Acurácia e curva de aprendizado de observadores inexperientes para segmentação manual de eletromiogramas / Accuracy and learning curves of inexperienced observers for manual segmentation of electromyograms

ABSTRACT

INTRODUCTION: The shape-varying format of surface electromyograms introduces errors in the detection of contraction events. OBJECTIVE: To investigate the accuracy and learning curves of inexperienced observers to detect the quantity of contraction events in surface electromyograms. MATERIALS AND METHODS: Six observers performed manual segmentation in 1200 shape-varying waveforms simulated using a phenomenological model with variable events, smooth changes in amplitude, marked on-off timing, and variable signal-to-noise ratio (0-39 dB). Segmentation was organized in four sessions with 15 blocks of 20 signals each. Accuracy and learning curves were modeled per block by linear and power regression models and tested for difference among sessions. Cut-off values of signal-to-noise ratio for optimal manual segmentation were also estimated. RESULTS: The accuracy curve showed no significant linear trend throughout blocks and no difference among sessions 1-2-3-4 (87% [85; 89], 87% [85; 89], 87% [85; 89], 87% [81; 88]; p = 0.691). Accuracy was low for detection of 1 event (AUC = 0.40; sensitivity = 44%; specificity = 43%; cut-off = 12.9 dB) but was high and affected by the signal-to-noise ratio for detection of two events (AUC = 0.82; sensitivity = 77%; specificity = 76%; cut-off = 7.0 dB). The learning curve showed a significant power regression (p < 0.001) with decreasing values of learning percentages (time duration to complete the task) among sessions 1-2-3-4 (86.5% [68; 94], 76% [68; 91], 62% [38; 77], and 57% [52; 75]; p = 0.002). CONCLUSION: Inexperienced observers exhibit high, not trainable accuracy and a practice-dependent shortening in the time spent to detect the quantity of contraction events in simulated surface electromyograms.

RESUMO

INTRODUÇÃO: A forma de onda variável do eletromiograma de superfície introduz erros na detecção de eventos de contração. OBJETIVO: Investigar as curvas de acurácia e aprendizagem de observadores inexperientes para detectar a quantidade de eventos em eletromiogramas de superfície. MATERIAIS E MÉTODOS: Seis observadores realizaram segmentação manual em 1.200 sinais com formas de onda variável simulada usando modelo fenomenológico, com mudanças suaves em amplitude, tempos início-fim marcados, e relação sinal-ruído variável (0-39 dB). A segmentação foi organizada em quatro sessões, com 15 blocos de 20 sinais. As curvas de acurácia e aprendizagem foram modeladas por bloco utilizando modelos de regressão linear e de potência, e foram testados quanto à diferença entre as sessões. Valores de corte de relação sinal-ruído ideais para segmentação manual também foram estimadas. RESULTADOS: A curva de acurácia não mostrou tendência linear significativa e não houve diferença entre as sessões 1-2-3-4 (87% [85; 89], 87% [85; 89], 87% [85; 89], 87% [81; 88], p = 0,691). A acurácia foi baixa para a detecção de um evento (AUC = 0,40; sensibilidade = 44%; especificidade = 43%; limiar = 12,9 dB), mas foi elevada e afetada pela relação sinal-ruído para a detecção de dois eventos (AUC = 0,82; sensibilidade = 77%, especificidade = 76%; limiar = 7,0 dB). A curva de aprendizagem mostrou uma regressão de potência significativa (p < 0,001) com valores decrescentes de percentagens de aprendizagem (tempo de duração para completar a tarefa) entre sessões 1-2-3-4 (86,5% [68; 94], 76% [68; 91], 62% [38; 77] e 57% [52; 75], p = 0,002). CONCLUSÃO: Observadores inexperientes apresentam alta acurácia não treinável e uma redução prática-dependente do tempo gasto para detectar a quantidade de eventos de contração em eletromiogramas de superfície simulados.