Nouvelle modalité de contrôle en boucle fermée de l'activation musculaire et prédiction en ligne du couple musculaire sous SEF

par Zhan Li

Thèse de doctorat en Systèmes automatiques et microélectroniques

Sous la direction de David Guiraud et de Mitsuhiro Hayashibe.


  • Résumé

    La stimulation électrique fonctionnelle (SEF) est une des techniques utilisées pour la rééducation ou la suppléance fonctionnelle de déficiences motrices. Un stimulateur génère des impulsions électriques qui induisent des contractions des muscles paralysés, au travers des unités motrices toujours intactes. Aujourd'hui, les systèmes fonctionnant en boucle ouverte sont majoritairement utilisés. Ils permettent aux chercheurs d'évaluer hors-ligne de la SEF. Cependant, leur réglage reste basé sur un cycle essai-erreur ce qui est loin de simplifier la mise en œuvre de systèmes en boucle fermée. Dans cette thèse, nous proposons une méthode de prédiction en temps-réel du couple en fonction de l'EMG conduisant à une nouvelle modalité de contrôle de l'activation musculaire sous SEF. L'EMG évoquée (eEMG) donne une image de l'effet de la SEF sur l'activité musculaire et est ainsi impliquée à la fois dans l'estimation du couple en temps réel et le contrôle. Le couple articulaire peut être estimé par l'eEMG en utilisant un filtre de Kalman et un modèle NARX - RNN. Le facteur d'oubli du filtre de Kalman doit être soigneuse-ment choisi de même que les réglages du schéma de calcul. C'est une limitation en particulier quand lorsque qu'il n'y a aucune connaissance a priori sur la force générée par le sujet sous SEF. La méthode proposée NARX-RNN n'a pas ce défaut et offre de meilleures performances que le filtre de Kalman. L'estimation du couple basée eEMG est donc utilisée hors-ligne et en-ligne en temps réel. Les performances comparées des algorithmes ont été effectues sur sujets sains et sujets blessés médullaires. Par ailleurs, le système temps-réel de contrôle de l'activation musculaire basé EMG a été développé sur la technologie sans fil Vivaltis. Enfin, afin de proposer un contrôle de plusieurs muscles, le concept de synergie a été utilisée pour estimer les activations musculaires cibles à partir d'un couple articulaire désiré. Les niveaux de synergie moyenne ont été utilisés pour valider l'extraction d'activation sur le sujet non inclus dans le calcul de la moyenne. L'erreur d'estimation est de 9.3% sur l'ensemble des sujets. Ces résultats vont dans le sens d'un contrôle d'une neuroprothèse basé synergie. En effet la combinaison des eux contributions de la thèse ouvre des perspectives nouvelles de modalité de contrôle de la SEF.

  • Titre traduit

    Real-time EMG-Feedback Torque Prediction and Muscle Activation Control toward New Modality in FES


  • Résumé

    Functional electrical stimulation (FES) is one of existing rehabilitationtechniques to restore lost motor functions for motor-impaired subjects. Thestimulator generates electrical pulses to drive artificial contractions of theparalysed muscles, through activating intact motor units. Currently open-loopFES system is the most frequently used. The data acquired from the open-loop FESwould help researchers to make off-line analysis for evaluating performance ofFES systems. However, it should go through a trial and error manner, which isfar from facilitating a implementation of real-time closed-loop FES system.In this thesis, we propose and develop a method for real-time EMG-feedback torqueprediction and muscle activation control toward new modality in FES.The evoked electromyography (eEMG) which can reflect electrical muscleactivities under FES, is involved in both offline and real-time FES-inducedtorque estimation and muscle control systems. FES-induced joint torque can beestimated/predicted with eEMG by employing both Kalman filter and NonlinearAuto-Regressive with Exogenous (NARX) type recurrent neural network (RNN). Theforgetting factor of Kalman filter should be properly selected in advance andalso with proper computational settings. It is a limitation for some casesespecially when we do not have prior knowledge of new subject regarding expectedmuscle response intensity induced by FES. The proposed NARX-RNN does not sufferfrom such computational setting problems and also shows better estimation/prediction performances than that of Kalman filter.Evoked EMG based torque estimator is exploited from off-line situation toonline real-time system. Recursive Kalman filter and NARX-RNN are implementedfor real-time torque estimation/prediction with evoked EMG. The performance wasverified both in able-bodied and spinal cord injured subjects. Furthermore, real-time EMG-feedback muscle activation control in FES system is developed togetherwith wireless Vivaltis stimulator for specifying directly muscle activationinstead of conventionally specifying stimulation pattern.Toward natural multiple muscles control with multi-channel FES, muscle synergyconcept was introduced for inverse estimation of muscle activations from desiredjoint moment. The averaged synergy ratio was applied for muscle activationestimation with leave-one-out cross validation manner, which resulted in 9.3%estimation error over all the subjects. This result supports the common musclesynergy-based neuroprosthetics control concept. By combining this inverse estimation of muscle activations together with real-time EMG-feedback muscle activation control, it would open a new modality toward muscle synergy-basedmulti-muscle activation control in FES.


Il est disponible au sein de la bibliothèque de l'établissement de soutenance.

Consulter en bibliothèque

La version de soutenance existe

Où se trouve cette thèse\u00a0?