Séparation de signaux électromyographiques de surface à haute densité pour la réduction de la diaphonie.

Separation of high density surface electromyographic signals to reduce cross-talk.

• Auteur / Autrice : Abilé Magbonde
• Direction : Bertrand Rivet, Franck Quaine
• Type : Thèse de doctorat
• Discipline(s) : Signal, image, paroles, télécoms
• Date : Soutenance le 15/02/2024
• Etablissement(s) : Université Grenoble Alpes
• Ecole(s) doctorale(s) : École doctorale électronique, électrotechnique, automatique, traitement du signal (Grenoble ; 199.-....)
• Partenaire(s) de recherche : Laboratoire : Grenoble Images parole signal automatique (2007-....)
• Jury : Président / Présidente : Jérôme Mars
• Jury : Examinateurs / Examinatrices : Éric Le Carpentier, Anne Humeau
• Jury : Rapporteur / Rapporteuse : Sebastian Miron, Pierre Portero

Mots clés

Mots clés contrôlés

Calcul tensoriel

Main

Traitement du signal -- Techniques numériques

Électromyographie

Mots clés libres

Séparation de sources

Signaux EMG de surface à haute densité

Diaphonie

Méthodes tensorielles

Bases de données de signaux HD-SEMG

Muscles de la main

Sources separation

High density surface electromyographic signals

Cross-Talk

Tensor decomposition

HD-SEMG signals database

Hand muscles

Résumé

L’utilisation du signal électrique musculaire de surface (EMG) dans une perspective biomécanique, thérapeutique ou pour la commande nécessite une forte sélectivité spatiale des signaux. Pour des muscles contigus, cette contrainte est rarement observée rendant l’utilisation du signal EMG difficile. La diaphonie, ou contamination croisée des signaux, inhérentes aux enregistrements doit alors être supprimée.Cette thèse a pour but de proposer des méthodes pour séparer la diaphonie lorsque les muscles extenseurs de l'index et du petit doigt sont en contraction simultanée. Notre travail consiste alors à extraire l’activité musculaire liée à chaque muscle dans un contexte de séparation de sources. Pour cela, une première partie du travail a consisté à élaborer une base de données, de qualité et exploitable, en enregistrant de manière non invasive les signaux EMG à partir de matrices d’électrodes, et à la mettre en forme pour la mettre à disposition de la communauté scientifique. Dans un second temps, diverses approches de traitement du signal ont été mise en œuvre pour réduire la diaphonie. Au final, nous proposons une méthode basée sur la décomposition tensorielle non négative de type PARAFAC2 appliquée aux enveloppes des signaux EMG obtenues à partir de la RMS sur des fenêtres glissantes afin de séparer l’activité de chaque muscle. L’originalité du modèle proposé repose sur l’ajout de deux contraintes principales en plus de celles relatives à PARAFAC2. La première contrainte est liée à la physiologie musculaire et implique la continuité spatiale des cartes d’acquisition, tandis que la seconde contrainte est relative à notre protocole expérimental et introduit de la parcimonie. Le modèle a été testé et validé sur des signaux réels puis sur des mélanges artificiels de signaux réels. La méthode proposée offre de meilleures performances de séparation par rapport à l’algorithme NN-PARAFAC2 et plus généralement par rapport à l’ensemble des autres méthodes de séparation de sources classiquement utilisées. Les limites et perspectives sont envisagées dans la dernière partie du document.

The use of surface electromyographic (EMG) signals in a biomechanical, therapeutic, or control perspective requires a high spatial selectivity of the signals. In the case of adjacent muscles, this constraint is rarely met, making EMG signal utilization challenging. Crosstalk, or signal contamination inherent in recordings, must be eliminated.This thesis aims to propose methods for separating crosstalk when the extensor muscles of the index and little finger contract simultaneously. Our work focuses on extracting the muscle activity associated with each muscle in a source separation context. To achieve this, the initial part of the work involved creating a high-quality and usable database by non-invasively recording EMG signals from electrode arrays and formatting it for the scientific community's use. In the next phase, various signal processing approaches were employed to reduce crosstalk. Ultimately, we present a method based on non-negative tensor decomposition of the PARAFAC2 type applied to the envelopes of EMG signals obtained through root mean square (RMS) on sliding windows to separate the activity of each muscle. The uniqueness of the proposed model lies in the addition of two primary constraints in addition to those associated with PARAFAC2. The first constraint is related to muscle physiology and involves spatial continuity in the acquisition maps, while the second constraint is specific to our experimental protocol and introduces sparsity.The model was tested and validated on real signals and artificial mixtures of real signals. The proposed method demonstrates superior separation performance compared to the NN-PARAFAC2 algorithm and, more broadly, relative to conventional source separation methods. The document concludes by discussing its limitations and potential future directions.