Développement d'une méthode de décomposition des mouvements du membre supérieur pour l'optimisation des séances de réadaptation

Les troubles neuromusculaires engendrent des déficits fonctionnels pour les patients, tout particulièrement dans la vie quotidienne où de simples gestes comme s'alimenter ou attraper des objets peuvent s'avérer compliqués. Les thérapies de réadaptation permettent de réduire ces déficits fonctionnels afin de faciliter la vie quotidienne des patients. Les nouvelles technologies de réalité virtuelle, combinées avec les thérapies conventionnelles, sont de plus en plus utilisées lors de ces thérapies. Si l'utilité de ces nouvelles modalités a déjà été démontrée, l'une des problématiques restantes est d'optimiser leur utilisation lors des sessions de thérapies, notamment en personnalisant les thérapies avec le bon défi, les bons jeux et le travail des bons mouvements pour chaque patient en fonction de ses possibilités et du plan prévu de thérapie. Cependant, les mouvements effectués naturellement lors de ces sessions sont complexes, c'est-à-dire que ces derniers mobilisent plusieurs articulations. Il est donc nécessaire de parvenir à décomposer les mouvements des patients en composantes de mouvements simples, c'est-à-dire n'impliquant qu'une seule articulation, afin d'analyser les mouvements et confirmer les objectifs thérapeutiques de chaque session. L'objectif de cette étude est de développer une solution algorithmique permettant de décomposer les mouvements complexes multidimensionnels des membres supérieurs en composantes de mouvements simples à un seul degré de liberté. Cet objectif peut-être divisé en trois sous-objectifs qui sont la conception d'un algorithme de décomposition de mouvements complexes, l'évaluation de ses performances sur des gestes fonctionnels, puis son application sur des jeux de réalité virtuelle de réadaptation. Des données cinématiques (IMU) et électromyographiques (EMG) lors de mouvements simples ont été mesurées chez 18 sujets adultes typiquement développés à l'aide de dix capteurs sans fil EMG-IMU afin de constituer une base de données. Des données EMG et IMU ont également été récoltées lors de l'exécution de gestes fonctionnels et de jeux de réalité virtuelle de réadaptation. Sept caractéristiques ont été extraites des signaux EMG des mouvements simples, et neuf caractéristiques pour les signaux IMU. Ces caractéristiques ont été utilisées pour entraîner des réseaux de neurones de longue mémoire à court terme. Les mouvements complexes ont été décomposés en 14 classes de mouvements sur quatre articulations (main, poignet, coude et épaule) suivant une stratégie de classification en parallèle, à l'aide de huit réseaux de neurones classifiant chacun un degré de liberté. Parmi les résultats, la précision moyenne des réseaux de neurones sur des données tests est de 98.2% ± 0.3%. L'application de cette solution algorithmique aux gestes fonctionnels donne des résultats cohérents avec les gestes effectués et les observations visuelles pendant les prises de mesure. Les résultats sur les jeux de réalité virtuelle permettent également d'analyser la conception de ces jeux de réadaptation et d'identifier les facteurs influençant les mouvements effectués pour permettre une meilleure précision des séances de réadaptation motrice. Les résultats de cette maîtrise montrent le potentiel d'une méthode de décomposition des mouvements complexes pour améliorer la précision de la réadaptation motrice utilisant des dispositifs de réalité virtuelle de réadaptation et l'efficacité des séances de réadaptation. Il reste à développer une base de données de patients suivis en réadaptation afin de valider cette méthode sur ceux-ci. Comme perspective, cette méthode pourra également être appliquée en amont de la commercialisation des dispositifs de réalité virtuelle de réadaptation afin d'aider et d'évaluer la conception des jeux sérieux de réadaptation ciblant des mouvements spécifiques.

Abstract

Neuromuscular disorders cause functional deficits for patients, especially in daily life where simple actions such as eating or reaching for objects can be complicated. Rehabilitation therapies help reduce these functional deficits in order to facilitate the daily life of patients. New virtual reality technologies, combined with conventional therapies, are increasingly used in these rehabilitation. If the usefulness of these new modalities has already been demonstrated, one of the remaining problems is to optimize their use during therapy sessions, notably by personalizing the therapies with the right challenge, the right games and the right movements for each patient according to his or her possibilities and the planned therapy plan. However, the movements naturally performed during these sessions are complex, i.e. they mobilize several joints. It is therefore necessary to subdivide the patients' movements into simple movement components, i.e. involving only one joint, in order to analyze the movements and confirm the therapeutic objectives of each session. The objective of this study is to develop an algorithmic solution to decompose complex multidimensional movements of the upper limbs into components of simple movements with a single degree of freedom. This objective can be divided into three sub-objectives which are the design of an algorithm for decomposing complex movements, the evaluation of its performance on functional gestures, and its application on rehabilitation virtual reality games. Kinematic (IMU) and electromyographic (EMG) data during simple movements were measured in 18 typically developed adult subjects using ten wireless EMG-IMU sensors to build a database. EMG and IMU data were also collected during the execution of functional gestures and rehabilitation virtual reality games. Seven features were extracted from the EMG signals of simple movements, and nine features from the IMU signals. These features were used to train long short-term memory neural networks. The complex movements were decomposed into 14 classes of movements on four joints (hand, wrist, elbow, and shoulder) following a parallel classification strategy, using eight neural networks each classifying one degree of freedom. Among the results, the average accuracy of the neural networks on test data is 98.2% ± 0.3%. The application of this algorithmic solution to functional gestures gives results consistent with the gestures performed and the visual observations during measurements. The results on the virtual reality games also allow us to analyze the design of these rehabilitation games and to identify thefactors influencing the movements performed to allow a better precision of the motor rehabilitation sessions. The results of this study show the potential of a complex movement decomposition method to improve the accuracy of motor rehabilitation using virtual reality rehabilitation devices and the effectiveness of rehabilitation sessions. It remains to develop a database of patients followed in rehabilitation in order to validate this method on them. As a perspective, this method could also be applied before the commercialization of virtual reality rehabilitation devices in order to help and evaluate the design of serious rehabilitation games targeting specific movements.