Reconnaissance des gestes de la main après un AVC via l'apprentissage par transfert en une seule fois en utilisant des réseaux prototypiques

Contexte

L’accident vasculaire cérébral (AVC) est l’une des principales causes de décès et d’invalidité dans le monde. Avec le vieillissement de la population et l’urbanisation, le nombre total de patients victimes d’AVC augmente à l’échelle mondiale. Bien que les progrès des traitements aient réduit le taux de mortalité, le nombre de survivants nécessitant une rééducation a considérablement augmenté. Cette situation est particulièrement marquée dans les pays à faible revenu et à revenu intermédiaire inférieur. Ces pays disposent de ressources sanitaires limitées, d’où le besoin urgent d’une intervention de rééducation adaptable et rentable (Feigin et al. 2022).

La rééducation après un AVC est un processus long et pénible, qui nécessite non seulement un effort physique mais aussi une charge économique importante. Par conséquent, l’importance des systèmes d’évaluation automatisés pour réduire les coûts de rééducation et le besoin de visites de physiothérapeutes devient de plus en plus évidente. Ces systèmes évaluent la fonction motrice des survivants d’AVC à l’aide de données de capteurs, offrant une méthode à faible coût pour des exercices de rééducation interactifs, particulièrement adaptés à la rééducation à domicile (Chen et al. 2017). De plus, l’intégration de jeux dans ces systèmes peut accroître la motivation et l’engagement des survivants d’AVC, en leur permettant de s’engager dans des mouvements ou des tâches répétitifs et amusants pour favoriser la rééducation (Proffitt et al. 2011).

Défis des systèmes d’évaluation de rééducation automatisés

Les systèmes d’évaluation de rééducation automatisés actuellement disponibles sur le marché utilisent généralement des capteurs tels que l’électromyographie (EMG), la myographie de force (FMG) et des unités de mesure inertielle (IMU) pour collecter des données. Cependant, le déplacement des capteurs et les différences individuelles entre les porteurs affectent significativement les performances des classificateurs. De plus, les signaux physiologiques des survivants d’AVC diffèrent considérablement de ceux des individus en bonne santé, ce qui rend l’interprétation des données plus complexe (Ao et al. 2013; Zhang et al. 2016; Raghavan 2015).

Contrairement aux systèmes d’évaluation traditionnellement opérés manuellement, les systèmes automatisés doivent tenir compte des capacités d’activité des participants et développer des conceptions de capteurs et des techniques d’analyse capables de répondre aux besoins et caractéristiques uniques des patients victimes d’AVC. Par conséquent, cette étude propose d’utiliser des réseaux de prototypes pour un apprentissage par transfert en une seule fois, et d’optimiser la sélection des caractéristiques et d’augmenter la taille de la fenêtre pour améliorer la précision de classification et l’applicabilité du modèle dans les systèmes de rééducation à domicile.

Source de l’article

Cet article a été rédigé par Hussein Sarwat, Amr AlKhashab, Xinyu Song, Shuo Jiang, Jie Jia et Peter B. Shull, avec des institutions de recherche comprenant l’École d’ingénierie mécanique de l’Université Jiao Tong de Shanghai, l’Hôpital Huashan de l’Université Fudan, etc. Il a été publié dans le Journal of NeuroEngineering and Rehabilitation en 2024, avec le numéro d’article : 21:100 (2024).

Conception et méthodes de recherche

Sujets de l’étude et configuration des capteurs

Cette étude a recueilli des données auprès de 20 patients victimes d’AVC dont le stade de Brunnstrom pour la main se situait entre 2 et 6. Les essais ont été menés dans le département de médecine de rééducation de l’hôpital Huashan à Shanghai, en Chine. Le consentement éclairé a été obtenu de tous les participants avant l’expérience, et l’approbation du comité d’éthique de l’hôpital Huashan a été obtenue.

Deux types de capteurs portables ont été utilisés pour collecter les données des participants : un bracelet équipé d’un IMU et de huit capteurs de pression d’air placé sur le poignet, et un autre équipé de six capteurs EMG placé sur l’avant-bras, à environ 10 cm du coude. Ces capteurs ont été utilisés pour collecter des données sur les gestes (par exemple, flexion à grande échelle, extension à grande échelle, flexion du poignet, extension dorsale du poignet, pronation de l’avant-bras, supination de l’avant-bras et repos).

Traitement des données et extraction des caractéristiques

Les données ont été collectées et traitées à l’aide de Matlab et Python. Après filtrage des données, elles ont été normalisées en utilisant la moyenne et l’écart-type de chaque essai, puis segmentées en utilisant la méthode de segmentation par chevauchement, avec une taille de fenêtre de 222 ms et un pas de 55,6 ms. En termes d’extraction des caractéristiques, un total de 394 caractéristiques ont été extraites de chaque canal de capteur, y compris des caractéristiques dans le domaine temporel, fréquentiel et temps-fréquence, fournissant ainsi suffisamment d’informations pour les modèles de classification.

Classificateurs et évaluation des modèles

Cette étude implique deux types principaux de modèles : des modèles indépendants du sujet et des modèles entraînés par apprentissage par transfert. Les premiers sont entraînés en utilisant la méthode de validation croisée leave-one-subject-out, tandis que les seconds utilisent une méthode d’apprentissage à faible échantillon, où les données d’un nouveau participant sont utilisées pour réentraîner le modèle, en utilisant des réseaux de prototypes et en comparant avec d’autres méthodes d’apprentissage automatique traditionnelles (comme SVM, LDA, LGBM, etc.) et des méthodes de réseaux de neurones.

Parmi ces modèles, les réseaux de prototypes sont utilisés pour l’apprentissage à faible échantillon, améliorant la précision du modèle à l’aide d’un seul échantillon d’un nouveau participant. En divisant les échantillons en ensembles de requête et de support, calculant leurs prototypes, et en classifiant en comparant les enchâssements de l’ensemble de requête avec l’ensemble de support.

Analyse des résultats expérimentaux

Les résultats de l’étude montrent que la méthode des réseaux de prototypes (PN) à échantillon unique avec une grande fenêtre a significativement amélioré la précision de classification (p < 0,05), atteignant 82,20% ± 10,85%, nettement supérieure aux autres classificateurs indépendants du sujet et aux méthodes traditionnelles d’apprentissage par transfert. La figure jointe montre la précision de prédiction pour différents gestes.

Sélection des caractéristiques et réduction de dimension

Différents classificateurs répondent différemment aux méthodes de sélection des caractéristiques et de réduction de dimension. L’utilisation de la sélection des K meilleures caractéristiques (K-Best) a significativement amélioré les performances de PN, TL et SVM. Bien que PCA ait bien performé avec LDA, elle était moins efficace avec d’autres classificateurs.

Impact de la taille de la fenêtre

L’augmentation de la taille de la fenêtre a amélioré la précision de tous les classificateurs, malgré une réduction de la taille de l’échantillon. Les améliorations les plus significatives ont été observées avec SVM et LGBM, avec des augmentations de précision de 6,48% et 6,34% respectivement. En moyenne, tous les classificateurs ont montré une augmentation de précision d’environ 4,28%.

Impact du nombre d’échantillons

Dans la comparaison entre la méthode d’apprentissage à cinq échantillons et la méthode à grand fenêtre à un échantillon, cette dernière a montré de meilleures performances avec moins d’échantillons.

Comparaison avec les modèles dépendants du sujet

Comparée à d’autres modèles dépendants du sujet, la méthode proposée dans cet article a montré des performances similaires, indiquant une bonne robustesse dans l’intégration de modèles à grande échelle pour de nouveaux participants.

Signification et conclusion de la recherche

Cet article propose une méthode d’apprentissage par transfert en une seule fois basée sur les réseaux de prototypes pour optimiser la reconnaissance des gestes dans les systèmes de rééducation à domicile. Ces améliorations peuvent améliorer les performances des dispositifs sans nécessiter une supervision fréquente. De plus, l’article explore l’importance de la segmentation temporelle et de la sélection des caractéristiques. Les résultats montrent que l’extension des segments temporels peut améliorer les performances mais au détriment du temps réel, tandis que l’effet de la sélection des caractéristiques varie selon les classificateurs, améliorant ou diminuant significativement les performances du modèle. Par conséquent, il est très important de considérer les techniques de réduction de dimension qui éliminent le bruit et conservent les informations nécessaires avant l’entrée dans le modèle.

Cette étude jette des bases solides pour le développement futur de systèmes de rééducation à domicile adaptables et précis, offrant un meilleur soutien à la rééducation des patients victimes d’AVC.