Article par S. Ozan, lauréat du Prix Poster de la Société de Biomécanique en 2022.
L'analyse des contraintes articulaires du système musculosquelettique est essentielle pour comprendre les mécanismes et les dysfonctionnements du mouvement humain. Pour estimer ces contraintes articulaires lors de la marche, la méthode de référence nécessite de mesurer la cinématique du mouvement et les forces de réaction au sol, en utilisant respectivement des systèmes de capture du mouvement optoélectroniques et des plateformes de force. Ces outils de référence ont de très bonnes propriétés métrologiques, mais étant encombrants, ils conviennent peu à l’évaluation des contraintes hors du laboratoire. Récemment, des méthodes basées sur l’intelligence artificielle ont été développées pour prédire les contraintes articulaires à partir de mesure de capteurs embarquées, tels que des centrales inertielles ou des semelles de pression (Dorschky et al., 2020; Mundt et al., 2020, 2021; Rouhani et al., 2011). Seulement, de nombreuses combinaisons de données ont été proposées : données de centrales brutes (accélérations et vitesses angulaires) ou après traitement (orientation) seules en 2D, 3D, avec ou sans données de pression. Ces différentes combinaisons n’ayant pas été comparées, il n’est pas possible de définir laquelle est la plus pertinente. Qui plus est, dans ces études, différentes architectures de réseaux de neurones ont été utilisées comme les Multi-Layer Perceptron (MLP), les Long-Short Terms Memory (LSTM) et les réseaux de neurones de convolutions (CNN). Dans l’étude de Mundt et al. (2021), les CNN, qui permettent de faire des prédictions à partir d’image, semblent constituer la meilleure méthode pour de la prédiction en post-traitement.
Cette étude propose donc de déterminer quelles données de capteurs embarqués devraient être utilisées pour prédire les contraintes articulaires pendant la locomotion.
19 personnes ont été équipées de marqueurs, et de centrales inertielles placées sur chaque segment des membres inférieurs. Afin d’avoir de la variabilité dans les enregistrements, il a été demandé aux participants de marcher dans 5 conditions différentes : à vitesse préférentielle, plus lentement, plus rapidement, avec une grande largeur de pas et une faible largeur de pas. Au total 1410 cycles de marche ont été enregistrés en utilisant les deux systèmes simultanément.
La première étape du traitement consiste donc à créer des images à partir des données mesurées par les capteurs embarqués (Figure 1). Ensuite le réseau de neurones est entrainé à prédire avec les données calculées 1128 cycles (training set). 4 méthodes de création d’image ont été comparées. Elles étaient constituées à partir :
1 : des données brutes de centrales inertielles mesurées dans le plan sagittal.
2 : des données 3D des centrales inertielles exprimées dans les repères segmentaires
3 : des données 3D des centrales inertielles exprimées dans les repères segmentaires ainsi que de la position du CoP et de la force normale mesurée par les semelles de pression.
4 : des données 3D des centrales inertielles exprimées dans le repère local de la centrale et de la position du CoP et de la force normale mesurée par les semelles de pression.
Afin de tester la qualité des prédictions, les résultats obtenus pour le test-set (282 cycles de marche) sont comparées à ceux obtenus avec la méthode de référence
Figure 1 : workflow de la méthode développée
Les premiers résultats obtenus montrent que les prédictions obtenues sont très bonnes (RMSE < 0,12 N.m.kg-1 et coefficient de Pearson > 0,91) pour les 4 méthodes testées. Cependant, l’ajout de données issues de semelles de pression dans la création de l’image ne semble pas permettre d’améliorer la prédiction. A l’opposé, l’utilisation des données brutes des centrales inertielles semble fournir les meilleurs résultats.
De nouvelles méthodes de création d’image sont en cours de développement pour tenter d’améliorer la robustesse des prédictions. Cette méthode d’estimation des contraintes articulaires pourrait permettre d’étudier plus facilement la locomotion pour comprendre le mouvement humain in situ.
Références
Dorschky, E., Nitschke, M., Martindale, C. F., van den Bogert, A. J., Koelewijn, A. D., & Eskofier, B. M. (2020). CNN-Based Estimation of Sagittal Plane Walking and Running Biomechanics From Measured and Simulated Inertial Sensor Data. Frontiers in Bioengineering and Biotechnology, 8. https://www.frontiersin.org/articles/10.3389/fbioe.2020.00604
Mundt, M., Johnson, W. R., Potthast, W., Markert, B., Mian, A., & Alderson, J. (2021). A Comparison of Three Neural Network Approaches for Estimating Joint Angles and Moments from Inertial Measurement Units. Sensors, 21(13), Art. 13. https://doi.org/10.3390/s21134535
Mundt, M., Koeppe, A., David, S., Witter, T., Bamer, F., Potthast, W., & Markert, B. (2020). Estimation of Gait Mechanics Based on Simulated and Measured IMU Data Using an Artificial Neural Network. Frontiers in Bioengineering and Biotechnology, 8. https://www.frontiersin.org/articles/10.3389/fbioe.2020.00041
Rouhani, H., Favre, J., Crevoisier, X., & Aminian, K. (2011). Ambulatory measurement of ankle kinetics for clinical applications. Journal of Biomechanics, 44(15), 2712‑2718. https://doi.org/10.1016/j.jbiomech.2011.07.021
L'auteur
Simon Ozan, Equipe Robotique, Biomécanique, Sport, Santé, Institut PPRIME, UPR3346 CNRS, Poitiers, France
Simon Ozan est titulaire d’un master en Ingénierie et Ergonomie du Mouvement Humain obtenu à l’Université d’Aix-Marseille. À la suite de l’obtention de ce diplôme, il a rejoint le laboratoire Pprime de l’université de Poitiers sous la responsabilité de Laetitia Fradet pour la réalisation de ce projet. Dorénavant, il est en thèse au laboratoire M2S de l’université Rennes 2 sur l’utilisation de méthode markerless pour analyser « in-situ » le service au tennis.
Copyright
© 2023 par l’auteur. Sauf mention contraire, le contenu du blog de la Société de Biomécanique (texte et figures) est distribué sous licence Creative Commons Attribution - Partage dans les mêmes conditions 4.0.
