Validation à deux sources de la décomposition en ligne de l'électromyographie de surface utilisant la méthode Progressive FastICA Peel-off
Étude de validation à deux sources pour la décomposition en ligne des signaux d’électromyogramme de surface
Contexte académique
Les signaux d’électromyogramme de surface (Surface Electromyogram, SEMG) sont une caractéristique importante de l’activité musculaire et sont largement utilisés dans les domaines de la rééducation sportive, du contrôle des robots et de l’interaction homme-machine. Cependant, en raison de leur faible rapport signal/bruit, de leur forte similarité et de la superposition importante de leurs formes d’onde, la décomposition des signaux SEMG est difficile. Récemment, avec le développement des technologies électroniques et des capteurs, il est devenu possible de collecter des signaux d’électromyogramme de surface haute densité (High-Density SEMG, HD SEMG). Des techniques de séparation aveugle de sources (Blind Source Separation, BSS), telles que la compensation par noyau de convolution (Convolution Kernel Compensation, CKC) et l’épluchage progressif par analyse en composantes indépendantes rapide (Progressive FastICA Peel-Off, PFP), ont fait des progrès significatifs dans la décomposition des SEMG. Cependant, les études actuelles sur la décomposition en ligne des SEMG se basent principalement sur des validations effectuées sur des signaux simulés, manquant ainsi d’une évaluation complète sur des données expérimentales. Par conséquent, cette étude vise à réaliser une validation à deux sources en collectant simultanément des signaux d’électromyogramme intramusculaire (Intramuscular EMG, IEMG) et des signaux HD SEMG afin d’évaluer de manière exhaustive les performances de la décomposition en ligne des SEMG.
Origine de l’article
Cet article a été co-rédigé par Haowen Zhao, Maoqi Chen, Yunfei Liu, Xiang Chen, Ping Zhou et Xu Zhang. Les auteurs proviennent respectivement de l’École de microélectronique de l’Université des sciences et technologies de Chine et de la Faculté de génie biomédical et de rééducation de l’Université des sciences et de la santé de Qingdao. L’article a été publié dans la revue IEEE Transactions on Biomedical Engineering, avec une date de publication en 2025, sous le DOI 10.1109/TBME.2025.3538338.
Processus de recherche
1. Conception expérimentale et collecte de données
L’étude a recruté 5 sujets sains (âge : 36 ± 8 ans), tous sans blessures musculaires connues ou troubles neuromusculaires. Le protocole expérimental était conforme à la Déclaration d’Helsinki et a été approuvé par le Comité de protection des sujets humains (CPHS) du Centre des sciences de la santé de l’Université du Texas à Houston. Les signaux SEMG et IEMG ont été collectés simultanément sur le muscle interosseux dorsal premier (First Dorsal Interosseous, FDI) de la main dominante des sujets.
- Collecte de SEMG : Un réseau d’électrodes bidimensionnel flexible de configuration 8 lignes × 8 colonnes (TMS International BV, Pays-Bas) a été utilisé pour collecter les signaux SEMG, avec une électrode de référence située près du coude. Les signaux ont été enregistrés via un système d’amplification REFA à 128 canaux (TMS International BV, Pays-Bas), avec une fréquence d’échantillonnage de 2 kHz et un filtre passe-bande réglé entre 10 Hz et 500 Hz.
- Collecte de IEMG : Les signaux IEMG ont été collectés à l’aide du système EMG Natus UltraPro S100 (Natus Neurology Inc., États-Unis) et d’une électrode à aiguille concentrique traditionnelle (diamètre 0,58 mm, zone d’enregistrement 0,07 mm²), avec une électrode de référence placée au dos de la main. La fréquence d’échantillonnage était de 44,1 kHz, avec un filtre passe-bande réglé entre 10 Hz et 10 kHz.
2. Synchronisation des signaux et processus expérimental
Pendant l’expérience, les sujets étaient assis confortablement, le bras testé en position pronatrice sur une table de hauteur ajustable. Une résistance a été appliquée aux muscles, et les sujets ont effectué une contraction isométrique à un niveau de force faible. Une fois qu’une activité motrice (Motor Unit, MU) notable apparaissait à l’écran, les sujets devaient maintenir la contraction pendant au moins 30 secondes. Chaque sujet a réalisé environ 15 essais, avec un repos suffisant entre chaque essai. Pour assurer la synchronisation des signaux SEMG et IEMG, un protocole de stimulation électrique a été utilisé dans chaque essai, stimulant le nerf ulnaire (situé à environ 2 cm au-dessus du pli du poignet) pour produire une réponse M visible, permettant ainsi d’aligner les artefacts de stimulation enregistrés.
3. Analyse des données
L’étude a adopté une méthode de validation à deux sources, décomposant indépendamment les signaux SEMG et IEMG.
- Décomposition SEMG : La méthode PFP en ligne a été utilisée pour le traitement en temps réel. Pendant la phase hors ligne, une série de vecteurs de séparation MU a été initialisée via la méthode automatique PFP hors ligne (Automatic PFP, APFP). Pendant la phase en ligne, ces vecteurs ont été utilisés pour estimer les signaux sources, et les séquences temporelles des pics des unités motrices (Motor Unit Spike Trains, MUSTs) ont été extraites précisément à l’aide de l’algorithme multi-seuil Otsu.
- Décomposition IEMG : Une version simplifiée de la méthode PFP combinant une stratégie d’épluchage et un algorithme de regroupement par recherche de vallées (Valley-Seeking Clustering) a été utilisée. Les MU avec une amplitude notable ont d’abord été extraits, puis les MU superposés ont été distingués via l’algorithme de recherche de vallées. La fiabilité des résultats de la décomposition a été évaluée à l’aide de plusieurs métriques (telles que le coefficient de variation des amplitudes et des intervalles inter-pics), garantissant ainsi l’exactitude de la validation à deux sources.
4. Évaluation des performances
L’étude a évalué les performances de la décomposition en ligne des SEMG en utilisant le taux de correspondance (Matching Rate, MR), le taux de faux négatifs (False Negative Rate, FNR) et le taux de fausses découvertes (False Discovery Rate, FDR). La formule de calcul du MR est la suivante :
[ MR = \frac{2N_{com}}{N_g + N_s} ]
où (N_g) représente le nombre d’événements de décharge de la référence de vérité terrain, (Ns) représente le nombre d’événements de décharge des résultats de la décomposition SEMG, et (N{com}) représente le nombre d’événements de décharge communs. Les FNR et FDR représentent respectivement les proportions d’événements de décharge “manquants” et “erronés”.
Principaux résultats
L’étude a analysé un total de 50 essais de signaux SEMG et IEMG, identifiant 549 MU (à partir des signaux SEMG) et 92 MU (à partir des signaux IEMG, servant de référence de vérité terrain). Tous les MU décomposés à partir des signaux IEMG ont pu être appariés avec les résultats de la décomposition en ligne des SEMG, avec un MR moyen de (96±1)% en ligne, un FDR de 0,05±0,02 et un FNR de 0,03±0,01. Les performances de la phase hors ligne étaient légèrement supérieures à celles de la phase en ligne, avec un MR de (99±0,6)%, un FDR de 0,02±0,01 et un FNR de 0,02±0,01.
Conclusion et signification
Cette étude a évalué de manière exhaustive les performances de la décomposition en ligne des SEMG grâce à une validation à deux sources, prouvant que la méthode en deux étapes basée sur PFP peut suivre de manière continue et précise les mêmes MU dans les signaux SEMG expérimentaux. Les résultats fournissent une preuve solide de la fiabilité de la décomposition en ligne des SEMG, avec une valeur scientifique et applicative importante, notamment dans les domaines de la rééducation sportive, du contrôle des robots et de l’interaction homme-machine.
Points forts de l’étude
- Validation à deux sources : En collectant simultanément les signaux SEMG et IEMG et en utilisant les résultats de la décomposition IEMG comme référence de vérité terrain, une évaluation complète des performances de la décomposition en ligne des SEMG a été réalisée.
- Taux de correspondance élevé : Le taux de correspondance entre les résultats de la décomposition en ligne et la référence de vérité terrain a atteint 96 %, prouvant la capacité des vecteurs de séparation à suivre continuellement les MU.
- Méthode innovante : L’utilisation d’une méthode PFP simplifiée combinée à un algorithme de recherche de vallées pour la décomposition IEMG a amélioré la précision et la fiabilité de la décomposition.
Autres informations utiles
L’étude souligne également que des recherches futures pourraient optimiser davantage les algorithmes de décomposition en ligne, par exemple en optimisant localement les vecteurs de séparation par lots pour améliorer les performances. De plus, augmenter le nombre de canaux d’enregistrement IEMG pourrait permettre d’obtenir davantage de MU communs pour une validation plus complète.
Grâce à ce rapport, les lecteurs peuvent approfondir leur compréhension des dernières avancées en matière de décomposition en ligne des SEMG et de leur valeur applicative dans les données expérimentales.