Modélisation de signaux électromyographiques par des processus de renouvellement- filtre bayésien pour l'estimation séquentielle de paramètres à destination de la commande d'une prothèse d'avant-bras

Nous traitons des signaux électromyographiques intramusculaires (signaux iEMG) relevés dans les muscles de l avant-bras. Les signaux iEMG représentent une image de la commande du système nerveux central vers les muscles. Ils se composent d une superposition de trains d ondelettes, chaque ondelette code un groupe de fibres musculaires et son taux de mise à feu code l effort produit par ce groupe. L objectif est d extraire de façon séquentielle des informations du signal iEMG. Nous espérons que ces informations se révèleront utiles pour la commande d une prothèse d avant-bras. En premier lieu, nous modélisons un train d impulsions comme une chaîne de Markov et nous discutons des lois pouvant caractériser le temps entre deux impulsions. La loi de Weibull discrète a retenu notre attention. Nous avons mis en place une méthode d estimation en ligne de ses paramètres. En second lieu, nous modélisons le signal iEMG par un modèle de Markov caché s appuyant sur le modèle de train d impulsions ci-dessus. La mise en place d un filtre bayésien nous permet de propager séquentiellement une estimation bayésienne des paramètres du modèle de Markov caché, en particulier la forme des ondelettes et leur taux de mise à feu. Nous proposons finalement une méthode d estimation du nombre de trains d ondelettes, un paramètre discret du modèle. Nous validons les méthodes et algorithmes proposés sur des signaux simulés et des signaux iEMG.We deal with intramuscular electromyographical signals (iEMG signals) taken in the muscles of a human upper limb. iEMG signal are an image of the control of the central nervous system on the muscles. They are made of a superimposition of wavelet trains, each wavelet codes a group of muscle fibers and its discharge rate codes the force developed by the group. The objective is to extract sequentially pieces of information from the signal iEMG. We believe that this information may be used to control an upper limb prosthesis. In the first place, we model a spike train as a Markov chain and we present mass functions to model the inter-spike intervals. The discrete Weibull mass function holds our attention: we realize an online estimation of its parameters. Secondly, we model the iEMG signal with a hidden Markov model based on the above model of spike train. We are able to propagate sequentially Bayes estimator of the parameters of the hidden Markov model with a Bayes filter, particularly the shapes of the wavelets and their discharge rates. Finally, we propose a method to estimate the number of wavelet trains, a discrete parameter of the model. We confirm the proposed methods and algorithms on simulated signals and iEMG signals.NANTES-BU Sciences (441092104) / SudocSudocFranceF