Simulation directe prédictive de marches pathologiques

Résumé

Mon travail de recherche porte sur la modélisation et la simulation du système squelettique humain et la conception et l'analyse d'un simulateur prédictif de marches pathologiques. Il s’organise en trois volets. Le premier est la conception d’un simulateur direct capable de générer un mouvement de marche similaire à celui d’un sujet réel. Le second a pour objectif d’analyser notre simulateur dans différentes configurations. Enfin, dans le dernier volet, l’objectif est de prédire le mouvement de marche réalisable par un sujet sous l’influence d’une pathologie. La qualité des prédictions est estimée en utilisant des données cliniques fournies par le Laboratoire de Biomécanique et de Biomatériaux (LBB) du CHU de Hanovre (Allemagne), partenaire du projet ANR PRCI OMEGA dans lequel s'est déroulé cette thèse. Dans le domaine de la simulation directe, l’évolution rapide des méthodes de contrôle a permis au cours des dernières années de passer de la reproduction de mouvements peu naturels à la production de mouvements de sujets présentant une pathologie. L’intégration de réseau de neurones dans la stratégie de contrôle est une approche couramment utilisée dans les travaux les plus récents. Mais, à notre connaissance, peu de travaux ont été réalisés afin d’évaluer les caractéristiques des contrôleurs utilisés pour produire des mouvements en simulation directe. Comme nous disposons de données cliniques pour des mouvements de marche d'un sujet sain et avec une pathologie artificiellement induite, nous avons cherché à proposer une routine d'analyse. La première étape a consisté à pouvoir reproduire un mouvement capturé dans un simulateur direct. Pour cela, un traitement est d'abord réalisé sur le mouvement afin de le préparer à la simulation. La simulation est réalisée dans un environnement suffisamment rapide pour réaliser l'entraînement d'un réseau de neurones utilisé dans la stratégie de contrôle. Ensuite, la seconde étape a consisté à analyser les différentes configurations du simulateur. Cela a été fait dans le but d’estimer la précision, la robustesse aux perturbations extérieures et aux changements dans le mouvement de référence. Les résultats sont utilisés pour déterminer la configuration optimale pour faire nos prédictions et pour mieux interpréter les mouvements obtenus. La dernière étape consiste à produire des prédictions en intégrant dans notre modèle les informations sur le(s) changement(s) subit(s) par le sujet. Les prédictions sont proposées en utilisant un algorithme d’optimisation de trajectoires articulaires. Une méthode permettant de réduire le nombre de variables à optimiser est aussi proposée, et elle utilise des connaissances a priori sur la pathologie simulée. Le suivi des mouvements sains ou pathologiques est de qualité équivalente avec différentes configurations d'entraînement. Mais les configurations d'entraînement font varier les caractéristiques en matière de robustesse. La configuration correspondant à un entraînement réalisé avec plusieurs mouvements de référence suivi d'un \emph{curriculum learning} avec des perturbations extérieures est la plus robuste. Elle permet de suivre plusieurs mouvements de référence sains et sous l'influence de perturbations extérieures. Cependant, un ré-entraînement est nécessaire pour suivre un mouvement dans la condition pathologique. Les différentes prédictions réalisées ont permis de produire un mouvement qui respecte la contrainte imposée par la pathologie en un temps raisonnable. Cette prédiction est différente du mouvement capturé dans le cas où le respect de la contrainte causée par la pathologie est le seul objectif.

mots clés

Titre traduit

Predictive forward simulation of pathological gait
Résumé

My research work focuses on the modeling and simulation of the human skeletal system and the design and analysis of a predictive simulator of pathological gait. It is organized in three parts. The first part is the design of a forward simulator capable of generating a gait similar to that of a real subject. The second one is to analyze our simulator in different configurations. Finally, in the last part, the objective is to predict the gait performed by a subject under the influence of a pathology. The quality of the predictions is estimated by using clinical data provided by the Laboratory of Biomechanics and Biomaterials (LBB) of the University Hospital of Hanover (Germany), partner of the ANR PRCI OMEGA project in which this work took place In the field of forward simulation, the rapid evolution of control methods has made it possible in recent years to move from the reproduction of unnatural movements to the production of movements of subjects with a pathology. The integration of neural networks in the control strategy is an approach commonly used in the most recent works. However, to our knowledge, little work has been done to evaluate the characteristics of the controllers used to produce movements in forward simulation. As we have clinical data of gaits of a healthy subject and with an artificially induced pathology, we sought to propose an analysis routine. The first step consisted in reproducing a captured motion in a forward simulator. For this, a treatment is performed on the motion in order to prepare it to the simulator. The simulation is performed in a fast enough environment to train the neural network we used in the control strategy. Then, the second step was to analyze the different configurations of the simulator. This was done in order to estimate the accuracy, robustness to external perturbations and change in the reference motion. The results are used to determine the optimal configuration to make our predictions and to better interpret the obtained motions. The last step consisted in producing predictions by integrating in our model the knowledge on the change(s) undergone on the subject. The predictions are proposed using a trajectory optimization algorithm. A method allowing to reduce the number of variables to be optimized is also proposed, and it uses the a priori knowledge on the simulated pathology. The tracking of healthy or pathological gaits is of equivalent quality with different training configurations. However, the training configurations present varied characteristics in terms of robustness. The configuration corresponding to a training with several reference motions followed by a curriculum learning with external perturbations is the most robust. It allows the tracking of several healthy reference motions and under the influence of external perturbations. However, a re-training is necessary to follow the motion in a pathological condition. The different predictions allowed us to produce a gait that respects the constraint imposed by the pathology in a reasonable time. This prediction is different from the captured motion when the respect of the constraint caused by the pathology is the only objective.