Découverte de caractéristiques clés de l’électromyographie de surface pendant la marche pour distinguer une masse musculaire élevée ou faible via l’analyse par apprentissage automatique

Pourquoi votre façon de marcher en dit plus que vous ne le pensez

La plupart des gens associent la perte musculaire au grand âge, pourtant la quantité de muscle que nous avons au début et au milieu de la vie peut influencer notre mobilité et notre santé future. Les tests standards de masse musculaire nécessitent des appareils encombrants et des visites en clinique. Cette étude examine si une simple marche, enregistrée avec de petits capteurs sur les jambes et analysée par un ordinateur, peut révéler qui a une masse musculaire relativement faible ou élevée, même parmi des adultes par ailleurs en bonne santé.

Écouter les muscles pendant que vous bougez

Plutôt que de scanner tout le corps, les chercheurs se sont concentrés sur les faibles signaux électriques que les muscles produisent naturellement lorsqu’ils se contractent. Ces signaux, captés à la surface de la peau à l’aide d’autocollants placés sur quatre muscles clés de la jambe, ont été enregistrés pendant que 133 adultes âgés de 20 à 59 ans marchaien t aller‑retour à des vitesses normales et rapides. Parallèlement, des capteurs de mouvement ont permis de découper chaque marche en pas individuels afin d’examiner l’activité musculaire cycle par cycle plutôt que comme un unique enregistrement flou.

Classer les personnes selon la taille des muscles

Les participants ont également passé un test standard de composition corporelle qui estime la quantité de muscle dans les bras et les jambes. Comme il n’existe pas de seuils largement acceptés pour la « faible masse musculaire » chez les adultes plus jeunes, l’équipe a utilisé une méthode de regroupement basée sur les données pour répartir les personnes en trois grappes au sein de leurs catégories d’âge et de sexe, puis a combiné les deux grappes supérieures en un unique groupe à masse musculaire élevée. Cela a permis d’obtenir une étiquette claire bas versus haut pour chaque personne sans s’appuyer sur des seuils arbitraires.

Apprendre aux ordinateurs à lire les signaux musculaires

Pour chaque pas enregistré, les chercheurs ont extrait des centaines de caractéristiques numériques décrivant l’intensité, la complexité et la rapidité des variations de chaque signal musculaire, y compris des motifs subtils révélés par un traitement avancé du signal. Ils ont ensuite utilisé plusieurs modèles d’apprentissage automatique courants pour apprendre la relation entre ces caractéristiques et les étiquettes « masse musculaire faible » ou « élevée ». Pour vérifier que les systèmes fonctionnaient sur de nouvelles personnes, ils ont entraîné les modèles sur tous les participants sauf un, et les ont testés sur la personne laissée de côté, répétant la procédure de sorte que chaque volontaire ait servi une fois de cas inédit.

Ce que les modèles ont appris sur les muscles clés

Les modèles informatiques ont distingué masse musculaire faible et élevée avec une précision remarquable, d’environ 95 % lors de la marche normale et 94 % lors de la marche rapide pour les meilleures méthodes. Tout aussi important, l’équipe a utilisé un outil d’explicabilité pour voir quelles caractéristiques comptaient le plus dans les prédictions. Pendant la marche à vitesse quotidienne, le signal le plus informatif provenait du muscle situé à l’avant du tibia, où une puissance de pic plus faible était liée à une masse musculaire globale plus élevée. Lors de la marche rapide, la caractéristique la plus influente était la fréquence à laquelle le signal électrique d’un gros muscle à l’arrière de la cuisse croisait zéro, une mesure de son schéma de décharges rapides, qui tendait à être plus élevée chez les personnes ayant plus de muscle.

Ce que cela pourrait signifier pour la santé courante

En termes simples, l’étude montre que la façon dont vos muscles des jambes se déclenchent pendant la marche porte une signature lisible de votre masse musculaire globale. Un test de marche rapide, basé sur des capteurs et analysé par des méthodes informatiques transparentes, pourrait un jour aider à repérer des adultes qui s’acheminent vers une faible masse musculaire bien avant qu’ils ne se sentent faibles ou lents. Bien que des études plus vastes et plus diverses soient encore nécessaires, ce travail suggère qu’une courte marche sur le plancher d’une clinique pourrait finalement compléter les scans traditionnels comme contrôle pratique de la santé musculaire.

Citation: Lee, D., Konki, S.K., Jung, D. et al. Discovery of key surface electromyography features during walking for discerning high and low muscle mass using machine learning analysis. Sci Rep 16, 14867 (2026). https://doi.org/10.1038/s41598-026-45053-8

Mots-clés: masse musculaire, électromyographie de surface, analyse de la marche, apprentissage automatique, risque de sarcopénie