Utilisation des jauges de déformation et des centrales inertielles pour améliorer l'identification des intentions de mouvement

Les études récentes ont démontré que les signaux provenant des capteurs d'électromyographie de surface pouvaient être utilisés pour identifier les intentions de mouvements. Ces capteurs sont souvent combinés à d'autres types de capteurs afin d'augmenter la dimensionnalité des données. La combinaison entre les capteurs d'électromyographie de surface et les centrales inertielles est la méthode de détection multimodale la plus couramment utilisée. De nos jours, cette combinaison est utilisée pour identifier l'intention de mouvement chez l'Homme, par ex. pour contrôler leur prothèse ou exosquelette. Cependant, les capteurs d'électromyographie présentent différents inconvénients, par exemple ils nécessitent généralement deux électrodes placées sur deux sites de la peau, ce qui les rend encombrants. La fréquence d'acquisition des signaux électromyographiques est généralement de 1000Hz ce qui réduit le nombre de capteurs qui peuvent être utilisés simultanément. Les dispositifs embarqués utilisent généralement que 2 ou 3 de ces capteurs en raison des requis élevés en mémoire et en puissance de calcul nécessaires pour traiter ces informations. Aussi, ces capteurs sont également très sensibles aux bruits. Cette nature variable des signaux d'électromyographie a motivé la recherche de solutions pouvant utiliser plusieurs capteurs fonctionnant à des fréquences d'acquisitions plus basses pour les applications quotidiennes. L'objectif de ce mémoire de maîtrise est de développer un système portable permettant d'identifier les intentions de mouvement en combinant des jauges de déformation et des centrales inertielles. Le système développé est composé de deux bracelets utilisant chacun six jauges de déformation connectées à un PCB flexible et deux centrales inertielles. Physiologiquement, les jauges de déformation mesurent la déformation de la peau due aux contractions musculaires tandis que les centrales inertielles fournissent des données complémentaires sur la cinématique du mouvement. Les données ont été collectées sur sept personnes saines. Un algorithme de classification utilisant une combinaison entre un réseau de neurones récurrents et un réseau de neurones convolutif a permis d'identifier neuf mouvements du membre supérieur ainsi qu'un mouvement dit de repos. L'algorithme de classification a atteint une précision de classification de 89.3% en utilisant uniquement les signaux des jauges de déformations. L'ajout des informations cinématiques a produit une augmentation de la précision de classification de 5,8 % pour atteindre 95.1%. Ces résultats démontrent le grand potentiel d'un tel système à identifier les intentions de mouvements.

Abstract

Recent studies have shown that signals obtained from electromyography sensors can be used to identify human movement intentions. These sensors are often paired with other types of sensors to increase the dimensionality of the data. The combination of surface electromyography sensors and inertial units is the most commonly used multimodal sensor technique. Nowadays, this combination is used to identify the intention of movement in humans, e.g. to control their prosthesis or exoskeleton. However, electromyography sensors have various drawbacks. These sensors generally require two electrodes placed at two sites on the skin, which makes them bulky. Additionally, the frequency of acquisition of electromyography signals is generally about 1000Hz which reduces the number of sensors that can be used simultaneously. Indeed, on-board devices generally use 2 or 3 of these sensors because of the high memory and computing power required to process the information. These sensors are also very sensitive to noise. The variable nature of electromyography signals has motivated the search for alternatives that can utilize multiple sensors operating at lower frequencies for everyday applications. The objective of this study is to develop a newly portable system to identify movement intentions by combining strain gauges and inertial units. The system is composed of 1. two bracelets each using six strain gauges, connected to a flexible PCB and 2. two inertial units. Physiologically, strain gauges measure the deformation of the skin due to muscle contractions while inertial units provide additional data on the kinematics of movement. Data was collected from seven healthy subjects. A classification algorithm based on a combination of a recurrent neural network and a convolutional neural network has identified nine upper limb movements as well as one rest movement. The classification algorithm achieved a classification accuracy of 89.31% using only the signals from the strain gauges. By adding the kinematic information yielded an increase in classification accuracy of 5.74% to obtain a final accuracy of 95.05%. These results show the great potential of using such a system to accurately identify movement intentions.