Analysis of EMG signals and their application to the diagnosis of Parkinson's disease

L'objectif de cette thèse est l’analyse des signaux EMG de surface et leur application au diagnostic de la maladie de Parkinson (MP). Trois points ont été abordés dans cette thèse à savoir la segmentation des signaux EMG de surface, la classification ou diagnostic de la MP basé sur l'apprentissage machine et la décomposition du signal EMG de surface en TPAUM. Dans le premier point, nous avons développé, deux techniques originales. La première, ALED et ses variantes, est non supervisée alors que la seconde est supervisée et est basée sur l’utilisation des modèles HMM. Ces techniques ont été développées pour la détection des bouffées d’activités EMG et leur analyse. Dans le second point, nous avons proposé deux systèmes de diagnostic de la MP. Le premier est basé sur l’analyse des bouffées d’activité EMG en utilisant et comparant différents descripteurs et différentes techniques de classification existantes dans la littérature. Le deuxième système est basésur les HMM. Dans le dernier point, une méthode de décomposition du signal EMG de surface en TPAUM est proposée, basée sur la séparation de sources via leur parcimonie temporelle.The objective of this thesis is the study of surface EMG signal and its application for Parkinson's disease (PD) diagnosis. Three problems have been investigated, namely the segmentation of surface EMG signals, the classification or diagnosis of PD and the decomposition of the surface EMG signal into TPAUM. In the first problem, two techniques have been introduced for EMG signal segmentation. The first one is an unsupervised method called ALED and the second one is a supervised one based on the use of HMM models. These techniques are developed for the detection of the bursts EMGactivity and their monitoring.To deal with the second problem, we have proposed two diagnostic systems for PD detection.The first one is based on the analysis of the burst EMG activity using (and comparing) different features and different classification techniques from the literature and the second one is based on HMMs.For the last problem, we have developed a new technique for the EMGs signal decomposition into TPAUM based on sparce source separation