Modèle multi-physiques et multi-échelles personnalisé pour l’évaluation du vieillissement musculaire

Multi-scales, multi-physics personalized HD-sEMG model for the evaluation of skeletal muscle aging

• Auteur / Autrice : Inès Douania
• Direction : Sofiane Boudaoud, Jérémy Laforêt
• Type : Thèse de doctorat
• Discipline(s) : Biomécanique et Bioingénierie : Unité de Recherche en Biomécanique et Bioingénierie (UMR-7338)
• Date : Soutenance le 03/06/2022
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Biomécanique et Bioingénierie / BMBI

Mots clés

Mots clés contrôlés

Tissu adipeux

Électromyographie

Marqueurs biologiques

Muscle biceps brachial

Muscles striés

Sarcopénie

Vieillissement

Muscles

Sensibilité, Théorie de la (mathématiques)

Modèles mathématiques

Analyse des systèmes

Multiphysique

Analyse multiéchelle

Mots clés libres

Système de systèmes

Modélisation

Muscle squelettique

Analyse de sensibilité

Vieillissement musculaire

Electromyographie de surface (sEMG),

System of systems

Modeling

Skeletal muscle

Sensitivity analysis

Sarcopenia

Muscle aging

Biochemical markers

Striated muscle

Electromyography

Adipose tissues

Résumé

Le vieillissement musculaire, en tant qu'entité pathologique, est connu sous le nom de sarcopénie. Il est défini comme une réduction de la force musculaire accompagnée d'une perte de masse musculaire et d'un déclin des fonctions physiques. Les méthodologies actuellement utilisées en pratique clinique pour évaluer cette maladie liée au vieillissement sont plutôt limitées pour saisir les caractéristiques de ce déclin à l'échelle macroscopique: mesure de la force et de la masse musculaire. Cependant, diagnostiquer la sarcopénie en mesurant uniquement ces deux paramètres n'est pas assez précis et ne permet pas de détecter une perte précoce de la fonction musculaire. Il est plus fiable d'exploiter des changements musculaires à l’échelle microscopique: tels que la perte des unités motrices (l'unité motrice (UM) est constituée d'un motoneurone et de toutes les fibres musculaires squelettiques innervées par ses terminaisons axonales), l'atrophie des fibres, le désordre de la commande neuronale, et l’infiltration intramusculaire des cellules adipeuses. Ainsi, des études récentes, basées sur la technique d'électromyographie de surface (sEMG), ont démontré le grand potentiel de cette technique en tant que biomarqueur pour détecter les premiers signes de muscles sarcopéniques. En effet, le signal sEMG est la réponse électrique de l'activation musculaire gérée par le système nerveux central (SNC). Il est mesuré de manière non invasive à la surface de la peau à l'aide d'électrodes de surface et peut être efficacement corrélé à la réponse mécanique de l'activation musculaire. De plus, les modèles mathématiques du signal sEMG peuvent former une alliance utile avec les mesures expérimentales et le traitement du sEMG pour identifier et/ou quantifier les bio-indicateurs (c'est-à-dire les paramètres anatomiques et neuronaux des muscles) d'un vieillissement musculaire sain, précoce, accéléré ou sarcopénique. Dans cette thèse, nous avons utilisé un modèle électrique optimisé décrivant l'activité électrique du muscle à la surface de la peau à l'aide de la technique d'électromyographie à haute densité (HD-sEMG). Ce modèle est développé précédemment dans notre laboratoire de recherches. Le temps de calcul réduit de ce modèle est l'élément clé majeur pour effectuer l'identification des indicateurs de vieillissement à l'aide de méthodes inverses et de la technique HD-sEMG. Cependant, cette identification nécessite des méthodes préalables telles que l'analyse de sensibilité et d'identifiabilité. De plus, lors de l'utilisation de ce modèle, nous avons observé d'importantes limitations telles qu'un manque de réalisme physiologique (par exemple, les territoires des UM et le nombre de fibres par muscle), de personnalisation (par exemple, le même schéma de recrutement neuronal pour les sujets jeunes et âgés) et de simplicité (par exemple, l'ajustement de 50 paramètres de modèle en fonction de l'âge et du sexe). Ces limitations restreignent l'utilisation de ce modèle dans le diagnostic du vieillissement musculaire. Par conséquent, l'objectif de cette thèse est de remédier à ces limitations et de fournir un modèle plus réaliste et simple à utiliser pour évaluer le vieillissement musculaire. Dans ce travail, nous proposons d'abord une méthode d’analyse de sensibilité de Morris améliorée (IMSA) appliquée au modèle développé. Cette analyse a été réalisée sur des sujets simulés jeunes et âgés (à faible et à fort niveau de contractions). Grâce à cette IMSA, nous avons réussi à mettre en évidence et avec précision les paramètres/facteurs neuromusculaires influents pour chaque catégorie d'âge, à chaque niveau de force et pour chaque descripteur statistique calculée à partir des signaux HD-sEMG. De plus, grâce à l'IMSA, nous avons mis en évidence les limitations du modèle mentionnées précédemment. Pour remédier à ces limitations, nous avons modifié le schéma du modèle pour le rendre plus facile à manipuler, avec moins de risques d'erreurs et d'incohérences.

The muscle aging, as a disease entity, is known as Sarcopenia. It is defined as a reduction of muscle strength/force accompanied by a loss of muscle mass and a decline in physical functions. The current methodologies used in clinical practice to assess this aging disease, are rather limited to capture the features of this decline at the macroscopic scale. Factors such as the loss of Motor Units (motor unit (MU) is made up of a motoneuron and all the skeletal muscle fibers innervated by the neuron's axon terminals), the atrophy of fibers and the disorder of the neural recruitment pattern are shown to have a clear influence on muscular function. However, diagnosing sarcopenia by only measuring the muscle strength and/or muscle mass is not enough accurate and cannot alert an early loss of muscular function. The inner scales (MU and fiber scale age-related changes) reflecting that loss of muscle mass and strength during aging are more interesting to exploit. Thus, recent studies, based on the surface electromyography (sEMG) technique, have demonstrated the great potential of this technique to be used as a biomarker to detect early signs of sarcopenic muscles. In fact, the sEMG signal is the electrical response of the muscle activation managed by the Central Nervous System (CNS). It is measured with a noninvasive manner at the skin surface using surface electrodes and can be correlated efficiently to the mechanical response of muscle activation. Moreover, mathematical models of sEMG signal can form a useful alliance with sEMG experimental measures and processing to identify and/or quantify bio-indicators (i.e., anatomical, and neural muscle parameters) of a healthy, early, accelerated or sarcopenic muscle aging. In this thesis work, we have used a fast and optimized electrical model describing the electrical activity of the muscle at the skin surface using High Density sEMG technique (HD-sEMG), developed in our laboratory team. The reduced computational time of this model is the major key feature to perform the identification of aging indicators using inverse methods and HD-sEMG technique. However, this identification needs pre-aided-methods such as the sensitivity and the identifiability analysis. Moreover, when dealing with this model, we have observed important limitations such as lack of physiological realism (e.g., MUS territories and the number of fibers per muscle), personalization (e.g., same recruitment pattern for young and elder subject), and simplicity (e.g., adjustment of 50 model parameters according to age and gender). These limitations restrain the use of this model in muscle aging diagnosis. Therefore, we aimed in this thesis to address the limitations of this model and deliver more realistic and user-friendly model to evaluate muscle aging. Therefore, in this work, we first propose an Improved Morris Sensitivity Analysis (IMSA) applied on the developed model. This analysis was performed on young and elder simulated subjects (at low and high force level). Using this IMSA, we success to spotlight with accuracy the influential neuromuscular parameters/factors for each age category, at each force level, and for each statistic feature computed over the HD-sEMG signals. Furthermore, using IMSA, we have outlined the model inaccuracies and limitations mentioned above. To address these limitations, we have modified the model schema implementation to be easier to manipulate (user-friendly model), with less error and inconsistency risks. Only the age and the gender of subject became needed as model entries to initiate a simulation of HD-sEMG signals. All other parameters necessary in simulations are then estimated through ''statistical'' models. The statistical models employ regression analysis to estimate the relation Parameter versus Age. A bibliographic research reporting these morphological and structural changes according to age, gender, and Biceps Brachii muscle was done.