Date : 2017
Type : Livre / Book
Type : Thèse / ThesisLangue / Language : anglais / English
Classification Dewey : 621.382 2
Classification Dewey : 612.76
Accès en ligne / online access
Accès en ligne / online access
Accès en ligne / online access
Résumé / Abstract : Cette thèse porte sur l’analyse des signaux sEMG multicanaux à l’aide de la transformée en ondelettes, de la transformation de Hilbert-Huang et d’autres méthodes d’analyse ou de traitement des signaux, telles que le filtrage de Kalman et de Goertzel, pour détecter, mesurer, filtrer et décomposer les signaux sEMG afin d’identifier des tendances dans le temps et en fréquence des mouvements de flexion-extension des doigts de la main en observant les signaux myoélectriques des muscles superficiels. Le but est de prédire le mouvement des doigts de la main et de minimiser le temps de calcul pour permettre de contrôler des prothèses à l’aide de capteurs superficiels. L’hypothèse est fondée sur l’idée que tous les mouvements de la main sont une réponse active de l’activité myoélectrique des muscles spécifiques et que l’activité électrique peut être mesurée comme un signal associé à une séquence de mouvement des éléments de la main (doigts). Chaque doigt peut effectuer une trajectoire de la position de repos à la position finale, cette trajectoire qui n’est évidemment pas instantanée, engendre un signal myoélectrique lui-même non instantanée. L’activité électrique du muscle est présente sur les signaux enregistrés. Cette activité électrique peut être reconnue par un algorithme à partir d’une base de données de modèles de mouvement. Comparer l’activité électrique des muscles en temps réel par rapport à ces données peut permettre de détecter une tendance du comportement de la main et donc de prévoir le mouvement spécifique avant ou en même temps. Cette prédiction doit autoriser une baisse du temps de réponse de la prothèse
Résumé / Abstract : This thesis deals with the analysis of multichannel sEMG signals using wavelet transform, Hilbert-Huang transformation and other signal analysis or processing methods such as Kalman and Goertzel filtering, for detecting, measuring, filtering and decomposing sEMG signals to identify patterns in the time and frequency of flexion-extension movements of the fingers of the hand by analyzing the myoelectric signals of the superficial muscles. The aim is to predict the movement of the fingers of the hand and to minimize the computation time to allow the control of prostheses by means of superficial sensors. The hypothesis is based on the idea that all hand movements are an active response of the myoelectric activity of specific muscles and that electrical activity can be measured as a signal associated with a sequence of motion of the elements of the hand (fingers). Each finger can make a trajectory from the rest position to the final position, this trajectory which is obviously not instantaneous, generates a non-instantaneous myoelectric signal itself. The electrical activity of the muscle is present on the recorded signals. This electrical activity can be recognized by an algorithm from a database of the motion models. Comparing the electrical activity of the muscles in real time with respect to these data can make it possible to detect a tendency in the behavior of the hand and therefore to predict the specific movement before or at the same time. This prediction must allow a reduction in the response time of the prosthesis