Modélisation de signaux électromyographiques par des processus de renouvellement - Filtre bayésien pour l'estimation séquentielle de paramètres à destination de la commande d'une prothèse d'avant-bras

• Main Author: Monsifrot, Jonathan
• Language: FRE
• Published: Université de Nantes 2013
• Subjects: [SPI:SIGNAL] Engineering Sciences/Signal and Image processing; [SPI:SIGNAL] Sciences de l'ingénieur/Traitement du signal et de l'image; [INFO:INFO_TS] Computer Science/Signal and Image Processing; [INFO:INFO_TS] Informatique/Traitement du signal et de l'image; prothèse d'avant-bras; signaux iEMG; train d'impulsions; loi de Weibull discrète; modèle de Markov caché; filtrage bayésien; estimation séquentielle; déconvolution aveugle
• Online Access: http://tel.archives-ouvertes.fr/tel-00921011; http://tel.archives-ouvertes.fr/docs/00/93/38/85/PDF/Monsifrot_manuscrit.pdf; http://tel.archives-ouvertes.fr/docs/00/93/38/85/ANNEX/monsifrot_beamer.pdf

Nous traitons des signaux électromyographiques intramusculaires (signaux iEMG) relevés dans les muscles de l'avant-bras. Les signaux iEMG représentent une image de la commande du système nerveux central vers les muscles. Ils se composent d'une superposition de trains d'ondelettes, chaque ondelette code un groupe de fibres musculaires et son taux de mise à feu code l'effort produit par ce groupe. L'objectif est d'extraire de façon séquentielle des informations du signal iEMG. Nous espérons que ces informations se révèleront utiles pour la commande d'une prothèse d'avant-bras. En premier lieu, nous modélisons un train d'impulsions comme une chaîne de Markov et nous discutons des lois pouvant caractériser le temps entre deux impulsions. La loi de Weibull discrète a retenu notre attention. Nous avons mis en place une méthode d'estimation en ligne de ses paramètres. En second lieu, nous modélisons le signal iEMG par un modèle de Markov caché s'appuyant sur le modèle de train d'impulsions ci-dessus. La mise en place d'un filtre bayésien nous permet de propager séquentiellement une estimation bayésienne des paramètres du modèle de Markov caché, en particulier la forme des ondelettes et leur taux de mise à feu. Nous proposons finalement une méthode d'estimation du nombre de trains d'ondelettes, un paramètre discret du modèle. Nous validons les méthodes et algorithmes proposés sur des signaux simulés et des signaux iEMG.