AccueilRééducation et médecine du sportContrôle de main prothétique — EMG

🦾 Contrôle de main prothétique — EMG

Prothèse pilotée par EMG : des électrodes de surface détectent les potentiels d'action des unités motrices. Les caractéristiques du signal (RMS, MAV, ZC) classifient les préhensions voulues avec un classificateur LDA ou SVM.

Rééducation et médecine du sport3DModéré60 FPS
prosthetic-control ↗ Ouvrir en autonome

Comment ça marche

Des signaux EMG synthétiques sont générés pour chaque canal d'électrode en fonction de la préhension voulue sélectionnée et du niveau de contraction. Chaque unité motrice déclenche des potentiels d'action stochastiques dont l'amplitude et le taux encodent la contraction. Les signaux passent par une fenêtre glissante de 256 échantillons ; les valeurs RMS par canal deviennent un vecteur de caractéristiques (parts de canal invariantes à la contraction plus le niveau d'activation global), et le classificateur que vous choisissez — LDA, SVM linéaire ou 3-NN — est ajusté sur un ensemble de calibration synthétique puis prédit la classe de préhension. Changer de classificateur modifie réellement la règle de décision, donc les trois peuvent être en désaccord près d'une frontière.

RMS_c = sqrt(1/N × Σᵢ x²ᵢ) [puissance du canal d'électrode c] s_c = RMS_c / Σ_c RMS_c [part de canal invariante à la contraction] x = (s_1 … s_n, RMS moyen) [vecteur de caractéristiques fourni au classificateur] LDA : y = argmax_c w_c · x + b_c, w_c = Σ⁻¹ μ_c [covariance partagée] SVM : y = argmax_c w_c · x + b_c [perte charnière linéaire un-contre-tous] kNN : y = vote pondéré des k = 3 fenêtres d'entraînement les plus proches

Questions fréquentes

Qu'est-ce que l'EMG dans le contrôle prothétique ?

L'EMG (électromyographie) mesure l'activité électrique produite par les contractions musculaires. Les électrodes EMG de surface sur les muscles du moignon détectent les potentiels d'action des unités motrices (MUAP) traités pour classifier les mouvements voulus et contrôler les mains prothétiques avec un ressenti naturel.

Que sont les potentiels d'action des unités motrices (MUAP) ?

Une unité motrice est un motoneurone plus toutes les fibres musculaires qu'il innerve. Lorsqu'elle est activée, toutes les fibres se déclenchent simultanément, produisant une signature électrique caractéristique (MUAP). L'EMG de surface enregistre la superposition de nombreux MUAP provenant de plusieurs unités motrices se déclenchant de façon asynchrone.

Quelles caractéristiques du signal EMG sont utilisées pour la classification ?

Les caractéristiques temporelles courantes incluent le RMS (valeur efficace, liée à la puissance du signal), le MAV (valeur absolue moyenne), le ZC (taux de passage par zéro, lié au contenu fréquentiel), le SSC (changements de signe de pente) et la longueur d'onde. Elles forment un vecteur de caractéristiques compact pour les classificateurs.

Qu'est-ce que le RMS en EMG ?

RMS = sqrt(1/N × Σ x²ᵢ) mesure la puissance du signal EMG dans une fenêtre de traitement. Il est fortement corrélé à la force musculaire et au niveau de contraction, ce qui en fait l'une des caractéristiques les plus utiles et robustes pour le contrôle prothétique.

Qu'est-ce que la classification LDA en EMG ?

L'analyse discriminante linéaire (LDA) trouve des frontières de décision linéaires dans l'espace des caractéristiques qui séparent au mieux les classes. Elle suppose des distributions de classes gaussiennes avec une covariance égale. La LDA est populaire dans les prothèses EMG pour sa rapidité, ses faibles besoins en données d'entraînement et sa bonne généralisation.

Quels types de préhension l'EMG peut-il contrôler ?

Les systèmes modernes de reconnaissance de formes classifient 10 à 15 types de préhension ou plus : prise de force (cylindrique), pince (latérale, en bout), tripode, prise clé et extension individuelle des doigts. Les systèmes cliniques implémentent 4 à 6 prises quotidiennes les plus utilisées pour équilibrer polyvalence et fiabilité.

Quels sont les principaux défis du contrôle prothétique par EMG ?

Défis clés : déplacement des électrodes pendant l'utilisation, sueur modifiant l'impédance des électrodes, fatigue musculaire déplaçant le spectre de fréquence de l'EMG, et effet de position du membre (la précision se dégrade lorsque le bras s'éloigne de la position d'entraînement). La classification doit s'effectuer en 200-300 ms pour un ressenti naturel.

Qu'est-ce que l'approche par fenêtrage dans le traitement EMG ?

L'EMG est traité en fenêtres courtes (150-250 ms) avec un chevauchement de 50 % pour produire un flux de vecteurs de caractéristiques classifiés en temps réel. La longueur de la fenêtre équilibre la résolution temporelle (courte = plus réactive) et l'estimation fiable des caractéristiques (longue = plus stable).

Qu'est-ce que l'effet de position du membre en EMG ?

La précision du classificateur se dégrade lorsque le bras se déplace vers des positions différentes de l'entraînement, car la géométrie musculaire et le contact des électrodes changent avec la posture. L'atténuation inclut l'entraînement à plusieurs positions du bras, des classificateurs adaptatifs à la position et l'augmentation de données.

Qu'est-ce que la réinnervation musculaire ciblée (TMR) ?

La TMR est une procédure chirurgicale redirigeant les nerfs du membre amputé vers les muscles résiduels de la poitrine ou du bras, créant de nouveaux sites EMG. Cela donne aux amputés un contrôle intuitif et simultané de plusieurs articulations prothétiques et permet un retour sensoriel via la réinnervation somatosensorielle.

À propos de cette simulation

Ce simulateur génère un EMG multicanal synthétique en sommant des potentiels d'action biphasiques d'unités motrices déclenchés à des instants aléatoires, chacune des six préhensions voulues pilotant un profil d'activation distinct à 8 canaux mis à l'échelle par le niveau de contraction choisi. Une fenêtre glissante de 256 échantillons extrait les caractéristiques RMS, MAV et taux de passage par zéro, et le motif RMS par canal est fourni au classificateur de votre choix — LDA, SVM linéaire ou 3-NN — chacun réellement ajusté sur un ensemble de calibration synthétique — pour prédire la préhension que vous vouliez effectuer.

🔬 Ce que ça montre

Des tracés EMG en défilement en direct sur plusieurs canaux d'électrodes, les valeurs de caractéristiques extraites (RMS, MAV, ZC), et la préhension prédite par le classificateur avec un score de confiance — plus une pose de main schématique reflétant l'intention reconnue.

🎮 Comment l'utiliser

Sélectionnez une préhension voulue, réglez le niveau de contraction et le niveau de bruit, choisissez le nombre de canaux d'électrodes, et choisissez un classificateur (LDA, SVM ou kNN) pour voir dans quelle mesure il reconnaît le motif dans différentes conditions de signal. P met en pause, R réinitialise.

💡 Le saviez-vous ?

Chaque préhension dans ce simulateur active les huit canaux à des degrés divers — c'est le motif relatif entre les canaux, et non une seule électrode, qui identifie la préhension voulue, correspondant exactement à la façon dont les vraies prothèses EMG multicanales s'appuient sur des motifs spatiaux combinés plutôt que sur des signaux musculaires isolés.

Questions fréquentes

Pourquoi augmenter le niveau de bruit dégrade-t-il la confiance du classificateur ?

generateEMGSample() ajoute (Math.random()-0.5)·noise·0.8 directement au signal sommé des unités motrices avant l'extraction des caractéristiques, donc un bruit plus élevé tire le motif RMS par canal vers un motif plat et peu informatif. Le classificateur est recalibré au nouveau niveau de bruit, mais les groupes de classes se chevauchent désormais, donc les frontières de décision les séparent avec moins de confiance.

Pourquoi augmenter le niveau de contraction augmente-t-il le RMS et le MAV ensemble ?

Les deux caractéristiques sont calculées à partir de la même amplitude de signal sous-jacente, que generateEMGSample() met à l'échelle directement par la contraction (amp = pattern·contraction) et utilise aussi pour définir combien d'unités motrices se déclenchent (nMU = amp·15+1) — plus de MUAP, et de plus grands MUAP, augmentent à la fois le RMS basé sur la puissance et le MAV basé sur l'amplitude.

Pourquoi différentes préhensions produisent-elles des prédictions de classificateur réellement différentes plutôt que des suppositions aléatoires ?

Chaque préhension dans GRASP_PATTERNS a un profil d'activation à 8 canaux fixe et distinct (par exemple, la prise de force met fortement l'accent sur les canaux 1-2 tandis que la pince met l'accent uniquement sur le canal 2), donc les vecteurs de caractéristiques résultants se regroupent dans différentes régions de l'espace des caractéristiques que le classificateur peut réellement séparer.

Que change réellement le curseur des canaux d'électrodes sur la difficulté de classification ?

Réduire le nombre de canaux réduit le vecteur de caractéristiques, donc le classificateur dispose de moins de valeurs d'activation distinctives pour chaque préhension, perdant certaines des informations spatiales qui séparent des préhensions similaires comme le Tripode et la Prise clé — moins de canaux signifie généralement une confiance atteignable plus faible, reflétant pourquoi les vrais systèmes prothétiques privilégient plus de sites d'électrodes pour des préhensions plus fines.

Pourquoi le taux de passage par zéro se comporte-t-il différemment du RMS et du MAV ?

Le ZC compte à quelle fréquence le signe du signal bascule entre les échantillons, ce qui suit le contenu fréquentiel de l'EMG plutôt que son amplitude — c'est pourquoi extractFeatures() le calcule séparément du RMS/MAV, car deux signaux peuvent avoir une puissance identique mais des taux de passage par zéro très différents selon à quel point le déclenchement sous-jacent des unités motrices est « irrégulier ».

⚙ Sous le capot

Les électrodes EMG de surface captent les signaux des unités motrices — les caractéristiques RMS, MAV et ZC alimentent un classificateur LDA qui reconnaît la préhension voulue.

EMGprothèsesunité motricereconnaissance de formesrééducation

3D · Moteur de rendu Three.js / WebGL · Cible 60 FPS · fonctionne entièrement côté client, sans installation

Qu'avez-vous trouvé ?

Ajouter des étapes de reproduction (facultatif)