1. Waarom we kritisch naar EMG moeten kijken
Elektromyografie (EMG) is al decennia een geliefd instrument binnen de bewegingswetenschappen, fysiotherapie en sportanalyse. Het belooft een directe inkijk in spieractiviteit en daarmee een objectieve manier om neuromusculaire processen te begrijpen of te monitoren. Met name in een tijd waarin wearables, AI en datagedreven diagnostiek steeds populairder worden, groeit de interesse in EMG sterk.
Toch is het de vraag of EMG daadwerkelijk meet wat we denken dat het meet. Zonder een diepgaand begrip van de onderliggende spierfysiologie, de beperkingen van de data en de context waarin het wordt toegepast, lopen we het risico dat de technologie ons eerder op het verkeerde been zet dan daadwerkelijk inzicht biedt.
2. Anatomische en fysiologische fundamenten
Spieren zijn geen homogene kabels
Om EMG goed te begrijpen, moeten we eerst terug naar de basis: de spier zelf. Een spier is opgebouwd uit spiervezels, die op hun beurt bestaan uit sarcomeren — de fundamentele contractiele eenheden. Deze spiervezels vormen samen motor units: groepen vezels die door één motorisch neuron worden aangestuurd. Wat hierin essentieel is om te begrijpen, is dat spieren niet homogeen zijn opgebouwd. Binnen één spierbuik komen meerdere types spiervezels voor (bijvoorbeeld type I en II), elk met verschillende mechanische en histochemische eigenschappen1.
Hoewel een motor unit doorgaans slechts één type spiervezel bevat, bestaat een spier uit meerdere door de spierbuik verspreide motor units van verschillende typen vezels. Hierdoor is de functionele werking van een spier niet uniform over de hele lengte of doorsnede. Deze non-uniformiteit is ook zichtbaar op microschaal: sarcomeerlengtes variëren binnen én tussen spiervezels, wat invloed heeft op krachtproductie, snelheid en rekrespons2.
Bovendien worden spiervezels volgens het size principle gerekruteerd — van kleine, laagdrempelige motor units (type I) naar grotere, snellere motor units (type II). Dit betekent dat activatiegraad en volgorde mede afhangen van de fysiologische belasting en het spiervezeltype3,4. Deze complexiteit heeft directe implicaties voor wat we via EMG waarnemen: het signaal dat we meten is geen directe weerspiegeling van uniforme spieractiviteit, maar eerder een ruwe projectie van selectieve, contextafhankelijke rekrutering binnen een heterogene structuur.
3. EMG: wat meten we eigenlijk?
Van potentiaal naar verwarring
EMG kent grofweg twee hoofdvormen: needle EMG en surface EMG (sEMG). Bij needle EMG worden elektrodes rechtstreeks in de spier ingebracht, dicht bij de innervatiezone, waarmee men zeer gedetailleerd de activiteit van individuele motor units kan meten. Deze methode is echter invasief, beperkt tot gecontroleerde laboratoriumsettings en daardoor alleen bruikbaar voor onderzoeksdoeleinden.
sEMG, waarbij elektroden op de huid worden geplaatst, is veel toegankelijker en wordt in de praktijk dan ook het meest gebruikt. Maar deze toegankelijkheid kent een prijs: de meetnauwkeurigheid en interpretatiekracht nemen drastisch af. Middels sEMG verkrijgen we namelijk alleen informatie van de regio onder en dichtbij de elektrode. Dit introduceert direct meerdere problemen:
- Crosstalk: elektrische signalen van naburige spieren interfereren met het gewenste signaal5;
- Plaatsingsgevoeligheid: de positie van de elektrode t.o.v. spiervezelrichting, innervatiezone of huidweerstand heeft grote invloed op het signaal6;
- Ruis en artefacten: elektrische interferentie, bewegingsartefacten, verschuivende elektroden en ruis van vetweefsel verstoren het signaal7;
- Beperkt bereik: diepgelegen spieren zijn moeilijk (zo niet onmogelijk) te detecteren met sEMG, en zelfs bij oppervlakkige spieren kan subcutaan vet de kwaliteit van het signaal verminderen5,6.
Bij dynamische taken zoals rennen, springen of fietsen neemt de aanwezigheid van ruis en bewegingsartefacten aanzienlijk toe, waardoor het verkrijgen van zuivere en reproduceerbare signalen sterk bemoeilijkt wordt zonder toepassing van geavanceerde signaalverwerkingstechnieken7. sEMG biedt dan geen robuuste data, maar een cocktail van onzekerheden.
4. Analyse en interpretatie: hoop op AI, maar op drijfzand?
Een slim algoritme maakt geen domme data beter
Omdat de analyse van EMG-signalen technisch complex is – met factoren zoals signaalverwerking, filtering en normalisatie – verschuift de aandacht steeds meer naar AI en machine learning om patronen te herkennen of automatisering te realiseren.
Hoewel dit op het eerste gezicht aantrekkelijk lijkt, schuilt hier een groot risico: AI kan alleen goed presteren als de inputdata van voldoende kwaliteit en context is voorzien. Wanneer EMG-data vervuild, incompleet of verkeerd geïnterpreteerd wordt, versterkt AI juist de fouten in plaats van ze op te lossen. Black-boxmodellen bieden dan schijnzekerheid, geen helderheid.
Daarbij komt dat er geen uniformiteit bestaat in methodologische standaarden, elektrodeplaatsing, filterprotocollen, dataformaten en systemen – met als gevolg een gebrek aan interoperabiliteit.
Zoals ook door Campanini6 beschreven wordt, maakt de combinatie van technisch complexe signalen, ontbrekende standaardisatie en interpretatierisico’s het problematisch om EMG blind te gebruiken als diagnostisch instrument — zeker in settings met hoge praktische eisen en weinig controle, zoals klinieken of sportvelden.
5. Wetenschappelijke context en bewijs
Activatie = Output: De mythe van spierkracht via EMG
Een cruciale misvatting in het gebruik van EMG is de aanname dat spieractivatie gelijk staat aan spieroutput. Een studie van Colling8 toont echter aan dat verhoogde EMG-activatie niet noodzakelijkerwijs betekent dat een spier meer kracht levert. De auteurs stellen terecht dat activatie altijd geïnterpreteerd moet worden binnen de biomechanische context – spierlengte, gewrichtspositie, synergistische activiteit en externe belasting spelen allemaal mee.
Wellicht nog belangrijker om te realiseren, is dat spieren in het lichaam zelden individueel functioneren. In plaats daarvan werken ze in spiersynergieën: functionele groepen die samen beweging genereren. Door slechts individuele spieren via EMG te meten, verliezen we zicht op deze neuromechanische samenwerking7. Zonder deze context is EMG-activatie op zichzelf weinig informatief – en zelfs misleidend.
6. Conclusie: EMG, ja of nee?
EMG is op zich een mooi meetinstrument, maar het is alleen waardevol wanneer het met kennis, nuance en kritisch denken wordt toegepast. De huidige tendens om EMG-data klakkeloos in software of AI-systemen te voeren, zonder diepgaande interpretatie van context, structuur of biomechanica, is riskant.
In de klinische praktijk en sportomgeving is de kans op misinterpretatie groot. Het blind vertrouwen op techniek zonder begrip van de fysiologie ondermijnt de potentie van EMG als waardevol meetinstrument.
De toekomst van EMG ligt niet in meer data, maar in betere interpretatie. Pas als we EMG weten te integreren met inzichten over spiersynergie, motorische controle en biomechanische context, kunnen we werkelijk spreken van een bruikbare toepassing van spiermeting in de praktijk.
Referenties
[1] G. A. Brooks, T. D. Fahey and T. P. White, Exercise physiology : human bioenergetics and its applications, Mountain View, California: Mayfield Publishing Company, 1996.
[2] M. Li, T. Leonard, S. Han, E. Moo and W. Herzog, “Gaining new understanding of sarcomere length non-uniformities in skeletal muscles.,” Frontiers in Physiology, vol. 11, p. 14:1242177, 2024.
[3] E. Henneman, H. Clamann, J. Gillies and R. Skinner, “Rank order of motoneurons within a pool: law of combination,” Journal of Neurophysiology, vol. 37, no. 6, pp. 1338-1349, 1974.
[4] M. B. Bromberg, “The motor unit and quantitative electromyography,” Muscle & Nerve, vol. 61, no. 2, pp. 131-142, 2020.
[5] L. Mesin, “Crosstalk in surface electromyogram: literature review and some insights,” Physical and Engineering Sciences in Medicine, vol. 43, no. 2, pp. 481-491, 2020.
[6] I. Campanini, C. Disselhorst-Klug, W. Z. Rymer and R. Merletti, “Surface EMG in Clinical Assessment and Neurorehabilitation: Barriers Limiting Its Use,” Frontiers in Neurology, p. 11:934, 2020.
[7] H. Enders and B. M. Nigg, “Measuring human locomotor control using EMG and EEG: Current knowledge, limitations and future considerations,” European Journal of Sport Science, vol. 16, no. 4, pp. 416-426, 2016.
[8] T. J. Collings, M. N. Bourne, R. S. Barrett, E. Meinders, B. Gonçalves, A. Shield and L. E. Diamond, “Reconsidering Exercise Selection with EMG: Poor Agreement between Ranking Hip Exercises with Gluteal EMG and Muscle Force,” Medicine & Science in Sports & Exercise, 2025.