. Modification of
kinematic and electromyographic patterns in the lower limb
by the use of cell phones. Retos 2021; 39: 354–358.
4. Guilleron C, Maktouf W, Beaune B et al. Coactivation
pattern in leg muscles during treadmill walking in patients
suffering from intermittent claudication. Gait Posture 2021;
84: 245–253.
5. Araya D, López J, Villalobos G et al. Changes in muscle
coactivation during running: a comparison between two
techniques, forefoot vs rearfoot. Arch Med del Deport 2021;
38: 332–336.
6. Mari S, Serrao M, Casali C et al. Lower Limb Antagonist
Muscle Co-Activation and its Relationship with Gait
Parameters in Cerebellar Ataxia. The Cerebellum 2014; 13:
226–236.
7. Arias P, Espinosa N, Robles-García V et al. Antagonist
muscle co-activation during straight walking and its relation
to kinematics: Insight from young, elderly and Parkinson’s
disease. Brain Res 2012; 1455: 124–131.
8. Gagnat Y, Brændvik SM, Roeleveld K. Surface
Electromyography Normalization Affects the Interpretation
of Muscle Activity and Coactivation in Children With
Cerebral Palsy During Walking. Front Neurol 2020; 11:
202.
9. Henriksson M, Henriksson J, Bergenius J. Gait initiation
characteristics in elderly patients with unilateral vestibular
impairment. Gait Posture 2011; 33: 661–667.
10. Chow JW, Stokic DS. Relations between knee and ankle
muscle coactivation and temporospatial gait measures in
patients without hypertonia early after stroke. Exp Brain Res
2020; 238: 2909–2919.
11. Tam N, Santos-Concejero J, Coetzee DR et al. Muscle co-
activation and its influence on running performance and risk
of injury in elite Kenyan runners. J Sports Sci 2017; 35:
175–181.
12. Falconer K, Winter DA. Quantitative assessment of co-
contraction at the ankle joint in walking. Electromyogr Clin
Neurophysiol 1985; 25: 135–49.
13. Hermens HJ, Freriks B, Disselhorst-Klug C et al.
Development of recommendations for SEMG sensors and
sensor placement procedures. J Electromyogr Kinesiol
2000; 10: 361–374.
14. Valencia O, de la Fuente C, Guzmán-Venegas R et al.
Propuesta de flujo de procesamiento utilizando Python para
ajustar la señal electromiográfica funcional a la contracción
voluntaria máxima. Rev Kinesiol 2021; 40: 171–175.
