RECONNAISSANCE DE MOTIFS
Comme expliqué précédemment, lors de l’exécution d'une tâche, les muscles utilisés sont stimulés par des impulsions électriques et ainsi génèrent des signaux myoélectriques. Dans le cas de prothèses myoélectriques, l'interface homme-machine va alors percevoir les signaux EMG et devoir les associer aux mouvements désirés par l’utilisateur. Autrement dit, les signaux EMG sont interprétés afin de traduire un effort musculaire pour contrôler la prothèse et en satisfaire l'utilisateur. Dans le domaine de la recherche, l’objectif est de suppléer les systèmes de contrôle classiques par une étape visant à l'identification des signaux EMG appelée reconnaissance de motifs.
Extraction de caractéristiques
La première étape de la reconnaissance de forme vise à extraire différentes caractéristiques du signal EMG perçu. En effet, un signal EMG brut n'est pas en mesure de nous informer quant aux spécificités du mouvement désiré. Pour ce, il est nécessaire d'analyser ce signal afin d'en faire ressortir plusieurs caractéristiques spécifiques à la tâche que souhaite accomplir l'utilisateur. Cependant, cette extraction se doit de remplir plusieurs critères afin d'optimiser au mieux le contrôle de la prothèse. Celle-ci, visant à effectuer, de la manière la plus naturelle possible, un mouvement désiré par son utilisateur lors de l'accomplissement d'une tâche, ne doit pas représenter une gêne pour celui-ci. De ce fait, un des critères les plus importants est celui de l'application en temps réel. En effet, l'extraction des caractéristiques ne doit pas nécessiter un intervalle de temps trop important, car sinon, une latence apparaît. Ce délai est alors problématique et peut rendre la prothèse inconfortable pour son utilisateur. Il est également nécessaire d'introduire la notion de pertinence de discrimination. Un mode de contrôle de prothèse se basant sur une reconnaissance de motifs se doit également de traduire correctement les intentions de l'utilisateur. De ce fait, les ensembles de caractéristiques qui vont découler du traitement du signal EMG se doivent d'être les plus discriminants possible afin que la reconnaissance de motifs soit précise et n’entraîne pas un mouvement indésiré. Ces critères d'extractions établis, il est important de s'intéresser aux différentes propriétés des caractéristiques. En effet, celles-ci étant tirées du signal EMG, il est nécessaire de prendre en compte le fait qu'elles peuvent « varier » en fonction du placement des électrodes. De plus, cette extraction va amener à des caractéristiques différentes selon la nature du mouvement (stationnaire, etc...). La plupart des prothèses commercialisées aujourd'hui contrôle 1, voire 2, degrés de liberté. C'est à dire que le mouvement peut s'effectuer sur 1 voir 2 axes simultanément. Or un effort musculaire naturel correspond à une liberté totale du membre dans l'espace. Ainsi, la plupart des études se contentent de travailler sur l'extraction des caractéristiques pour la classification de mouvements constants.
Réduction de dimension
Une étape intermédiaire entre l'extraction de caractéristiques et la classification est nécessaire dans le sens où elle permet la réduction des calculs et ainsi un traitement en temps réels plus adaptés au contrôle d'une prothèse. Les vecteurs de caractéristiques étant construits par la première étape, ils vont être traités afin de ne garder que les caractéristiques les plus discriminantes. La réduction de dimension de l'espace de caractéristiques va alors amener à la suppression des informations les moins pertinentes. Cette étape permet d'augmenter la qualité de la classification en palliant le problème de la malédiction de dimension. En effet, lorsque l'on a une dimension élevée, cela amène alors à l'isolation des données et les rendent moins significatives. Alors, pour évaluer la pertinence des informations, une grande dimension nécessite une grande quantité d'informations. Cependant, ici, un relevé trop important n'est pas avantageux, on cherche donc à réduire l'espace de dimension. Ainsi, en réduisant le nombre de caractéristiques en se basant sur la pertinence de discrimination de ces dernières, le classifieur a moins de paramètres adaptatifs à déterminer et généralise mieux les différentes classes. Alors on augmente le taux de précision du classifieur et donc on réduit le risque de mouvement indésirable. Il existe différentes stratégies visant à la réduction de dimension de l'espace de caractéristiques.
Classification :
Le procédé d'extraction de caractéristiques a amené à la génération de vecteurs de caractéristiques, cependant, le travail ne s'arrête pas là. En effet, il est nécessaire d'associer ces vecteurs à des classes qui traduisent des mouvements spécifiques, c'est l'objectif de la classification. Ainsi, une classification précise entraînera une bonne reconnaissance des caractéristiques et donc une réponse adaptée aux intentions de l'utilisateur. Cependant, l'importance d'un traitement rapide est toujours préconisée afin d'éviter au maximum l'apparition d'un délai. De plus, il faut prendre en compte le fait que la classification requiert une part d'apprentissage dans le sens où chaque personne étant différente, il est nécessaire d'adapter les classes à chaque individu. Il existe différentes méthodes de classification comparables les unes des autres par leur taux d'erreur. De ces différentes méthodes, il en existe deux types : les méthodes supervisées et les méthodes non supervisées. Les méthodes supervisées représentent des méthodes d'apprentissage dans lesquelles les classes sont pré-établies. L’étiquetage préalable fournit donc une base d'apprentissage représentative d'un nombre de caractéristiques plus élevés. L'objectif est alors d'arriver à une bonne généralisation en classant chaque nouvelle caractéristique à l'étiquette qui lui correspond. Les méthodes non supervisées, quant à elles, ne nécessitent pas de de base d'apprentissage et visent donc à regrouper dans une même classe des caractéristiques qui présentent des similarités.
Nous avons ici dressé un bilan de quelques méthodes utilisées pour la classification. Celles-ci ne sont pas forcément incompatibles les unes aux autres et l'on peut par exemple utiliser un système de logique flou dans un réseau de neurone. Ainsi, la bonne qualité d'un classifieur amène à une identification précise des formes, et donc une bonne retranscription des intentions de l’utilisateur, et, a fortiori, un mouvement adapté par la prothèse. De plus, des taux acceptables de précision conjugués à des délais satisfaisant (inférieur à 200ms) ont pu être observés dans des expérimentations récentes quant à la reconnaissance de motifs pour les prothèses myoélectriques.