Electromyography (EMG) is a promising tool for real-time biofeedback in rehabilitation. This study presents the design and evaluation of a custom iOS application, that detects steps using only EMG signals from the tibialis anterior (TA) and provides real-time feedback via visual, auditory, and haptic modalities. The goal was to evaluate how different feedback types influence muscle activation and user experience during treadmill walking, with a particular focus on potential applications for individuals with foot drop, a condition involving TA weakening due to nerve damage that complicates gait.

The results show that reliable step detection durring normal gait can be achieved with a single EMG sensor, using a lightweight peak detection algorithm. Subjective feedback from five participants indicated a strong preference for feedback modalities with low cognitive demand and minimal interference with walking. The circular visual graph stood out for its clarity and intuitive design, while short reinforcement cues, such as vibration pulses or audio tones, were appreciated for their clear indication of a successful step.

Objective EMG data revealed increased TA activation during feedback trials, with the highest average increase observed for the circular graph. However, individual responses varied, highlighting the need for feedback options in rehabilitation tools. These findings suggest that the optimal feedback depends on individual preferences, task demands, and stage of recovery, emphasizing the value of multimodal and adaptive feedback systems for future applications in gait rehabilitation.

 Elektromyografi (EMG) är ett lovande verktyg för realtidsbaserad biofeedback inom rehabilitering. Den här studien presenterar designen och utvärderingen av en iOS-applikation som detekterar steg enbart med hjälp av EMG-signaler från tibialis anterior (TA) och ger återkoppling i realtid via visuella, auditiva och haptiska modaliteter. Syftet var att undersöka hur olika typer av feedback påverkar muskelaktivering och användarupplevelse under gång på löpband, med ett särskilt fokus på potentiella tillämpningar för personer med droppfot, ett tillstånd som innebär försvagning i TA på grund av nervskada, vilket försvårar gång.

Resultaten visar att steg detektering av normal gång kan uppnås med en enda EMG-sensor genom en enkel algoritm för peak detektering. Subjektiv feedback från fem deltagare visade tydliga preferenser för feedbackmodaliteter som kräver låg kognitiv belastning och inte stör gången. Den cirkulära visuella grafen stack ut som särskilt tydlig och intuitiv, medan korta förstärkningssignaler som vibrationspulser eller ljudtoner uppskattades för sin tydliga koppling till ett lyckat steg.

Objektiv EMG-data visade ökad aktivering i TA vid feedback, med störst genomsnittlig ökning för den cirkulära grafen. Samtidigt fanns det tydliga individuella skillnader, vilket understryker behovet av anpassningsbara feedbackalternativ i rehabiliteringsverktyg. Resultaten tyder på att optimal feedback beror på individuella preferenser, aktiviteten i fråga och stadie av rehabilitering, vilket framhäver värdet av multimodala och adaptiva feedbacksystem för framtid rehabilitering av droppfot.