Structure topologique des signaux EMG de surface : Décodage des gestes de la main en utilisant les variétés riemanniennes

Cet article a été rédigé conjointement par Harshavardhana T. Gowda (Département de génie électrique et informatique de l’Université de Californie, Davis) et Lee M. Miller (Centre de sciences psychologiques et cérébrales, Département de neurophysiologie et de comportement, Département d’oto-rhino-laryngologie et de chirurgie de la tête et du cou de l’Université de Californie, Davis). Cet article a été publié dans le Journal of Neural Engineering.

Contexte de la recherche

Les signaux électromyographiques de surface (sEMG) enregistrent de manière non invasive les signaux électriques provenant de l’activation des unités motrices (MU) à travers des capteurs placés sur la surface de la peau. L’application de ces signaux dans le décodage des gestes des membres supérieurs est d’une grande importance pour la réhabilitation des amputés, l’amélioration des membres artificiels, le contrôle gestuel des ordinateurs et les domaines de la réalité virtuelle/augmentée. Cependant, l’application pratique des signaux sEMG est limitée par de nombreux facteurs tels que l’épaisseur du tissu sous-cutané et la variabilité du signal dépendant de la position des électrodes. Par conséquent, le décodage et la distinction des différents gestes posent un défi, que cet article tente de résoudre.

Source de l’article

Cet article a été rédigé par Harshavardhana T. Gowda et Lee M. Miller, qui appartiennent respectivement au Département de génie électrique et informatique et au Centre de sciences psychologiques et cérébrales de l’Université de Californie, Davis. L’article a été publié dans le Journal of Neural Engineering.

Processus de recherche

Cet article propose une méthode pour représenter la distribution spatiale de l’activité des unités motrices (MU) en construisant des matrices de covariance semi-définies positives (SPD) et en manipulant ces matrices sur des variétés riemanniennes pour comprendre et traiter de manière plus naturelle les séries temporelles multivariées des signaux sEMG. La recherche comprend principalement les étapes suivantes :

Définition et manipulation

• Définitions :

  • Pour une matrice carrée x de dimension c, les méthodes de représentation de ses éléments et diverses matrices de normalisation ont été définies.
  • Des méthodes de calcul pour le produit intérieur de Frobenius et la norme induite ont été proposées.

• Manipulation sur les variétés de matrices SPD :

  • Les matrices SPD forment une sous-variété convexe lisse de l’espace des matrices symétriques. Grâce à la décomposition de Cholesky, les matrices SPD peuvent être transformées en matrices triangulaires inférieures et la transformation de ces variétés peut être effectuée de façon bijective.
  • L’article présente comment réaliser la correspondance isométrique entre ces deux types de variétés par décomposition de Cholesky et ses opérations inverses.

Calcul de la métrique riemannienne

• Les méthodes de calcul de la métrique riemannienne et de la distance géodésique ont été proposées, assurant l’efficacité du calcul et la stabilité numérique.
• Des méthodes de calcul de la moyenne de Fréchet et du transport parallèle ont été proposées, ainsi qu’une méthode de calcul du noyau des matrices semi-définies positives pour les machines à vecteurs de support (SVM).

Jeu de données

Cette étude utilise trois jeux de données : 1. Ninapro : Un ensemble de données publiques fourni par Atzori et al., comprenant 40 sujets, enregistrés avec 12 électrodes, et comprenant 17 gestes différents. 2. Jeu de données de signaux sEMG haute densité : Un ensemble de données fourni par Malešević et al., comprenant 19 sujets, enregistrés avec 128 électrodes et comprenant 65 gestes uniques. 3. Jeu de données UCD-Myoverse-Hand-0 : Données collectées par les auteurs à l’Université de Californie, Davis, comprenant 30 sujets, enregistrés avec 12 électrodes et comprenant 10 gestes.

Principaux résultats

Jeu de données 1 - Ninapro

• Prétraitement des données et classification des gestes
  • Utilisation des données sEMG enregistrées à 2000 Hz avec 12 électrodes et application de différentes algorithmes (MDM, SVM, K-medoids) pour la reconnaissance des gestes.
  • La comparaison des précisions des différentes méthodes de classification a montré que les méthodes de variété proposées (MDM et SVM) ont des taux de précision respectifs de 0,92 et 0,93, ce qui est significativement plus élevé que les méthodes précédentes.

Jeu de données 2 - Signaux sEMG haute densité

• Prétraitement des données et classification des gestes
  • Utilisation des données sEMG enregistrées à 2048 Hz avec 128 électrodes et application des mêmes algorithmes pour la classification.
  • Les résultats de la comparaison montrent que la méthode proposée présente une précision (0,92 et 0,93) égale au niveau le plus élevé existant tout en ayant une efficacité de calcul plus élevée et une meilleure adaptabilité entre individus.

Jeu de données 3 - UCD-Myoverse-Hand-0

• Prétraitement des données et classification des gestes
  • Utilisation des données sEMG enregistrées à 2000 Hz avec 12 électrodes et application des mêmes algorithmes pour la classification.
  • La précision moyenne est respectivement de 0,82 pour MDM, 0,86 pour SVM et 0,70 pour K-medoids, montrant l’efficacité de ces méthodes en application pratique.

Conclusion et signification

Cet article présente une méthode naturelle et à faible dimension pour la classification des gestes en analysant les signaux sEMG sur des variétés riemanniennes. La méthode montre aussi comment s’adapter aux variations des signaux entre individus et séances de manière transparente et explicite. Cette recherche comble les lacunes des méthodes d’apprentissage profond existantes nécessitant des modèles volumineux et de grands ensembles de données, offrant ainsi une possibilité d’adaptation rapide entre individus. De plus, la méthode de transport parallèle proposée permet d’adapter en temps réel les variations des signaux, ouvrant de nouvelles perspectives pour le décodage pratique des signaux sEMG.

Points forts

• Méthode innovante : Introduction pour la première fois des variétés riemanniennes et des matrices de covariance SPD pour la classification des gestes avec les signaux sEMG.
• Calcul efficace : Meilleure efficacité de calcul et adaptabilité par rapport aux méthodes d’apprentissage profond actuelles.
• Potentiel d’application pratique : Proposition de nouvelles solutions pour les problèmes d’adaptabilité des signaux sEMG en pratique.

Cet article démontre l’efficacité et la supériorité de l’analyse des signaux sEMG sur les variétés riemanniennes par des expériences, fournissant ainsi une base théorique et pratique importante pour le décodage des gestes en applications pratiques.