Identification des schémas d'activation musculaire par des méthodes inverses appliquées aux signaux HD-sEMG

Identification of muscle activation schemes by inverse methods applied on HD-sEMG signals

• Auteur / Autrice : Soumaya Berro
• Direction : Sofiane Boudaoud, Mohamad Khalil
• Type : Thèse de doctorat
• Discipline(s) : Bio-ingénierie : Unité de Recherche en Biomécanique et Bio-ingénierie (UMR-7338)
• Date : Soutenance le 22/11/2022
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale 71, Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Biomécanique et Bioingénierie / BMBI

Mots clés

Mots clés contrôlés

Apprentissage automatique

Intelligence artificielle

Estimation, Théorie de l'

Ajustement de courbe

Algorithmes

Temps réel (informatique)

Problèmes inverses

Muscle biceps brachial

Mécanique humaine

Appareil locomoteur

Mouvements

Activité motrice

Force musculaire

Muscles

Électromyographie

Mots clés libres

Électromyographie de surface à haute densité (HD-sEMG)

Localisation en temps réel

Estimation de la norme minimale

Identification spatiotemporelle

Technique d'ajustement de courbe

Unités motrices (UM)

High density surface electromyography (HD-sEMG)

Real-time localization

Inverse problem

Minimum norm estimation,

Spatiotemporal identification.

Curve fitting technique

Machine learning

Artificial intelligence

Motor Units (MUs)

Muscles

Résumé

L'identification rapide ou en temps réel de l'activation spatio-temporelle des unités motrices (UM) qui représentent les unités fonctionnelles du système neuromusculaire est fondamentale dans les applications de contrôle des prothèses et en réhabilitation fonctionnelle. Cependant, cette procédure demande un temps de calcul énorme. Par conséquent, le travail de cette thèse a été consacré à fournir un algorithme permettant l'identification en temps réel des stratégies d'activation spatiale et temporelle des UMs en appliquant des méthodes inverses sur les signaux HD-sEMG (électromyogramme de surface à haute densité) à partir d'une grille placée sur le Biceps Brachial (BB). À cette fin, nous proposons une approche innovante, qui implique l'utilisation de la méthode inverse classique de minimisation de norme et une interpolation de courbe en 3D, à savoir l'approche est nommée CFB-MNE. Cette méthode, fondée sur l'identification inverse (estimation de la norme minimale) couplée à un dictionnaire des potentiels d'action des unités motrices simulées (MUAP) d'un modèle récent et testée sur des simulations, a permis la localisation en temps réel des unités motrices individuelles simulées. Une analyse de robustesse (modifications anatomiques, physiologiques et instrumentales) a ensuite été effectuée pour vérifier l'efficacité de l'algorithme proposé. Enfin, l'algorithme proposé a été testé sur des UMs avec des schémas de recrutement réalistes donnant des résultats prometteurs et encourageants en identification spatiale et temporelle sur trois scenarios. Pour conclure, en perspectives, les résultats prometteurs obtenus suggèrent l'utilisation de l'apprentissage automatique et de l'intelligence artificielle (IA) pour améliorer encore les performances de l'algorithme proposé.

Fast or real-time identification of the spatiotemporal activation of Motor Units (MUs), functional units of the neuromuscular system, is fundamental in applications as prosthetic control and rehabilitation guidance but often dictates expensive computational times. Therefore, the thesis work was devoted to providing an algorithm that enables the real-time identification of MU spatial and temporal activation strategies by applying inverse methods on HD-sEMG (high-density surface electromyogram) signals from a grid placed over the Biceps Brachii (BB). For this purpose, we propose an innovative approach, that involves the use of the classical minimum norm inverse method and a 3D fitting curve interpolation, namely CFB-MNE approach. This method, based on inverse identification (minimum norm estimation) coupled to simulated motor unit action potential (MUAP) dictionary from a recent model and tested on simulations, allowed the real time localization of simulated individual motor units. A robustness analysis (anatomical, physiological, and instrumental modifications) was then performed to verify the efficiency of the proposed algorithm. Finally, the proposed algorithm was tested on MUs with realistic recruitment patterns giving promising results in both spatial and temporal identification. To conclude, a door to future perspectives was opened, according to the obtained promising results, suggesting the use of machine learning and artificial intelligence (AI) to further boost the performance of the proposed algorithm.