| Summary: | L’appareillage permet à aux personnes amputées de membre inférieur de retrouver une autonomie de déplacement. Actuellement, cette autonomie est limitée dans certaines situations de la vie courante comme la marche en pente ou en escalier. Des capteurs dits embarqués sont de plus en plus souvent intégrés dans les prothèses et permettent d’enregistrer des informations cinématiques et dynamiques au cours de la locomotion. Dans ce contexte, l’objectif de la thèse est de contribuer au développement de méthodes de traitement des données issues de ces technologies pour quantifier et améliorer l’adaptation de la prothèse à l’environnement. Ces méthodes ont été mises en œuvre et évaluées dans le cadre de l’utilisation d’un nouveau système prothétique contrôlé par microprocesseur de genou-cheville (SPCM), développé par la société Proteor et visant à faciliter la locomotion des personnes amputées au-dessus du genou dans les situations de pente ou de descente d’escalier. La première partie de cette thèse a été consacrée à la quantification des adaptations permises par le SPCM au cours de la locomotion dans différentes situations de la vie courante (plat, pente, escalier). La deuxième partie de la thèse s’est intéressée à développer des estimations de paramètres de la marche (vitesse de marche et inclinaison de la pente) et à la classification de 4 situations de la vie courante (plat, montée et descente de pente, descente d’escalier) à l’aide d’algorithmes d’apprentissage automatique pouvant être calculé par le SPCM en temps réel. L’ensemble de ces travaux permettra de mieux quantifier l’activité réelle de l’utilisateur. Cette quantification pourrait aider l’utilisateur ou l’équipe médicale pour le suivi d’activité mais aussi le constructeur pour améliorer l’adaptation des éléments prothétiques à l’environnement rencontré et pour vérifier l’utilisation réelle du SPCM. === Prosthetic devices allow people with lower limb amputation to recover their autonomy. Currently, this autonomy is limited in several everyday life situations such as walking on a slope or in stairs. Embedded sensors, frequently integrated inside the prostheses, record kinematic and dynamic data during locomotion. In this context, this PhD thesis aims to contribute to the development of methods for the processing of data provided by these technologies to quantify and improve the adaptation of the prosthesis to the environment. These methods were applied and evaluated in the context of the use of a new prosthetic knee-ankle system controlled by microprocessor (SPCM) developed by Proteor to facilitate the locomotion in situations such as slope or downstairs walking for people with above knee amputation. The first part of the work was devoted to the quantification of the adaptations allowed by the SPCM in different situations of daily life (flat, slope, staircase). The second part of the thesis focused on the estimation of gait parameters (walking speed and slope inclination) and the classification of 4 everyday life situations (flat, slope ascent and descent, stair descent) using machine learning algorithms that can be computed by the SPCM in real time. The body of this work will make it possible to better quantify the user real life activity. This quantification could help the user or the medical team in the activity monitoring but also the manufacturer to improve the adaptation of the prosthetic components to the environment and to verify the SPCM actual use.
|
|---|
