Les caractéristiques temps-fréquence des signaux sEMG pour la classification des mouvements de la main

SEMG time-frequency features for hand movements classification

• Auteur / Autrice : Somar Karheily
• Direction : Djafar Ould Abdeslam
• Type : Thèse de doctorat
• Discipline(s) : Electronique, électrotechnique et automatique
• Date : Soutenance le 08/12/2022
• Etablissement(s) : Mulhouse
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences de l'information et de l'ingénieur (Strasbourg ; 1997-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Recherche en Informatique, Mathématiques, Automatique et Signal (Mulhouse) - Institut de Recherche en Informatique Mathématiques Automatique Signal - IRIMAS - UR 7499 / IRIMAS

Mots clés

Mots clés contrôlés

Analyse temps-fréquence

Prothèses

Mains artificielles

Mots clés libres

Signaux SEMG

Transformations temps-fréquence

Classification des mouvements de la main

Réduction de dimension non linéaire

Prothèse

Classement SEMG

Geste de la main

GDOST (version généralisée transformée orthonormé discrete de Stockwell)

MDS (échelle multidimensionnelle)

SEMG signals

Time-frequency transforms

Hand movements classification

Non-linear dimension reduction

Prosthesis

SEMG classification

Hand gesture

GDOST

MDS

Résumé

Les signaux électromyogrammes de surface (sEMG) enregistrés sur l'avant-bras peuvent fournir des informations sur le mouvement de la main, ce qui peut aider à contrôler un implant prothétique pour les personnes handicapées. Pour ce faire, les signaux sEMG doivent être classés avec précision malgré la non-stationnarité des signaux, les différents types de bruits, les multiples muscles impliqués et les particularités du patient. Cette thèse traite de la classification des mouvements de la main à l'aide de signaux sEMG, et se concentre particulièrement sur l'utilisation et l'amélioration des caractéristiques du domaine temps-fréquence et sur plusieurs méthodes linéaires et non linéaires pour la réduction de la dimension. Dans cette thèse, différentes méthodes temps-fréquence ont été appliquées et comparées, telles que la STFT, la ST, la CWT et la DOST, qui est appliquée pour la première fois aux signaux sEMG. Une étude comparative approfondie a été réalisée sur toutes les méthodes utilisées. Nous avons prouvé l'efficacité de l'utilisation des caractéristiques TF et le potentiel de l'utilisation des méthodes de réduction des dimensions non linéaires. Nous avons appliqué la version généralisée de la DOST (GDOST) pour améliorer de manière significative nos résultats de 90,96% à 97,56% pour un taux de précision de 17 mouvements de la main. Le nombre de mouvements a également été augmenté à 40 mouvements et la précision a été de 90,02%. Enfin, nous avons appliqué nos méthodes sur des données enregistrée par notre équipe partenaire selon un protocole d'acquisition totalement différent, et la précision de classification obtenue a été de 99,31 % pour 4 mouvements différents.

Surface Electro-MyoGraphic (sEMG) signals recorded on the forearm can provide information about the hand movement, which can help to control a prosthetic implant for the disabled people. To do so, the sEMG signals must be accurately classified despite the signals’ non-stationarity, different kind of noises, multiple involved muscles, and patient’s peculiarities. This thesis deals with the classification of hand movements using sEMG signals, and focuses especially on the use and enhancing the time–frequency domain features and several linear and non-linear methods for the dimension reduction. In this thesis, different known time-frequency methods were applied and compared such as Short Time Frequency Transform (STFT), ST, CWT, and the DOST which is applied for the first time on sEMG signals. An extensive comparison study was made on the combinations of all used methods, and the evaluation of the applied methods used classical classifiers and a public dataset. We applied the generalized version of DOST (GDOST) and enhanced the similarity calculations in the MDS method to significantly improve our best results from 90.96% to 97.56% as accuracy rate of 17 hand movements. The results were compared based on these clinical characteristics. The number of movements was also increased to 40 movements and the accuracy score was 90.02%. Finally, we applied our methods on a different data source recorded by our partner team under a completely different acquisition protocol, and the achieved classification accuracy was 99.31% for 4 different movements.