Conception d’un système de détection des chutes par effondrement pendant la marche pour les patients atteints de Myosite à Inclusions

Design of a wearable robotic device that can detect collapse falls during walk for people who suffer from inclusion body myositis

• Auteur / Autrice : Clémence Drouot
• Direction : Nathanaël Jarrassé
• Type : Thèse de doctorat
• Discipline(s) : Robotique
• Date : Soutenance le 03/04/2023
• Etablissement(s) : Sorbonne université
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques, acoustique, électronique et robotique de Paris
• Partenaire(s) de recherche : Laboratoire : Institut des systèmes intelligents et de robotique (Paris ; 2009-....)
• Jury : Président / Présidente : Catherine Achard
• Jury : Examinateurs / Examinatrices : Damien Bachasson, Jozina de Graaf
• Jury : Rapporteurs / Rapporteuses : Hélène Pillet, Gérard Poisson

Mots clés

Mots clés contrôlés

Reconnaissance de l'activité humaine (informatique)

Capteurs (technologie)

Temps réel (informatique)

Biomécanique

Chutes (accidents)

Myosite

Mots clés libres

Robotique

IBM

Chutes

Effondrements

Portable

Détection pré-impact

Robotics

IBM

Falls

Collapses

Wearable

Pre-impact fall detection

Résumé

La myosite à inclusions est une forme rare de myopathie (environ 5 personnes sur un million) qui se déclare en général après 50 ans et qui conduit à une dégénérescence progressive de la capacité musculaire, affectant en premier lieu les quadriceps. L’atteinte est le plus souvent bilatérale mais asymétrique. Les premières manifestations sont donc des difficultés à se tenir debout avec les genoux fléchis. En conséquence, les patients développent des démarches compensatoires pour continuer à se verticaliser et à marcher, notamment en maintenant constamment leurs genoux en extension (au point de développer des pathologies de surextension). Hélas, en raison de la faiblesse musculaire grandissante empêchant un rattrapage, tout évènement qui déloge le genou de cette position d’équilibre entraîne un effondrement des patients sur eux-mêmes. L’objectif de cette thèse est de concevoir un dispositif capable de détecter l’imminence ou l’amorçage d’un effondrement assez rapidement pour permettre à un système de rattrapage de la chute (ou de minimisation de ses conséquences) de se déclencher. Les algorithmes de détection de chute pré-impact existants dans la littérature ne se concentrent actuellement pas sur ce type de chutes particulières (non pas causée par une perte d’équilibre mais par une perte d’appui), nous avons donc commencé par collecter des données représentatives afin d’étudier les caractéristiques propres de ces chutes en comparaison avec celles de mouvements réalisés pendant l’exécution d’activités de la vie quotidienne (marche sur sol plat ou en pente légère, action de s’asseoir/se lever et utilisation d’escaliers). Étant donné le risque de blessure lié aux chutes et à la pathologie, les données ont été collectées sur des participants asymptomatiques imitant une atteinte pathologique asymétrique et simulant des dérobements de genoux pendant la marche, sans aller jusqu’à l’impact au sol. Une orthèse instrumentée, équipée d’encodeurs au niveau des articulations de genoux, d’IMU sur le pelvis et la cuisse ainsi que de semelles instrumentées de capteurs de force, a été développée afin de nous placer directement dans une situation écologique d’une utilisation au quotidien d’un dispositif simple et peu coûteux. L’analyse préliminaire des données collectées a montré la difficulté de différencier la cinématique de la chute de celles des autres activités à partir des informations issues des capteurs embarqués. Un travail a donc été conduit afin de développer un algorithme de détection robuste et personnalisable des différentes phases du cycle de la marche à partir des données d’appuis au sol. La connaissance de cette information a ensuite permis de caractériser plus finement la cinématique du genou dans chacune de ces phases et d’ainsi pouvoir discriminer de façon personnalisée, efficace et rapide toute anomalie cinématique témoignant de l’amorçage d’un effondrement. Les performances de cet algorithme de détection de chutes pendant la marche ont été évaluées d’abord de façon hors-ligne sur un jeu de données collectées au préalable, puis en temps réel et en embarqué avec des participants asymptomatiques simulant des effondrements. Enfin un test préliminaire de déclenchement d’un dispositif de rattrapage lors de la détection temps réel d’une chute a été conduit sur quelques participants asymptomatiques. L’algorithme de détection de chutes proposé, basé sur le séquencement des phases de marche, permet de détecter 100% des chutes et ce plus rapidement qu’avec une détection par seuil classique tout en limitant le nombre de faux positifs. Ces travaux illustrent l’intérêt d’une meilleure caractérisation de la marche pathologique et de l’utilisation de ces connaissances pour la détection de situations à risque et les résultats préliminaires obtenus attestent des possibilités de développer des systèmes embarqués simples de détection a priori de la chute par effondrement.

Inclusion body myositis is a rare form of myopathy (about 5 out of 1 million people) that usually occurs after the age of 50 and leads to a progressive degeneration of muscle capacity, primarily affecting the quadriceps. The disease is most often bilateral but asymmetrical. The first manifestations are therefore difficulties in standing with bent knees. As a consequence, patients develop compensatory gaits to continue standing and walking, in particular by constantly keeping their knees in extension (to the point of developing over-extension pathologies). Unfortunately, due to the increasing muscle weakness preventing a catch-up, any event that dislodges the knee from this position of balance leads to a collapse of the patients on themselves. The goal of this thesis is to design a device that can detect the imminence or initiation of a collapse quickly enough to allow a fall recovery system (or minimization of its consequences) to be triggered. Existing pre-impact fall detection algorithms in the literature do not currently focus on this particular type of fall (not caused by a loss of balance but by a loss of support), so we began by collecting representative data to study the specific characteristics of these falls in comparison with those of movements performed during the execution of activities of daily living (walking on flat or slightly sloping ground, sitting/standing up and using stairs). Given the risk of injury related to falls and pathology, data were collected on asymptomatic participants mimicking asymmetric pathological damage and simulating knee buckling during walking, without going as far as impacting the ground. An instrumented orthosis, equipped with encoders on the knee joints, IMU on the pelvis and thigh, as well as soles instrumented with force sensors, was developed in order to place us directly in an ecological situation of daily use of a simple and inexpensive device.The preliminary analysis of the collected data showed the difficulty to differentiate the kinematics of the fall from those of the other activities from the information resulting from the embarked sensors. A work was therefore conducted to develop a robust and customizable detection algorithm of the different phases of the walking cycle from the ground contact data. The knowledge of this information then made it possible to characterize more precisely the kinematics of the knee in each of these phases and thus to be able to discriminate in a personalized, effective and fast way any kinematic anomaly testifying to the initiation of a collapse. The performance of this algorithm for the detection of falls during walking was first evaluated off-line on a previously collected dataset, then in real time and on-board with asymptomatic participants simulating collapses. Finally, a preliminary test of triggering a catch-up device upon real-time detection of a fall was conducted on some asymptomatic participants.