Étude de l’impact sur les synergies musculaires

Dans cette section nous nous intéressons aux synergies musculaires et leurs différences en fonction des situations. Notre hypothèse est que la stratégie de commande proposée

Étude 2 : Assistance au port de charges 3.3. Évaluation 100 %80 % 60 % 40 % 20 % 0 % Réactivité Efficacité Précision 100 %80 % 60 % 40 % 20 % 0 %

Pas du tout d’accord Pas d’accord Neutre D’accord Tout à fait d’accord 0 % 20 % 40 % 60 % 80 %100 %

Figure 3.10 – Impressions de performances comparées entre CG et DZI : Précision = Sensation de plus grande précision pendant la tâche, Efficacité = sensation d’une assis-tance adaptée, Vitesse = Sensation de vitesse de réactivité de l’assisassis-tance. Les réponses sont données en comparant DZI avec CG.

perturberait moins les synergies musculaires que l’assistance CG, par rapport aux syner-gies observées au cours de la situation sans assistance. Bien qu’il existe plusieurs types de synergies [Chiovetto et al.,2013], nous nous concentrons sur les synergies temporelles. Cela consiste à quantifier les activations simultanées des différents muscles au cours de la tâche.

On appelle M la matrice m*n des signaux EMG (m le nombre de muscles et n le nombre de pas de temps pour la tâche). On utilise NMF (Nonnegative Matrix Factorisation) pour décomposer la matrice M en deux matrices W et H (de dimensions respectives m*k et k*n, où k est le nombre de synergies, eq.3.9), de manière similaire à [Chiovetto et al., 2013]. La matrice W représente les niveaux d’activation de muscle par synergie, la matrice H les fonctions d’activations des synergies au cours de la tâche.

M = W ∗ H + residus (3.9)

Le nombre de synergies k est un paramètre à déterminer. L’objectif est de choisir la plus petite valeur de k qui permet de reconstruire correctement le signal d’origine. C’est une démarche de réduction de dimension, si k = m alors W = I et H = M est une solution évidente qui n’apporte aucune information. Pour cela nous utilisons comme indicateur le ratio de variance explicable :

V AF = 100 ∗ (1 − ||M − W ∗ H||2

||M − mean(M )||2) (3.10)

Sur la Fig.3.11, les valeurs de VAF pour chaque participant en fonction du nombre de synergie (k ∈ [2, 7]). Pour la suite nous considérons k = 3, car nous avons V AF (3) ≥ 90% pour tous les participants. Pour évaluer l’impact notre méthode d’assistance nous utilisons

Étude 2 : Assistance au port de charges 3.3. Évaluation

Figure 3.11 – Variance explicable en fonction du nombre de Synergies (couleur différente pour chaque participant)

la situation sans assistance comme groupe de contrôle. Sur la Fig. 3.12 des exemples de synergies et leur fonction d’activation respective pour chaque tâche ont été représentées.

Pour estimer l’impact des modes d’assistance sur les synergies musculaires. Nous uti-lisons le produit scalaire normalisé comme indicateur de similarité entre deux synergies données (eq. 3.11). L’algorithme NMF ne donne aucune garantie sur l’ordonnancement des synergies trouvées. Pour comparer deux situations nous formons des paires à par-tir des deux groupes de trois synergies en fonction de leur similarité. Nous calculons les similarités des 9 combinaisons possibles, la valeur maximale nous permet de former le processus puis nous recommençons le procédé en excluant les synergies déjà appairées.

S = ^Syn1.Syn2

||Syn₁|| ∗ ||Syn₂|| ^(3.11)

Afin d’estimer l’impact de l’assistance DZ-I, nous comparons le degré de similitudes des synergies avec la situation sans assistance, qui est notre situation de contrôle. Pour avoir une valeur de comparaison, nous faisons la même chose avec l’assistance par com-pensation de gravité. Les valeurs obtenues pour chaque participant sont présentées sur la Fig. 3.13. Ces valeurs ont été obtenues en faisant la moyenne des résultats pour 5 exécu-tions de l’algorithme NMF. En excluant le premier participant (cf section 3.3.2.1), nous obtenons des valeurs moyennes de 0.77 ± 0.10 et 0.63 ± 0.08 pour les similitudes entre

Étude 2 : Assistance au port de charges 3.3. Évaluation

(a) Synergies sans assistance

(b) Synergies avec CG

(c) Synergies avec DZI

Figure 3.12 – Exemple de Synergies. Les histogrammes sur la gauche représentent les activations des muscles pour chaque synergie (une couleur par synergie). Les courbes de droite représentent les activations des synergies au cours de la tâche. Les couleurs correspondent pour chaque paires histogramme-graphique, c’est-à-dire que la courbe verte représente la synergie affichée avec les barres vertes dans l’histogramme, par exemple.

Étude 2 : Assistance au port de charges 3.4. Conclusion

Figure 3.13 – Similitudes des synergies entre les deux types d’assistance et la situation sans assistance

l’assistance DZ-I et sans assistance et les similitudes entre l’assistance CG et sans assis-tance, respectivement. En faisant un t-test, nous obtenons un t-score de 4.2, ce qui donne

p < 0.001 et donc la différence entre les deux groupes est statistiquement significative.

Cela veut dire que les synergies musculaires impliquées lors de l’utilisation de l’assistance par intégration sont plus similaires à celle impliquées en l’absence d’assistance que ne le sont celles impliquées avec l’assistance par compensation de gravité. En d’autres termes, la stratégie d’assistance que nous proposons perturbe moins les synergies musculaires que l’assistance par compensation de gravité.

3.4 Conclusion

Dans ce chapitre nous avons donc développé et évalué un système de commande d’exos-quelette de membre supérieur pour assister au port de charges non connues à priori. Le contrôleur prend pour entrée la sortie du système de détection d’intention décrit dans le chapitre 2, basé sur le signal EMG d’un capteur bas coût. L’évaluation est faite grâce à dix participants, pour comparer différentes situations : une situation sans assistance, pour vérifier qu’une réduction des efforts est bien présente, et une situation avec une assistance

Étude 2 : Assistance au port de charges 3.4. Conclusion

de compensation par modèle de gravité classique, qui est considérée comme l’assistance idéale dans notre cas. Nous observons que le système proposé est capable d’approcher le couple d’assistance idéal avec une erreur de 0.038 ± 0.012N.m en moyenne, ce qui correspond à 6.99 ± 2.27N au niveau de l’effecteur du robot.

Nous pouvons donc envisager d’utiliser le contrôleur DZ-I dans un milieu industriel pour assister le port de charge lors de tâches manuelles. Comparée à une méthode de compensation par modèle de gravité classique, charge connue à l’avance, il persiste une erreur de compensation. Néanmoins, les évaluations nous ont permis de constater que cette erreur semble acceptable, et le sera d’autant plus vu le gain au niveau de l’usage. En effet, la contrepartie offerte est que, comme le poids de la charge n’a pas besoin d’être connu l’assistance ne nécessite pas d’être re-calibrée si la charge varie (contrairement à une CG classique). Les étapes de prise/dépose de la charge sont automatiquement prise en charge par la commande.

Nous avons aussi montré que notre système réduit effectivement l’effort physique de l’utilisateur au niveau du biceps, du deltoïde et de l’érecteur du rachis. Bien que l’exos-quelette soit fixé sur une potence au cours des essais et non pas porté par l’utilisateur, ces résultats peuvent être transférés à des applications où l’exosquelette de membre supérieur serait posé sur un exosquelette de membre inférieur ou bien attaché à un manipulateur [Yu et al.,2018]. De plus, un questionnaire a permis d’évaluer le ressenti des participants vis à vis de ce nouveau système de commande d’exosquelette.

Le système mis au point est plus adapté à des tâches qui requièrent de porter des charges variées ; comparé à la CG classique qui est particulièrement adaptée pour assister la manipulation d’un outil spécifique pendant une longue durée.

Comme nous l’avons indiqué dans la section 3.3.1, les résultats concernent des utili-sateurs novices. De plus, dans le paragraphe 3.3.2, nous avons évoqué la possibilité de prendre en compte un paramètre spécifique aux individus qui expliquerait les erreurs sys-tématiques inter-individuelles. Nous pouvons formuler deux hypothèses. D’une part, ce paramètre influencerait le gain de l’intégrateur. Ce paramètre pourrait être basé sur le temps de réaction de l’utilisateur. D’autre part, il pourrait s’agir de différences interindi-viduelles dans la manière de se confronter à une nouvelle situation.

Pour explorer ces hypothèses la prochaine étape est de mettre au point un proto-cole impliquant un grand nombre de répétitions pour observer l’adaptation potentielle de

Étude 2 : Assistance au port de charges 3.4. Conclusion

l’utilisateur ainsi qu’une éventuelle amélioration du ressenti. De plus, il serait pertinent d’explorer le réglage personnalisé des paramètres du contrôleur qui pourrait améliorer la facilité d’utilisation du système, c’est-à-dire réduire le temps d’apprentissage.

Enfin un dernier aspect à explorer est l’amélioration de la calibration qui est, à ce stade, entièrement spécifique à l’utilisateur courant. Pour améliorer le côté pratique du système il faudrait réduire le temps nécessaire à la calibration, qui lors de cette première étape était de 2min30. Une piste possible serait d’exploiter les données d’utilisateurs multiples.

Chapitre 4

Étude 3 : Amélioration de la

calibration et personnalisation de la

commande

Sommaire

4.1 Réduction du temps de calibration . . . . 90