Développement d'un outil automatique d'aide au diagnostic pour les enfants atteints de paralysie cérébrale en réadaptation robotique

La paralysie cérébrale représente l'infirmité la plus courante chez les enfants, affectant le mouvement, la coordination et la tonicité musculaire. Cette atteinte peut avoir des effets dévastateurs sur le développement des enfants, s'accompagnant d'une grande difficulté pour accomplir les tâches de la vie quotidienne. Les interventions médicamenteuses, psychothérapeutiques et l'adoption de nouvelles technologies d'assistance robotisée, sont des moyens qui permettent d'améliorer la qualité de vie et procurer une indépendance maximale aux enfants dont les capacités mentales le permettent. Les résultats de ces prises en charge sont généralement basés sur des outils d'évaluation subjectives qui dépendent grandement de l'avis de l'évaluateur et des facteurs environnementaux. Dans le but d'améliorer l'efficacité de ces interventions, l'objectif de cette thèse est de développer un outil de catégorisation des comportements musculaires dynamiques et les habilités motrices des enfants atteints de paralysie cérébrale. Cet objectif global est subdivisé en trois objectifs spécifiques: (1) tester la validité d'une méthode assistée par ordinateur pour la classification des niveaux fonctionnels des enfants avec paralysie cérébrale à partir des mouvements simples d'extension-flexion et de supination-pronation; (2) explorer d'autres techniques d'apprentissage machine plus avancées pour la catégorisation des habilités motrices à partir des mouvements effectués avec un dispositif d'assistance robotisé REAplan; et (3) comparer les comportements musculaires dynamiques aux membres supérieurs entre les enfants atteints de paralysie cérébrale avant et après la rééducation afin de valider l'efficacité du REAPlan comme outil de réadaptation. Parmi les résultats, une bonne corrélation a été trouvée entre les niveaux de sévérité établis par l'échelle « Manuel Ability Classification System » (MACS) et les niveaux de sévérité issus de la méthode de classification. En outre, il a été possible de différencier les enfants avec un développement normal, des enfants avec paralysie cérébrale pré-thérapie et post-thérapie, avec une précision globale de 97,6%. Par la suite, un indice quantitatif « Upper Limb Motor Function Index » (ULMFI) a été calculé à partir des paramètres électromyographiques et accélérométriques les plus pertinents pour distinguer les trois groupes d'enfants. L'ULMFI a montré des différences significatives entre le groupe avec un développement normal et les enfants avec paralysie cérébrale pré et post-thérapie assistée par robot. Les résultats de cette thèse suggèrent que les coûts et les efforts nécessaires pour évaluer et caractériser le niveau de limitation d'un enfant atteint de paralysie cérébrale, peuvent être davantage réduits avec des techniques d'apprentissage machine. Comme perspective, cette méthode pourra aussi être appliquée à d'autres populations atteintes de maladies neuromusculaires et de déficits moteurs cérébraux, afin de mieux cibler les muscles atteints avec des traitements spécifiques et d'améliorer le diagnostic médical.

Abstract

Cerebral palsy is the most common disability in children, affecting movement, coordination and muscle tone. This disability has a devastating effect on children development, on their quality of life and impacts their ability to perform everyday tasks. The use of appropriate combinations of medical and psychotherapeutic interventions and the adoption of the assistive robotic devices could improve the independence and quality of life of children with cerebral palsy whose mental abilities allow it. The effects of these interventions are generally assessed based on the perspective of the therapist evaluating the child and the environmental factors. To improve the effectiveness of these interventions, the aim of this thesis was to develop a computerized method to estimate the disability levels of children with cerebral palsy. To do so our three specific objectives were: (1) validating a computerized method to classify disability levels of children with cerebral palsy during two main movements of upper extremity: extension-flexion and supination-pronation; (2) testing a more advanced machine learning techniques to categorize motor skills using an assistive robotic device REAplan; and (3) comparing dynamic muscle behavior in upper limbs between children with cerebral palsy before and after the intervention to validate the effectiveness of REAPlan as a rehabilitation tool. A good correlation was found between the severity levels fixed by the « Manual Ability Classification System » (MACS) and the obtained classes. In addition, it was possible to differentiate children with typical development from children with cerebral palsy pre-therapy and post-therapy, with an overall accuracy of 97.6%. Thereafter, a quantitative « Upper Limb Motor Function Index » (ULMFI) was calculated from the most relevant electromyographic and accelerometric parameters to distinguish between the three groups of children. The ULMFI was able to differentiate between children with typical development and children with cerebral palsy pre and post Robot-Assisted Therapy (Robot-AT). The results of this thesis suggest that the cost and effort needed to assess and characterize the disability level of a child with cerebral palsy can be further reduced using machine learning techniques. As a perspective, the proposed assessment method can also be applied to other populations with neuromuscular diseases and cerebral motor deficits, to identify the muscles to target with specific treatments and improve medical diagnosis.