Oscar Valencia, Manuel Varas, Christopher Moya, Manuela Besomi, Alejandro Weinstein, Rodrigo Guzmán-Venegas

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.

Muscle coactivation. A proposal to calculate its index utilising Python.

Abstract

Introduction. Neurophysiological phenomena, such as muscle coactivation, have been used to identify motor tasks requiring greater joint stability in healthy people or with movement disorders. Nonetheless, there are many ways to calculate the coactivation index (CI). This article aimed to create a processing pipeline to calculate the muscular CI by designing two functions with the Python language. The first function calculates the CI utilising the formula proposed by Falconer and Winter, defined as “coactivation_index”. It is required to introduce two signals of antagonist muscles with the same data long and sample frequency. These signals were previously normalised to the maximum voluntary contraction using the averaged rectified values. The second function was defined as “plot_coactivacion”, which unfolds a figure that describes the amplitude changes for both muscles and their common area. These functions were designed with a freely accessible language (Python), highlighting its clear syntax and the number of libraries associated with biomedical signal processing.

Key words: Antagonist muscles, Electromyography, Python.