Des chercheurs créent un nouveau modèle d'apprentissage pour les prothèses de membres
Des chercheurs de l'Université de technologie de Shenyang et de l'Université d'électro-communications de Tokyo cherchent à déterminer comment faire réagir les prothèses de bras aux mouvements des bras.
Au cours de la dernière décennie, des scientifiques ont cherché à savoir comment utiliser les signaux d'électromyographie de surface (EMG) pour commander les prothèses de membres. Les signaux EMG sont des signaux électriques qui font contracter nos muscles. On peut les enregistrer en insérant des aiguilles d'électrodes dans le muscle. Les EMG de surface sont enregistrés à l'aide d'électrodes placées sur la peau au-dessus des muscles.
Au cours de la dernière décennie, les chercheurs ont commencé à étudier l'utilisation potentielle des signaux EMG de surface pour commander des prothèses destinées aux personnes amputées, en particulier en ce qui concerne la complexité des mouvements et des gestes nécessaires aux prothèses de bras, afin d'obtenir un fonctionnement plus fluide, plus réactif et plus intuitif que ce qui est possible actuellement.
Les EMG de surface peuvent effectivement être utilisés pour que les prothèses de membres réagissent plus rapidement et bougent de manière plus naturelle. Toutefois, des perturbations, comme le déplacement des électrodes, peuvent compliquer la reconnaissance de ces signaux par l'appareil. Une façon de surmonter cela consiste à entraîner les signaux EMG de surface. L'entraînement peut être un processus long et parfois difficile pour les personnes amputées.
C'est pourquoi de nombreux chercheurs se sont tournés vers l'apprentissage automatique. Grâce à celui-ci, une prothèse peut apprendre à distinguer les mouvements musculaires qui indiquent des gestes et les mouvements des électrodes.
Les auteurs de l'étude, publiée dans la revue Cyborg and Bionic Systems, ont mis au point une méthode d'apprentissage automatique unique combinant un réseau de neurones convolutifs (CNN) et un réseau de neurones artificiels à mémoire à long et court terme (LSTM). Ils ont retenu ces deux méthodes en raison de leurs avantages complémentaires.
« L'apprentissage profond de la reconnaissance gestuelle basée sur l'électromyographie de surface joue un rôle de plus en plus important dans l'interaction homme-machine. Pour garantir une grande précision de l'apprentissage profond dans la reconnaissance des mouvements musculaires à plusieurs états, et s'assurer que le modèle d'apprentissage peut être appliqué dans une puce embarquée à faible capacité mémoire, cet article présente une méthode de construction et d'optimisation d'un modèle fonctionnel basé sur un bloc d'amplification multicanal sEMG », indique l'étude.
Le CNN détecte bien les dimensions spatiales des signaux EMG de surface et comprend leur corrélation avec les gestes de la main. Il peine avec le temps. Les gestes se produisent dans la durée, mais le CNN ignore l'information temporelle lors de contractions musculaires continues. Les CNN sont généralement utilisés pour la reconnaissance d'images.
Le LSTM est généralement utilisé pour la reconnaissance de l'écriture manuscrite et de la parole. Ce réseau de neurones traite, classe et réalise bien des prédictions à partir de séquences de données dans le temps. Le problème ici est que, bien que les chercheurs aient obtenu une meilleure classification des gestes à partir des signaux sEMG, la taille du modèle de calcul requis reste un problème majeur.
Le microprocesseur à utiliser est limité. Recourir à un composant plus puissant coûterait trop cher. Enfin, bien que ces modèles d'apprentissage profond fonctionnent sur des ordinateurs en laboratoire, il est difficile de les appliquer avec le matériel embarqué que l'on trouve dans un dispositif prothétique.
« Au final, les réseaux de neurones convolutifs ont été conçus pour la reconnaissance d'images, et non pour commander des prothèses. Nous devions associer les CNN à une technique capable de gérer la dimension temporelle, tout en permettant la réalisation d'un appareil physique que l'utilisateur doit porter »
L'équipe de recherche a créé un modèle hybride associant la perception spatiale des CNN et la perception temporelle des LSTM. Au final, ils ont réduit la taille du modèle d'apprentissage profond tout en conservant une grande précision et une forte résistance aux perturbations.
Le système a été testé sur dix sujets sans membres amputés, avec une série de 16 gestes de la main différents. Il a atteint une précision de reconnaissance supérieure à 80 %. Le système se comportait bien avec la plupart des gestes, comme saisir un téléphone, un stylo, pointer, pincer et saisir une tasse d'eau. Cependant, l'approche hybride ne permettait pas de reconnaître précisément deux gestes de pincement : celui utilisant le majeur et celui utilisant l'index.
Dans l'ensemble, selon l'équipe, les résultats ont dépassé les méthodes d'apprentissage traditionnelles. Dans leurs travaux futurs, les chercheurs veulent optimiser l'algorithme et améliorer encore sa précision tout en conservant un modèle d'entraînement léger, afin qu'il puisse être utilisé dans le matériel des prothèses. Ils souhaitent également comprendre ce qui rend difficile la reconnaissance des gestes de pincement et étendre leurs expériences à un nombre beaucoup plus important de sujets.
À terme, les chercheurs veulent développer une prothèse de bras aussi souple et fiable que le membre d'origine de l'utilisateur.
