CONCEPTION DU MONTAGE POUR LA VALIDATION DU SYSTÈME

CONCEPTION DU MONTAGE POUR LA VALIDATION DU SYSTÈME

REVUE DE LITTÉRATURE:

La classification de mouvements grâce au signal EMG a été énormément étudiée dans la littérature. Toute fois, une partie seulement de ces études l’a traitée en temps réel. Enfin un type d’application vient encore se démarquer dans ce sous ensemble : les applications embarquées.
Par application embarquée, nous entendons un système fonctionnant de manière autonome sur une carte électronique pouvant être déplacée facilement. Il faut donc en lever à ce sous ensemble toutes les applications réalisées sur ordinateurs.
La première partie de cette revue de littérature s’intéressera à la classification EMG en temps réel,tandis que la deuxième partie sera centrée sur les applications embarquées dont fait état la littérature dans son état actuel.

 Classification EMG:

L’analyse des signaux EMG et la détermination du mouvement effectuée à partir de ceux-ci se divise en plusieurs grandes sous-parties incluant chacune un algorithme bien précis. Chacune de ces parties peut être réalisée avec plusieurs algorithmes différents impliquant chacun une précision, et une facilité d’implémentation différente. Des compromis doivent donc être faits entre la précision engendrée par un algorithme et sa complexité d’implémentation et d’exécution qui est souvent inversement proportionnelle.
La première étape de traitement des signaux EMG consiste à déterminer le début et la fin d’une activité musculaire.Celle-ci est appelé détection d’activité, ou détection d’onset, et c’est la première partie qui sera analysée. L’étape suivante est l’extraction des caractéristiques du signal qui pourront permettre ensuite au classificateur de déterminer quel mouvement a été effectué.Enfin,une analyse de différents classificateurs sera effectuée, se basant sur les mêmes critères que les autres algorithmes,à savoir la précision,la facilité d’implémentation et le temps d’exécution.

Un point important est à souligner, et ce point constituera un premier point de cette étude:tous ces algorithmes mis bouts à bouts doivent, une fois le choix d’architecture effectué permettre de réaliser le traitement de quatre canaux EMG en temps réel.

 Fenêtrage du signal:

Le signal électromyographique est découpé lors de l’acquisition à des fins d’analyses et pour extraire les caractéristiques de celui-ci. La longueur de ces fenêtres est exprimée en temps ou en nombre d’échantillons. Un pas d’incrément est également défini, afin de choisir si les fenêtres se recouvrent ou non.
La littérature étudiée fait état de beaucoup de tailles de fenêtres et de pas d’incréments différents. La plupart ont été fixés de manière heuristique. Cependant, Englehart et Hudgins (2003) évoquent le fait que cette fenêtre ne doit pas être trop grande de manière à ce que le temps de cette fenêtre et de son temps de traitement n’excède pas les 300 ms de latence maximale au-delà desquels celle-ci est ressentie par l’utilisateur. Ainsi, Englehart et Hudgins (2003) ont fixé leur fenêtre à 250 ms avec un pas d’incrément à 125 ms de manière à garder une marge suffisante pour le temps de calcul.
Une fenêtre trop petite est sujette au biais de variance généré par les variation du signal et de ces caractéristiques qui peuvent jouer sur la précision du classificateur utilisé.
Un compromis doit donc être fait sur la longueur des fenêtres utilisées entre la précision du classificateur et son temps de réponse.

Algorithmes de détection d’activité:

Une fois une fenêtre du signal acquise, la première étape est la détection d’activité musculaire, ou détection d’ »onset ».
La détection d’onset est le principe qui consiste à détecter le début d’une activité musculaire sur le signal EMG de manière automatique. Pour ce faire, plusieurs algorithmes semblent bien fonctionner en combinant à la fois, une bonne précision et un nombre d’opérations restreint. Cette détection d’onset permet d’économiser les ressources du processeur afin de n’extraire les caractéristiques du signal que lorsque c’est utile et surtout de délimiter les zones d’activité musculaire pour la détection de mouvement.
Il existe principalement trois caractéristiques du signal qui peuvent être extraites afin de détecter un onset. Une première utilisée par Chang et al. (1996)est la méthode du Zero Crossing Rate (ZCR). Elle calcule le nombre de fois où la courbe du signal EMG repasse par zero.
Un élément important à préciser est que Chang et al. (1996) ont développé cette méthode sur un DSP et semble fournir des résultats satisfaisants. Cette étude présente également la mise en place d’une zone morte sur l’algorithme de zero crossing, qui permet de réduire, voir de supprimer l’influence du bruit sur le ZCR. Ce pendant cette zone morte diminue la sensibilité de la détection. Le ZCR est une méthode simple à implémenter et très peu coûteuse en ressources processeur pour la raison qu’elle ne nécessite qu’un nombre d’additions égal à N-1, N étant le nombre d’échantillons dans la fenêtre analysée.
Peleg et al. (2002) optent pour une deuxième méthode consistant à appliquer un seuil directement sur l’enveloppe du signal. Le signal est d’abord passé dans un filtre passe-haut à 30Hz, puis la valeur absolue du signal est réalisée, enfin, le signal est passé dans un filtre passe-bas à 2.5Hz. Cette méthode est une analogie de la méthode Mean Absolute Value (MAV), le filtre passe bas ayant pour but d’effectuer une moyenne des valeurs absolues du signal. Suite à cela, le seuil appliqué sur l’enveloppe est fixé comme étant 10 pourcents plus haut que la valeur de l’enveloppe de l’EMG au repos.
Une troisième méthode simple à implémenter et peu coûteuse en temps de calculs est la méthode de la Teager-Kaiser Energy (TKE) qui correspond à un taux de variation du signal. Elle a été utilisée par Maheu (2011) comme une caractéristique du signal utilisée dans la classification, mais peut aussi être utilisée dans la détection d’onset comme l’ont montré Li et al. (2007). Elle ne constitue qu’une soustraction et deux multiplications par échantillon dans la fenêtre d’analyse.

Il existe également des projet n’effectuant pas de détection d’activité musculaire et réalisant une classification des caractéristiques du signal en continu. C’est le cas de Englehart et Hudgins (2003) et Tenore et al. (2007). Il est toutefois difficile d’opérer une comparaison entre ces méthodes, car ces articles traitent principalement de classification. Ils présentent leur procédé de détection d’activité sans en donner leurs performances.

 Caractéristiques du signal EMG utilisées:

Une fois l’activité musculaire du signal EMG détectée, on cherche à déterminer quel mouvement a été effectué. Ce travail est effectué par un classificateur. Ce classificateur doit prendre des éléments de comparaison en compte pour déterminer l’action faite. Ces éléments doivent être significatifs du signal capté, et sont appelés des « features », ou des caractéristiques. Les caractéristiques extraites des signaux EMG sont nombreuses, aussi nous nous concentrerons sur celles les plus utilisées dans la littérature.
Une première caractéristique du signal très utilisée dans la littérature (Changetal.,1996;Peleg et al., 2002; Maheu, 2011), est l’autoregression du signal EMG.
L’autorégression consiste à trouver les n+1 coefficients d’un polynôme d’ordre n qui correspond à une représentation du signal EMG brut. L’ordre de ce polynôme permet, plus il est grand d’augmenter la précision de la représentation du signal d’origine.
Peleg et al. (2002) utilisent une auto-régression d’ordre 11. Cet ordre a été déterminé de manière heuristique (Peleg et al., 2002).
Chang et al. (1996) ont choisi l’utilisation des coefficients AR mais également les coefficients cepstraux obtenus à partir des AR. Ils préconisent également de fixer l’ordre de l’AR à 4 en justifiant par un compromis entre une bonne représentation du signal et un temps de calcul court. L’obtention des coefficients cepstraux à partir des coefficients AR se fait grâce à une relation mathématique récursive simple dépendant de l’ordre de l’auto-régression réalisée.
Les caractéristiques utilisés dans la détection d’activité musculaire sont également utilisées dans la classification. On retrouve donc dans les caractéristiques le MAV, le TKE et le ZCR.

On retrouve également dans les caractéristiques utilisées les décompositions du signal en ondelettes, ou la longueur d’onde.

Classificateurs utilisés dans la détection de mouvements:

Une fois les caractéristiques du signal calculées, celles-ci sont entrées dans un classificateur qui, grâce à un apprentissage, permet de déterminer quel mouvement a été effectué par le sujet.Encore une fois,beaucoup d’algorithmes existent pour réaliser cette opération.Toutefois, beaucoup de ceux-ci sont très consommateurs en temps de calculs, comme les réseaux de neurones (RN).
Toute fois Englehart et al.(1999) ont montré que l’importance du choix du classificateur pour la reconnaissance de mouvements à partir de signaux EMG est limitée et que les gains en termes de performances de classificateurs complexes tels que les RN sont négligeables par rapport aux performances d’un classificateur plus simple comme l’analyse linéaire discriminante (LDA).
Ceci étant dit nous nous intéresserons donc plus particulièrement aux deux études principales mettant en œuvre des dispositifs temps réels embarqués.
Chang et al. (1996) utilisent dans leur application embarquée un algorithme utilisant les distances des maximums de vraisemblances (MMLD), tandis que Tenore et al. (2007) utilisent quant à eux un classificateur de type LDA.
La classification EMG est basée sur la création d’une commande à partir de l’interprétation du résultat de la classification. Cette classification est nécessaire lorsque l’on monitore plusieurs muscles participant au même mouvement.

Table des matières

INTRODUCTION
CHAPITRE 1 MISE EN CONTEXTE 
1.1 Les blessés médullaires
1.2 Les aides techniques aux actions de la vie quotidienne (AVQ)
1.2.1 Les aides techniques en général
1.2.2 Le bras manipulateur Jaco
1.3 Le signal électromyographique (EMG)
CHAPITRE 2 REVUE DE LITTÉRATURE
2.1 Classification EMG
2.1.1 Fenêtrage du signal
2.1.2 Algorithmes de détection d’activité
2.1.3 Caractéristiques du signal EMG utilisées
2.1.4 Classificateurs utilisés dans la détection de mouvements
2.2 Systèmes embarqués temps réels et EMG
2.2.1 Le traitement temps réel
2.2.2 Méthodes d’acquisition du signal
2.2.3 Matériel informatique utilisé dans la littérature
2.3 Synthèse
CHAPITRE 3 PROBLÉMATIQUE ET OBJECTIFS DU PROJET
CHAPITRE 4 MÉTHODOLOGIE
4.1 Choix des muscles
4.2 Architecture Matérielle
4.2.1 Électrodes
4.2.2 Microcontrôleur
4.2.3 Adaptation des tensions
4.2.4 Liaison à l’ordinateur
4.2.5 Liaison à Jaco
4.2.6 Schéma matériel global
4.3 Choix des caractéristiques du signal et des outils algorithmiques et mathématiques
4.3.1 Découpage des fenêtres d’échantillons
4.3.2 Détection d’activité musculaire
4.3.2.1 Énergie de Teager-Keiser
4.3.2.2 Calibrage du seuil de détection
4.3.2.3 Vote à la majorité
4.3.3 Filtrage par décision dirigée
4.3.3.1 Concept
4.3.3.2 Calibrage du filtre
4.3.3.3 Description du filtre
4.4 Architecture Logicielle
4.4.1 Firmware
4.4.1.1 Fonctionnement et configuration globale du PIC32
4.4.1.2 Alogorithme global
4.4.2 Application de monitorage des signaux
4.4.2.1 Choix des librairies et des langages
4.4.2.2 Lien avec Jaco et Mono
4.4.2.3 Fonctionnement global et schéma UML du projet
4.5 Validation du Système
4.5.1 Protocole de validation
4.5.1.1 Mode de recrutement
4.5.1.2 Principe de fonctionnement
4.5.1.3 Protocole expérimental
4.5.1.4 Déroulement des acquisitions
4.5.1.5 Notes importantes
4.5.1.6 Données récoltées
4.5.1.7 Interprétation des données
4.5.1.8 Comparaison des données
CHAPITRE 5 RÉSULTATS
5.1 Performances globales
5.2 Temps de calcul et chronogrammes
5.3 Validation du système
CHAPITRE 6 DISCUSSION 
6.1 Performances globales du système
6.2 Chronogrammes et temps de calculs
6.3 Validation des performances du système
CONCLUSION
CONTRIBUTIONS
ANNEXE I CONCEPTION DU MONTAGE POUR LA VALIDATION DU SYSTÈME
BIBLIOGRAPHIE

Télécharger le rapport complet