Scoperta delle caratteristiche chiave dell’elettromiografia di superficie durante la camminata per distinguere massa muscolare alta e bassa mediante analisi di machine learning

Perché il tuo passo dice più di quanto pensi

La maggior parte delle persone associa la perdita muscolare all’età avanzata, eppure la quantità di muscolo che portiamo con noi in età giovanile e di mezza età può influenzare la nostra mobilità e la salute futura. I test standard per la massa muscolare richiedono macchine ingombranti e visite cliniche. Questo studio esplora se una semplice camminata, registrata con piccoli sensori sulle gambe e analizzata al computer, possa rivelare chi ha relativamente poca o molta massa muscolare, anche tra adulti altrimenti sani.

Ascoltare i muscoli mentre ti muovi

Invece di scannerizzare l’intero corpo, i ricercatori si sono concentrati sui piccoli segnali elettrici che i muscoli producono naturalmente quando si contraggono. Questi segnali, catturati in superficie con degli adesivi su quattro muscoli chiave della gamba, sono stati registrati mentre 133 adulti di età compresa tra 20 e 59 anni camminavano avanti e indietro a velocità normale e veloce. Contemporaneamente, sensori di movimento hanno aiutato a suddividere ogni camminata in singoli passi in modo che il team potesse esaminare l’attività muscolare ciclo per ciclo anziché come un’unica sequenza confusa.

Classificare le persone in base alla massa muscolare

I partecipanti hanno inoltre eseguito un test standard di composizione corporea che stima quanta massa muscolare è presente in braccia e gambe. Poiché non esistono limiti ampiamente condivisi per definire la “bassa massa muscolare” nei giovani adulti, il team ha usato un metodo di raggruppamento basato sui dati per suddividere le persone in tre cluster all’interno delle fasce di sesso e età, quindi ha unito i due cluster superiori in un unico gruppo ad alta massa muscolare. In questo modo si è ottenuta un’etichetta chiara di massa muscolare bassa rispetto ad alta per ogni individuo senza ricorrere a soglie arbitrarie.

Insegnare ai computer a leggere i segnali muscolari

Da ogni passo registrato i ricercatori hanno estratto centinaia di caratteristiche numeriche che descrivono quanto siano forti, complesse e rapidamente variabili le emissioni di ciascun muscolo, comprese pattern sottili rivelati da avanzate tecniche di elaborazione del segnale. Hanno poi impiegato diversi modelli di machine learning comuni per apprendere il legame tra queste caratteristiche e le etichette di massa muscolare bassa o alta. Per verificare che i sistemi funzionassero su persone nuove, hanno addestrato i modelli su tutti tranne un partecipante e li hanno testati sulla persona lasciata fuori, ripetendo la procedura in modo che ogni volontario fungesse una volta da caso non visto.

Cosa hanno imparato i modelli sui muscoli chiave

I modelli computerizzati hanno distinto la massa muscolare bassa da quella alta con un’accuratezza sorprendente, circa il 95% durante la camminata a velocità normale e il 94% durante la camminata veloce per i metodi migliori. Altrettanto importante, il gruppo ha utilizzato uno strumento di spiegazione per capire quali caratteristiche fossero più rilevanti per le predizioni. Durante la camminata a velocità quotidiana, il segnale più informativo proveniva dal muscolo lungo la parte anteriore della tibia, dove una potenza di picco più bassa era associata a una massa muscolare complessiva più elevata. Durante la camminata veloce, la caratteristica più influente era la frequenza con cui il segnale elettrico di un grande muscolo posteriore della coscia attraversava lo zero, una misura del suo schema di attivazione rapido, che tendeva a essere maggiore nelle persone con più massa muscolare.

Cosa potrebbe significare per la salute di tutti i giorni

In termini semplici, lo studio mostra che il modo in cui i muscoli delle gambe si attivano mentre cammini porta con sé una firma leggibile della quantità di muscolo complessiva. Un rapido test di camminata basato su sensori, analizzato da metodi informatici trasparenti, potrebbe un giorno aiutare a segnalare gli adulti che si stanno avviando verso una bassa massa muscolare molto prima che avvertano debolezza o rallentamento. Sebbene siano necessari studi più ampi e con popolazioni più diverse, questo lavoro suggerisce che una breve camminata sul pavimento della clinica potrebbe infine affiancare le scansioni tradizionali come controllo pratico per la salute muscolare.

Citazione: 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

Parole chiave: massa muscolare, elettromiografia di superficie, analisi della camminata, machine learning, rischio di sarcopenia