Développement de la SA pour la détection de lombalgie chronique non spécifique

DÉVELOPPEMENT DE LA SA POUR LA DÉTECTION DE LOMBALGIE CHRONIQUE NON SPÉCIFIQUE

Le chapitre montre la problématique qui a amené à la conclusion que la SA est utile en tant que caractéristique de signal. L’ objectif général du projet est de montrer que l’ utilisation des matrices de capteurs sEMG penn et d’améliorer la catégorisation du LBP. Pour ce faire, une première étape est de montrer qu’une information utile peut être extraite de ces matrices en faisant la détection de sujets LBP. Les méthodes linéaires montrent certains résultats. Pour aller plus loin, les méthodes non-linéaires semblent intéressantes. Par contre, les caractéristiques nonlinéaires sont fortement corrélées aux caractéristiques linéaires. En cherchant la littérature, la seule approche traitant cet aspect est la SA, un test qui détermine si une caractéristique nonlinéaire peut être expliquée par une cause plus simple que la non-linéarité, telle l’ auto corrélation. C’est pourquoi la SA a été adaptée pour générer une caractéristique du signal qui est indépendant des caractéristiques linéaires. La lombalgie chronique non spécifique est une condition ayant une forte prévalence tout en restant peu comprise.

Entre autres, il n’ existe actuellement aucune méthode qui pennette d’effectuer la classification de sujets souffrant de lombalgie chronique non spécifique basée sur des tâches statiques. L’ utilisation de matrice de capteurs sEMG (surface Electromyography) est une approche récente permettant d’obtenir une quantité de données impressionnante. En appliquant de telles matrices de capteurs dans la région lombaire de sujets sains et lombalgiques, on cherche à obtenir de l’ infonnation provenant directement de la région affectée. Les techniques linéaires de traitement du signal ont donné des résultats mitigés. Étant donnée la nature non-linéaire d’une grande partie des signaux de nature biologique, il est logique de s’ interroger sur la présence d’ information utile dans cet aspect des données. Or, l’ utilisation des aspects non-linéaires du signal EMG est limitée dans la littérature et son application à la classification de sujets lombalgiques est inexistante. L’ objectif du projet de recherche consiste à développer des caractéristiques de signaux sEMG produits lors d’une tâche statique qui permettent d’apporter une information nouvelle sur la lombalgie chronique non-spécifique. L’approche originale proposée par la thèse est d’ utiliser l’analyse par données de substitution des dimensions fractales afin d’obtenir des caractéristiques discriminantes représentant la non-linéarité ou la non-stationnarité des signaux. Afin de déterminer l’ intérêt des caractéristiques, elles sont testées sur le problème de classification entre des sujets sains et lombalgiques. Puisque la détection de la lombalgie par signal EMG avec une tâche statique est un problème difficile, l’ utilisation de matrices de capteurs sEMG est privilégiée. La classification par réseau de neurones associé à un entraînement régulé est employée.

Caractéristiques simples, capteurs sEMG multiples

Bien que des essais datant des années ’80 aient été effectués [MAS8S][MAX86] [SAD83], l’approche multi canaux suscite un intérêt récent [MER03]. Beaucoup de recherche a été faite dans le but d’ extraire des caractéristiques très près des unités motrices. Par ce système, on peut s’intéresser aux caractéristiques dimensionnelles des muscles, à la position plaques motrices et des unités motrices, à la vitesse de conduction ou encore à l’ identification des zones d’ innervations avec notarnnlent des applications pour l’ étude de la fatigue pathologique ainsi que pour les canalopathies [SWA03]. Pour ce faire, des techniques de filtrage spatial ont été étudiées [OST04]. Aussi, ces systèmes permettent dans certaines situations d’acquérir des caractéristiques des muscles telles que la vitesse de conduction musculaire [MER03] ou encore la fréquence d’activation des unités motrice. Cette dernière a notamment été reliée à la force musculaire [HOG03]. Il est vrai que ces caractéristiques sont mesurées pour des muscles relativement simples et que leur recrutement s’effectue loin de la force maximale. Pour des situations plus complexes, les approches actuelles sont insatisfaisantes [DR006]. Ces mesures sont impraticables pour la région lombaire [FAR03]. Toutefois, par rapport aux systèmes à un seul capteur, les matrices de capteurs ont des avantages non négligeables quant à la problématique du placement d’ électrodes [ST AOS] [MESOS]. De plus, même de petites matrices ont permis l’amélioration substantielle d’un contrôle de prothèse à base de signaux myoélectriques [HUA09]. Et même pour la détection du LBP, il semble que l’approche multicanale soit la voie à suivre. Sans que ce soit une matrice de capteur à proprement dit [DEL93] a montré qu’un ensemble de capteurs permet, avec un traitement aussi simple que la fatigue musculaire (pente de la fréquence médiane (MDF)) de pennettre une certaine classification de patients LBP, quoique les résultats étaient difficilement transférables en milieu clinique. Aussi, même en l’absence de validation croisée, les travaux de [FIN03][REG03] démontre l’ intérêt de l’approche. Nous croyons donc que les difficultés à identifier des phénomènes de bas niveau [F AR04] ne touchent pas réellement l’étude du LBP. Nous pensons que les systèmes multicanaux sont donc adaptés à une étude plus approfondie du LBP.

Utilité des matrices sE MG pour l’analyse de séries temporelles Dans la littérature, l’ utilisation de capteurs uniques pour la détection du LBP a pennis d’ obtenir des résultats statistiquement significatifs, mais sans capacité réelle d’ effectuer une classification. Ceci était fait par exemple pour une méthode linéaire, la MDF [LAR02]. Pour réellement pouvoir effectuer une certaine classification, nous avons eu besoin de la matrice de capteurs pour extraire une plus grande infonnation. Pour les méthodes non-linéaires, il est aussi peu probable que l’ analyse du signal d’un seul capteur pennette d’ obtenir de meilleurs résultats « statistiquement significatifs ». Pour évaluer si une caractéristique non-linéaire est pertinente pour l’étude du LBP, il est nonnal de vouloir utiliser des matrices de capteurs. Dans notre cas, nous utilisons deux matrices de 5×13 capteurs. A priori, on peut jouer à deviner où placer un capteur pour avoir le meilleur résultat aux fins de classification. Cependant, l’ utilisation de matrices de capteurs permet de couvrir une grande région et à ne pas avoir à deviner le meilleur emplacement des activités musculaires. On pourrait soulever la problématique que les matrices sont de taille fixe. Or les sujets ont des tailles et silhouettes très variables. Il serait intéressant de transformer les données de sorte à obtenir l’ équivalent d’une matrice qui s’adapterait à la taille de la personne. Cependant, ceCI nécessiterait de trouver l’origine des sources et donc d’avoir accès à une matrice d’impédance du corps humain dans toute la région thoracique. Ceci s’ appelle de l’ électromyographie assistée par ordinateur (Computed Electromyography). Ceci est un sujet ardu qui nécessiterait de grandes ressources. Toutefois, on sait qu’outre les questions de régularisation, les opérations nécessaires pour obtenir les signaux sources sont linéaires. Donc, en prenant les signaux au niveau des capteurs, un réseau de neurones artificiels (NN) devrait pouvoir se passer de cette inversion de modèle. Une transformation linéaire avant un NN, outre que pour des questions d’initialisation du processus d’apprentissage, ne devrait pas avoir d’ impact majeur sur les résultats. Il serait par contre pertinent d’effectuer la recherche des signaux de sources aux fins d’interprétation. En effet, il est habituellement difficile d’ interpréter les calculs faits par NN ou autres méthodes d’apprentissage non-linéaire.

Analyse par données de substitution

La SA est présentée comme un outil qui pem1et de détecter qu’une série a un comportement non-linéaire [THE92] . Lorsqu’on emploie une méthode d’analyse non-linéaire telle que la dimension fractale, la dimension de corrélation ou les exposants de Lyapunov, les caractéristiques obtenues sont affectées par la simple corrélation temporelle des données. Même que cela peut être le facteur dominant. Par exemple, un signal passe-bas aura généralement une dimension fractale basse et un signal passe-haut aura une dimension fractale élevée. Il n’y a donc aucun besoin de comportement non-linéaire pour expliquer les résultats. Pour s’ affranchir de l’effet de la corrélation, on peut générer plusieurs séries temporelles ayant le même spectre de puissance, mais provenant d’un processus purement aléatoire (stochastique), appliquer à ces séries la méthode non-linéaire (p. ex. dimension fractale) et obtenir une densité de probabilité de la caractéristique. On peut ensuite comparer la caractéristique de la série originale à la densité de probabilité et inférer une non-linéarité. Ceci est la procédure SA. En d’ autres mots, l’analyse de données de substitution permet de poser la question: « Est-ce que la dimension fractale observée aurait pu être obtenue par un signal stochastique (linéaire) ayant le même spectre de puissance? ». Plusieurs méthodes permettent de produire des séries répondant aux critères de l’hypothèse nulle. La méthode de la FFT (Fast Fourier Transform) est la plus simple.

Elle consiste à effectuer la FFT, rendre la phase aléatoire et revenir dans le domaine temporel. L’utilisation de la FFT ne nécessite pas de choix de paramètres arbitraires comme la modélisation par processus ARMA (Autoregressive Moving Average). Or, il faut souligner que dans les séries temporelles créées de la sorte, les signaux sont non seulement d’origine linéaire, mais aussi stationnaire. Il est plausible de dire que SA détecte non seulement les non-linéarités, mais aussi les nonstationnarités, sans faire de nuances entre les deux. Notons que certaines non-stationnarités au niveau de la variance peuvent être tenues en compte dans certaines méthodes si les variations sont lentes. Mais des non-stationnarités plus exotiques ne sont pas traitées dans la littérature. Mentionnons que dans la littérature une grande partie de l’usage de la dimension fractale ne fait pas usage de la SA. En effet, la dimension fractale offre en une seule valeur une caractérisation générale de la complexité du signal. Étant fortement affectée par la corrélation, elle résume bien celle-ci. De plus, elle est de très faible complexité, ne nécessitant souvent que des additions, valeurs absolues et une inversion de matrice de faible dimension. Donc, bien que ce soit une fonction non-linéaire, c’est en grande partie les effets de corrélation qui sont l’ intérêt de la dimension fractale lorsqu’elle est utilisée sans données de substitution. Finalement, la façon dont on emploie la méthode SA nécessite de porter une attention particulière au nombre de séries de substitution générées. En Annexe 2:, on montre la relation entre le nombre de séries et la précision. On obtient que pour 200 séries, on a approximativement de 10% d’ incertitude sur les valeurs élevées de scores Z.

Table des matières

Résumé
Remerciements
Table des matières
Liste des figures
Liste des tableaux
Liste des acronymes
Chapitre 1: Introduction
1.1 Parallèle avec le test d’ hypothèse sur une moyenne
1.2 Applications prévues
1.3 SA dans la littérature
1.4 Structure de la thèse
Chapitre 2: Comparaison entre le score proposé et celui de Theiler
2.1 Séries non-linéaires classiques
2.1.1 Suite logistique
2.1.2 Suite de Hénon
2.1.3 Attracteur de R6ssler
2.1.4 Bruit coloré
2.2 Méthodes numériques
2.2.1 Méthodes de SA
2.2.2 Méthodes fractales
2.2.3 Fenêtrage
2.3 Résultats
2.4 Discussion
Chapitre 3: Développement de la SA pour la détection de lombalgie chronique non spécifique
3.1 Contexte
3.2 Revue de la littérature
3.2.1 Caractéristiques simples, capteur unique sEMG
3.2.2 Caractéristiques avancées, capteur sEMG unique
3.2.3 Caractéristiques simples, capteurs sEMG multiples
3.2.4 Caractéristiques avancées, capteurs sEMG multiples
3.3 Méthodologie
3.3.1 Tâches statiques et fenêtre fixe
3.3.2 Utilité des matrices sEMG pour l’analyse de séries temporelles
3.3.3 Fléau de la dimensionnalité et validation croisée
3.3.4 Tests multiples
3.3.5 Proposition d’ une méthode linéaire
3.3.6 Approche non-linéaire proposée
3.3.7 Procédure expérimentale
3.4 Résultats
3.4.1 Comparaison des caractéristiques
3.4.2 Principaux résultats de classification
3.5 Conclusion et contributions
Chapitre 4: Nouvelles interprétations de la SA
4.1 Spectre de la phase non-aléatoire
4.1.1 Dirac versus bruit blanc
4.1.2 Courbe à distribution parfaitement Gaussienne
4.2 Synchronisation des potentiels d’action et vitesse de conduction
4.2.1 Relation SA et synchronisation
4.2.2 Définitions de la synchronisation dans la littérature
4.2.3 Model employé
4.2.4 Modèles plus réalistes
4.2.5 Simulations faites en exemple
4.2.6 Résultats de simulation
4.2.7 Variabilité des caractéristiques
4.2.8 Perspectives
4.3 Effet du fenêtrage
4.3.1 Méthode de fenêtrage pour la SA
4.3.2 Analyse des performances
4.3.3 Simulation des performances sur hypothèse nulle
4.3.4 Effet sur l’ information
4.3.5 Discussion
Chapitre 5: Application de la SA à la classification de mouvements par sEMG
5.1 Brève revue de la littérature
5.2 Contributions
5.3 Données et prétraitement
5.3.1 Description des données
5.3 .2 Absence de préfiltres
5.3.3 Filtrage spatial
5.3 .4 Fenêtrage des données
5.3.5 Mouvement 0 (repos)
5.4 Systèmes et méthodologie
5.4.1 Caractéristiques utilisées
5.4.2 Paramètres des méthodes fractales
5.4.3 Algorithme de classification utilisé
5.4.4 Nombre de neurones
5.4.5 Initialisations multiples des poids du réseau de neurones
5.4.6 Problématique des mouvements 2 et 8
5.4.7 Utilisation du filtre médian
5.4.8 Temps de réponse
5.4.9 Problème d’invariance de la variance (et d’autres caractéristiques)
5.4.10 Séparation des données
5.5 Résultats
5.5.1 Inférence statistique pour les performances obtenues
5.5.2 Résultats principaux
5.5.3 Augmentation du taux d’erreur selon le temps
5.5.4 Inversion des groupes d’entrainement et validation
5.6 Discussion
Chapitre 6: Conclusion
6.1 Contribution à l’étude des systèmes sEMG
6.2 Contributions à l’ utilisation de la SA
6.3 Contributions à l’interprétation de la SA
6.4 Questions restantes
6.4.1 Lien avec les autres travaux faits au laboratoire GRAN
6.4.2 Filtrage spatial
6.4.3 Stationnarité
6.4.4 SA des résidus
6.4.5 SA et blanchissage des données
6.4.6 SA et filtrage linéaire
6.4.7 Spectre de non-linéarité
6.4.8 SA et quantification du signal
6.4.9 SA et bruit de mesure
6.4.10 Effet du fenêtrage selon l’ordre de l’atténuation du processus de l’ hypothèse nulle
6.5 Axes de recherches découlant de la thèse
Références
Annexe 1: Applications de la SA dans la littérature
Annexe 2: Choix du nombre de séries de substitution
2.1 Analytical derivation of the effect ofthe number of surrogate series on the score Z
Annexe 3: Analyse de l’impact du biais causé sur la SA par le fenêtrage
Annexe 4: Effet de la répartition aléatoire des données sur la validation croisée
Annexe 5: Analyse de données de substitution du spectre de la longueur de courbe sous-échantillonné
Annexe 6: Publications
Annexe 7: Code Matlab® pour la SA et les FOs
7.1 Code de la SA
7.2 Code des dimensions fractales

Cours gratuitTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *