Synthèse et comparaison des performances du système ICM avec les différentes approches de filtrage

Afin de répondre aux exigences des spécifications du système ICM présentées dans le cha-pitre 3, nous avons suivi une approche ascendante en menant une exploration architecturale des différentes solutions du système ICM proposé. Cette étude de conception a été effectuée à différents niveaux d’abstraction depuis le niveau fonctionnel en utilisant l’environnement Matlab jusqu’au niveau RTL et logique sous forme de solution embarquée à l’aide du compi-lateur de Quartus-II. Cette approche de conception nous a permis d’identifier les techniques d’extraction des caractéristiques et de classification les plus appropriées pour notre applica-tion. De plus, nous avons proposé deux approches de filtrage originales à savoir le filtrage adaptatif ainsi que le filtrage dynamique qui sont utilisées durant la phase de prétraitement des signaux EEG. Ces nouvelles techniques de filtrage nous ont permis de satisfaire les deux premiers points des spécifications qui sont le maintien de la précision de la classification des signaux EEG à sa valeur la plus haute possible ainsi que la robustesse et l’adaptabilité du système proposé. La figure 5.5 présente les résultats des précisions de tous les sujets des trois bases des données IIa, IIIa et IVa en fonction de la technique de filtrage employée. No-tons qu’en absence des techniques de filtrage la précision est assez loin du seuil de précision moyenne qui est de 80% alors qu’en intégrant nos techniques de filtrage, la précision moyenne demeure assez proche et même meilleure de celle préalablement spécifiée. De plus, les tech-niques de filtrage adaptatif et dynamiques s’adaptent aux changements de l’état des patients durant l’enregistrement qui pourront être d’origine émotionnel ou environnemental.

Même si les résultats de simulation du système ICM obtenus sous Matlab sont assez inté-ressants du point de vue temps de traitement du trial ainsi que la précision de classification des signaux EEG, les autres critères de spécifications tels que la consommation et le coût ne sont pas satisfaites. En effet, il est bien connu que pour un ordinateur cadencé à une haute fré-quence de l’ordre 2.4 GHz consomme une énergie assez élevée atteignant les 100 W. En outre, le coût du système ICM intégrant la plateforme logicielle ainsi que le système d’acquisition est assez élevé et pouvant atteindre les 100 Ke. Rappelons que la motivation majeure pour passer d’une solution logicielle pure sur Matlab à une solution embarquée est de réduire le coût ainsi que la consommation. De plus, la réduction des temps de réponses de bout-en-bout qui redue possible avec les nouvelles plateformes à base des FPGAs permet aussi de rendre l’utilisation du système ICM plus aisée. Ainsi, suite à l’exploration architecturale au niveau fonctionnel, nous nous sommes proposés de compléter cette exploration par une implémenta-tion embarquée afin d’obtenir un prototype virtuel de système ICM visé. Pour cela, nous avons reconstruit toute la chaine ICM en C embarqué afin d’avoir une architecture indépendante de l’environnement Matlab. Ces codes C sont ensuite adaptés pour une exécution sur un SOPC contenant un processeur embarqué Nios-II intégré dans le kit de développement Stratix-IV. Cette architecture nous a permis d’obtenir un système ICM indépendant de l’ordinateur tout en offrant des taux de précision assez intéressants permettant en premier temps de bien res-pecter les deux premiers points de spécifications. Cette solution embarquée tourne avec une fréquence d’horloge assez faible par rapport la solution purement logicielle, ce qui permet de réduire considérablement la consommation d’énergie atteignant 2W au lieu de consommer presque 100 W avec l’architecture purement logicielle. Bien que la solution logicielle embar-quée ait permis de satisfaire les quatre premiers points de spécifications système, le temps de traitement du trial est de l’ordre d’une seconde, ce qui est assez important. L’analyse du temps de traitement de la chaine ICM nous a permis de localiser le bloc critique, qui est le bloc de filtrage. Pour cela, nous avons migré ce bloc de prétraitement d’une implémentation logicielle embarquée en une architecture sous forme de coprocesseur ou d’accélérateur afin de réduire son temps d’exécution. Cette nouvelle solution dite conjointe a permis de maintenir les mêmes résultats en terme de précisions tout en réduisant d’une manière significative le temps de traitement des trials, ce qui permet de répondre au critère numéro cinq lié à l’optimisation du temps d’exécution de bout-en-bout des signaux EEG. De plus, cette architecture mixte a permis de réduire la consommation de 2 W à 0.7 W permettant de respecter au mieux la troisième spécification.

5.4 conclusion

Dans ce chapitre, nous avons évalué les deux approches de filtrage proposées pour la suppression des artefacts à partir des signaux sensorimoteurs. La validation et les tests du système sont effectués selon les deux paradigmes en ligne et hors ligne. Trois plateformes ont été proposées à savoir la plateforme logicielle pure sur Matlab, l’architecture en logiciel embarquée et la solution embarquée mixte à base de Nios-II. Nous avons pu montrer à travers cette exploration architecturale et ces validations que les spécifications qui ont été fixées au chapitre 3 sont satisfaites. En intégrant des techniques de filtrage originales de types filtrage

adaptatif et dynamique, nous avons obtenus un prototype qui donne une précision de l’ordre de 85% et qui consomme 0.7 W avec un temps d’exécution de bout-en-bout de l’ordre de 0.4 seconde. Le coût du prototype demeure raisonnable ne dépassant pas les 4000e y compris le système d’acquisition. Ce coût pourra être réduit si on utilise une carte FPGA plus petite vue que nous n’avons pas dépassé les 15% d’occupation des ressources FPGA.

Conclusions et perspectives