Neuromuscular impairments in ankle dorsi-/plantarflexor muscles presentrehabilitation challenges after spinal cord injury (SCI) and stroke. Reliabletorque prediction and characterization of muscle impairments are essential forguiding rehabilitation and monitoring recovery. This thesis aims to assess howhigh-density EMG (HDEMG) improves torque estimation by integrating spatialand neurophysiological data (Studies I & II) and examine motor unit (MU)behavior and corticomuscular connectivity in SCI and stroke (Studies III & IV).Proposed methodologies combine HDEMG with advanced signal processingtechniques. Specifically, Study I uses machine learning (ML) to predict torquefrom bipolar EMG, HDEMG, and extracted features. Study II incorporates acomputational cumulative spike train-driven motoneuron pool model into aneuromusculoskeletal framework to generate neural drive signals. Study IIIuses HDEMG decomposition to analyze MU firing behavior in SCI. Study IVinvestigates MU/EMG–EEG corticomuscular coherence (CMC) to assesscorticospinal disruptions in stroke.Findings from Studies I & II show ML methods predict torque well in staticconditions but face challenges in dynamic movement due to absence ofkinematic constraints. Neuromusculoskeletal modeling provides betterrepresentation of neural and mechanical function by incorporating MU firingproperties. Studies III & IV offer insights into MU-level changes inneuromuscular disorders. Specifically, Study III identifies SCI-related EMG andMU behavior alterations, reflecting compensatory motor control strategies.Study IV introduces MU-level CMC analysis in stroke, revealing that motorneuron parameters do not significantly determine CMC strength, and thefundamental pattern of beta-band coupling over motor areas remainsidentifiable across all subject groups and CMC modalities.Overall, this thesis demonstrates that HDEMG enhances torque estimation andneuromuscular assessment. By integrating spatial EMG features and MU-levelanalyses, it deepens understanding of pathological motor control andneurophysiology, with implications for rehabilitation, assistive devices, andneuromuscular modeling.

Neuromuskulära funktionsnedsättningar i dorsal-/plantarflexor i fotledenutgör stora rehabiliteringsutmaningar efter ryggmärgsskada (RMS) och stroke.Att karakterisera muskel-funktionsnedsättningar är avgörande för att följa uppåterhämtning. Tillförlitlig vridmomentestimering är väsentlig för planering avrehabiliteringsstrategier. Denna avhandling syftar till att (i) bedöma hurhögdensitets elektromyografi (HDEMG) förbättrar vridmomentestimeringgenom att integrera rumsliga och neurofysiologiska data (Studie I & II) och (ii)undersöka muskelaktivering och motorenhetsbeteende (ME) hos individer medRMS och stroke (Studie III & IV).Metodologierna kombinerar HDEMG med avancerad signalbehandling. StudieI använder maskininlärning (ML) för att estimera vridmoment från EMG,HDEMG och EMG-baserade egenskaper. Studie II använder enberäkningsmodell för motoneuronpooler, driven av kumulativt spikmönster(CST), in i ett neuromuskuloskeletalt ramverk för att generera nervsignalstyrka.Studie III använder HDEMG-dekomposition för att analysera ME-avfyrning vidRMS. Studie IV undersöker ME/EMG-EEG corticomuskulär koherens (CMC)för att upptäcka corticospinala störningar hos individer efter stroke.Resultaten från Studie I och II visar att ML-metoder estimerar vridmomenttillförlitligt under statiska förhållanden men har svårigheter vid dynamiskarörelser på grund av saknande kinematisk information. Neuromuskuloskeletalmodellering avbildar bättre motorisk och mekanisk funktion genom attintegrera ME-avfyrningsegenskaper. Studie III och IV ger insikter i förändringarpå ME-nivå vid neuromuskulära sjukdomar. Studie III identifierar EMG- ochME-förändringar relaterade till RMS. Studie IV visar attmotorneuronparameterar inte påverkar CMC-styrka och att det grundläggandebeta-bandmönstret är identifierbart i alla CMC-modaliteter.Sammanfattningsvis visar denna avhandling att HDEMG förbättrarvridmomentestimering och neuromuskulär bedömning. Genom att integrerarumsliga EMG-egenskaper och ME-analyser fördjupas förståelsen förmotorstyrning och neurofysiologi, med implicita konsekvenser förrehabilitering, hjälpmedel och modellering.