GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Sance de travaux pratiques # 2 Introduction aux systmes de mesure et au traitement des rsultats
Cette sance de travaux pratique se divise en deux parties. Dans un premier temps, un aperu global des systmes de mesure ainsi que de leurs principales caractristiques vous seront prsents. Il est important de bien comprendre ces notions puisque vous aurez au cours de la session manipuler des instruments de mesure dans le cadre de laboratoires pratiques. Dans la deuxime partie de ce document, il est montr comment prsenter et traiter les rsultats de mesure que vous aurez acquis lors de ces exprimentations. Quelques notions de statistiques lmentaires vous sont galement prsentes. Introduction aux systmes de mesure Quest-ce quun systme de mesure? Selon le grand dictionnaire de la langue franaise (www.granddictionnaire.com) : Ensemble complet dinstruments de mesure et autres dispositifs assembls pour excuter une tche de mesurage spcifie. Reprsentation schmatique des intrants et des extrants dun systme de mesure :

Erreurs

Entres ou Mesurande s

Systme de mesure

Sorties ou Mesures

Les entres peuvent tre modifies par deux types derreur : Les erreurs alatoires (EA) Ce sont des erreurs qui affectent alatoirement la vraie valeur de la quantit mesure mais qui nont aucun effet sur la moyenne des mesures pour une srie de mesures statiques rptes. Le bruit et le parasitage en sont de bons exemples. Lerreur de mesure alatoire est lcart entre la moyenne calcule et la i me mesure prise:
EA = X i X

O X est la moyenne. 1

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Pour des mesures X1, X2, , XN, la moyenne des mesures est dfinie comme suit : N X X = i i =1 N Plus N est grand et plus nous avons une chance dobtenir une moyenne qui est reprsentative de la vraie valeur que nous voulons mesurer. Par consquent, lerreur de mesure alatoire sera galement plus facilement identifiable. Les erreurs systmatiques (Es) Ce sont des erreurs qui affectent galement la vraie valeur de la quantit mesure mais qui ont aussi un effet significatif sur la moyenne des mesures pour une srie de mesures statiques rptes. Les erreurs de calibration en sont de bons exemples. Pour ce type derreur, nous devons connatre la vraie valeur de ce que nous voulons mesurer pour calculer son amplitude. Lerreur systmatique est dfinie comme tant la diffrence entre la moyenne dune srie de mesures et la vraie valeur de la quantit mesure :
ES = X X 0

Pour juger des performances dun systme de mesure, on tudie certaines de ses caractristiques que nous pouvons diviser en deux catgories soient les caractristiques statiques et les caractristiques dynamiques. Les caractristiques statiques sont indpendantes du temps, c'est--dire quelles sont mesures lorsque tout effet transitoire sest estomp. Nous allons tudier certaines de ces caractristiques. 1) Sensibilit La sensibilit est dfinie comme tant le quotient de laccroissement de la grandeur de sortie par laccroissement correspondant de la grandeur dentre. En gros cela veut dire quun systme est sensible si lon constate une diffrence marque pour la grandeur de sortie (y) suite un changement au niveau de la grandeur dentre (x). Pour un systme linaire, la sensibilit est dfinie par une constante k qui reprsente le ratio de laugmentation de la grandeur de sortie sur laugmentation de la grandeur dentre lorsque cette dernire tend vers zro
k = cste = lim y x

x 0

Pour un systme non linaire, la sensibilit est galement reprsente par une constante k, mais la limite doit absolument tre linarise autour dun point x0. 2

GTS 504 Introduction lingnierie de la radaptation

k = cste = lim y x

Automne 2006

x 0

x0

Exemple dun systme linaire : La figure ci-dessous montre la relation entre les donnes dentre et les donnes de sortie dun systme de mesure. Cette relation est linaire et le plus petit accroissement possible des donnes dentre est gal 1. Pour calculer la sensibilit de ce systme nous utilisons la formule montre ci-haut pour les systmes linaire.
k= y 84.82 83.25 = = 1.57 x 52 51 2

2) Dcalage de zro Cest la valeur dentre laquelle correspond rellement le zro de la valeur de sortie. Le dcalage de zro sapplique uniquement aux systmes dlivrant une valeur de sortie thoriquement nulle lorsque la valeur dentre est gale zro. Dcalage de zro = x(0) @ y(0) = y0 3) Linarit Degr de concordance entre le diagramme dtalonnage statique et une droite choisie comme rfrence. talonnage statique 3

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Relev des performances dun systme de mesure dans les conditions spcifies suivantes : toutes les valeurs dentre (i.e. valeur relle, erreur alatoire et erreur systmatique) sont maintenues constantes lexception de lune dentre elles. Pour obtenir une mesure de la linarit, nous pouvons calculer le coefficient de dtermination R2. Ce coefficient indique que le modle linaire va englober un certain pourcentage de la variabilit des observations. Dans Matlab, nous pouvons obtenir ce coefficient en utilisant la fonction regress . Appel de la fonction : [b,bint,r,rint,stats] = regress (y, xm); O xm = [ones(length(x)),x] (x doit avoir une colonne de 1 pour excuter dautres tests statistiques sinon la fonction retournera une erreur); x = donnes dentre; y = donnes de sortie.

On extrait R2 des rsultats en utilisant cette commande : R2 = stats(1,1) 4) Hystrsis Plusieurs dfinitions de lhystrsis existent dpendamment du domaine dapplication. Dans le cas prsent, cest l'aptitude d'un appareil donner la mme indication lorsqu'on atteint une mme valeur de la grandeur mesure par valeurs croissantes ou par valeurs dcroissantes.

Hystrsis dun systme de mesure1 Mis part les systmes de mesure, lhystrsis caractrise galement le comportement mcanique de certains matriaux comme les matriaux
1

http://perso.wanadoo.fr/daniel.robert9/Digit/images/Cycle_d_hysteresis_d_une_bascule_de_Schmitt.gif

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

viscolastiques. Le graphique ci-dessous montre la relation contrainte/tirement pour ce type de matriau. Dans ce cas, lhystrsis est due au fait que ces matriaux dissipent de lnergie lorsquils sont chargs et consquemment ils en ont moins dlivrer lorsque la pression est relche.

5) Rptabilit La rptabilit cest la marge de fluctuation de la grandeur de sortie lorsque la mme valeur de la grandeur dentre est applique plusieurs fois successivement. Lexemple ci-dessous montre une mesure rptable et une mesure non rptable pour un signal dentre donn.

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

6) Rsolution Cest laccroissement minimum de la grandeur dentre provoquant une modification de la grandeur de sortie.
x min y 0

GTS 504 Introduction lingnierie de la radaptation Exemple du pixel en imagerie :

Automne 2006

Un pixel en imagerie correspond la plus petite image possible correspondant la mesure de la densit des structures comprises dans un carr de limage entire. 7) Temps dtablissement Temps ncessaire pour que lcart entre la valeur instantane et la valeur finale de la grandeur de sortie soit infrieur une valeur spcifie aprs lapplication dun signal en chelon lentre. Exemple : Nous souhaitons que notre temps dtablissement corresponde 99% de la vraie valeur de la quantit mesure. Voici le signal obtenu par linstrument de mesure :

8) Relaxation Dcalage temporel entre leffet et la cause. La relaxation est caractrise par une constante de temps () qui correspond au temps requis pour que le terme exponentiel qui est responsable de la convergence du signal soit gal e-1. Exemple : Fluage et relaxation de contrainte

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Dans le cas de lexprience de fluage, ltirement () correspond lexpression suivante :

= a(1 e bt )
O a et b sont des constantes. La constante de temps pour ce type dexprimentation correspond 1/b. Dans le cas de lexprience de relaxation des contraintes, la contrainte () correspond lexpression suivante :

= ae bt
O a et b sont des constantes. La constante de temps pour ce type dexprimentation correspond galement 1/b. Les caractristiques que nous venons daborder dicte le comportement statique (i.e. indpendant du temps) dun systme de mesure cest pourquoi nous les appelons caractristiques statiques. Dautre part, les caractristiques dynamiques ont trait au comportement dynamique (i.e. dpendant du temps) du systme. Ces caractristiques ne seront pas explicites dans ce document puisquils ne rentrent pas dans les objectifs du cours.

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Prsentation et traitement des rsultats Dans cette section, vous apprendrez prsenter et traiter des rsultats de mesure. Ces notions vous seront trs utiles dans vos laboratoires pratiques. La premire question que vous devez vous poser lorsque vous mesurer une quantit est quest-ce que vous mesurez exactement. Est-ce une pression, une force, une vitesse, une temprature ou encore un voltage? Le fait de cibler la nature de la quantit mesure peut parfois viter bien des problmes danalyse. Deuximement, il est important de savoir si la quantit mesure est statique ou dynamique? Si la mesure est statique, on peut prendre plusieurs mesures de la mme quantit mesure des intervalles diffrents de temps en autant que les conditions dexprimentation soient les mmes. On reviendra un peu plus loin sur limportance de prendre plusieurs mesures dune mme quantit statique ou dynamique. Si la quantit est dynamique, il faut tout dabord savoir ce qui nous intresse au niveau de la quantit mesure. Sommes-nous intresss connatre le comportement gnral de la quantit mesure en fonction du temps? Sommes-nous intresss par la valeur maximale atteinte durant une srie de mesures? Se poser ces questions nous aide choisir les conditions dacquisition des donnes. Puisquune mesure correspond une valeur mesure un instant donn, il nous faut prendre une srie de mesures une certaine frquence dchantillonnage (correspond linverse de la priode dchantillonnage ou linverse de lintervalle de temps entre chaque mesure) pour pouvoir dcrire le comportement dynamique de la quantit mesure. Le choix de la frquence et du temps dchantillonnage requis dpend de la quantit mesure. Une srie de mesure dynamique peut tre reprise plusieurs fois pour fins danalyse, mais il est important que pour chacune de ces sries les conditions dexprimentations et dacquisition soient les mmes. Il y a trois faons de prsenter un rsultat. 2 Utilisons un exemple pour prsenter ces trois faons. La rsistivit dun fil lectrique se calcule laide de la formule suivante :
=
RA l

R est la rsistance du fil A est laire de la section du fil l est la longueur du fil

Pour calculer la valeur de , nous pouvons : 1) Mesurer 1 fois R, l, A et calculer . Cette faon de prsenter un rsultat manque de crdibilit. 2) Mesurer plusieurs fois R, l, A et obtenir une valeur moyenne de .
2

Paratte, P.-A., Robert, P. (1986). Systmes de mesure. Paris, France : Dunod.

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Cette faon de prsenter un rsultat est nettement mieux que la prcdente, mais le rsultat est tout de mme peu crdible. 3) partir dune srie de mesures de R, l, A, calculer la valeur la plus probable de ainsi quune marge dans laquelle la valeur relle de la rsistivit a une probabilit de se trouver. Cette faon de prsenter un rsultat est tout fait crdible. Un rsultat de mesure devrait comporter les trois lments suivants : La valeur la plus probable. Une zone dincertitude entourant la valeur la plus probable (i.e. la dviation standard) Lunit de mesure

Pour lexemple de la rsistivit, un rsultat acceptable serait le suivant :

=17.24 nm 0.02 n m

Principales reprsentations graphiques Il est souvent plus commode de reprsenter graphiquement des rsultats de mesure plutt que de donner simplement une valeur numrique notamment pour les rsultats de mesure dynamique. Un graphique peut nous donner beaucoup plus dinformations, et ce, de faon plus claire et plus concise. Nous allons voir maintenant les principales reprsentations graphiques utilises pour prsenter des rsultats de mesure. Histogrammes et diagrammes barres Ces deux types de reprsentation graphique conviennent lorsque les donnes peuvent tre rpertories sous forme de classes ou densembles. Un histogramme renferme des classes, reprsentes sur laxe des ordonnes, pour lesquelles le nombre dindividus ou dlments quelles contiennent est affich sur laxe des abscisses. Dautre part, un diagramme barre contient des classes pour lesquelles une certaine valeur dune quantit mesure est affiche sur laxe des abscisses.

Exemple : Histogramme Pyramides des ges3

3

Institut de la statistique du Qubec. (25 octobre 2005). Population par anne d'ge et par sexe, Qubec, 1er juillet 2005. Consult le 6 juin 2006 http://www.stat.gouv.qc.ca/donstat/societe/demographie/

10

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Exemple : Diagramme barres Module de cisaillement dynamique du mnisque4

Nuages de points (Appel aussi diagramme de dispersion)

struc_poplt/201_05.htm 4 Mow, VC et Huiskes, RL. (2005). Basic Orthopaedic Biomechanics And Mechano-Biology (3me dition). Philadelphia, PA: Lippincott Williams & Wilkins.

11

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Les graphiques de type nuage de points sont utiliss pour identifier des dpendances entre des variables distinctes reprsentes sur chacun des axes du graphique. Chaque point reprsente une mesure et constitue une partie du nuage. Pour identifier la nature des relations entre les variables nous pouvons utiliser des mthodes de rgression accessibles dans Matlab. Pour afficher des courbes de rgression sur un graphique, appuyez sur tools dans la barre doutils de votre fentre graphique et ensuite sur basic fitting. Vous aurez le choix entre divers type de courbes de rgression et galement entre diverses options daffichage. Entre autres, vous pourrez afficher sur votre graphique lquation de la courbe de rgression que vous aurez slectionne. Pour vrifier si le type de courbe de rgression choisie correspond adquatement votre nuage de points, vous pouvez afficher graphiquement les rsidus de la rgression (i.e. lcart entre la mesure et la rgression). Si les rsidus semblent osciller autour de zro tout moment, vous avez probablement slectionn une courbe de rgression approprie pour votre nuage de points. Si au contraire vous avez un endroit sur votre courbe de rsidus dont la moyenne ne sapproche pas de zro vous navez pas slectionn une courbe de rgression approprie pour votre nuage de point. Le graphique ci-dessous montre un exemple de graphique de type nuage de points. Des courbes de rgression linaire et quadratique ont t ajoutes pour dterminer la nature de la corrlation entre les deux variables. Les quations de la courbe de rgression sont galement affiches sur le graphique en dessous de la lgende.

Les rsidus des deux courbes de rgression affiches ci-haut sont montrs dans le graphique ci-dessous. On constate de ce graphique que la courbe de rgression 12

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

linaire nest pas approprie pour dcrire la dpendance entre les variables 1 et 2 puisque les rsidus de cette courbe de rgression noscillent pas autour de zro entre les points 1 et 6 de la variable 1. La courbe de rgression quadratique donne de bien meilleurs rsultats puisque les rsidus semblent bel et bien oscills autour de zro tout au long de la courbe.

Courbes Les courbes sont en fait des ensembles de points relis par des segments de droite. Nous utilisons les courbes pour bien des raisons comme par exemple lorsque nous voulons illustrer des comportements dynamiques, caractriser des tendances ou bien comparer des rsultats provenant dun mme ensemble ou densembles diffrents. Si nous revenons lexemple prcdent o nous avons affich les rsidus des courbes de rgression, ces rsidus taient reprsents par des courbes. Il tait utile dans ce cas de reprsenter les rsidus par des courbes puisque nous voulions savoir sils oscillaient autour de zro pour dterminer si la courbe de rgression tait approprie ou non. Un autre exemple o cette fois nous voulons illustrer la fois des comportements dynamiques et observer des tendances caractristiques entre diffrents lments [sujets] est montr graphiquement cidessous. Dans cet exemple, les courbes de trois sujets reprsentant la force articulaire la hanche sont montres. Cette reprsentation graphique nous permet facilement de constater une diffrence marque au niveau du premier pic atteint entre les forces 13

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

articulaires du sujet arthrosique comparativement aux deux autres sujets. Une reprsentation graphique du type nuage de points ne nous permettrait pas aussi facilement de visualiser cette diffrence.

Toutes les reprsentations graphiques devraient comporter un titre, des titres pour les axes avec lunit de mesure utilise, des chelles appropries (graduation des axes) et une lgende sil y a plus dun ensemble qui y est reprsent. Statistiques Pour bien prsenter des rsultats, il faut gnralement compiler des statistiques qui ajoutent la crdibilit du rsultat et qui permettent den analyser la validit. Il est prsent dans cette section du document les principales notions de statistiques utilises dans le traitement de rsultats de mesure. Moyenne La moyenne ( x ) correspond la somme des lments (xi) dun ensemble divise par le nombre total dlments (N) : 1 N x = xi N i =1 Dans Matlab, la commande mean(x) calcule la moyenne des lments dun vecteur x. 14

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Mdiane La mdiane correspond la valeur de llment se trouvant au milieu dun ensemble. Si la taille de lensemble est impaire, la mdiane ( xm) se calcule en utilisant cette formule :

xm = x

( N +1)

Dautre part, si la taille de lensemble est paire, la mdiane se calcule de cette faon : x N + x N +1 2 2 xm = 2 Dans Matlab, la commande median(x) calcule la mdiane des lments dun vecteur x. Il est parfois plus important de connatre la mdiane que la moyenne, notamment lorsque des valeurs errones viennent corrompre lchantillon. Dans ces cas l, la moyenne sera fausse par les valeurs errones tandis que la mdiane sera plus reprsentative de lchantillon. Le graphique ci-dessous illustre une de ces situations.

Dans ce cas, les valeurs errones taient dues des erreurs de manipulations (i.e. mauvais positionnement de la masse sur le capteur). Variance 15

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

La variance est une mesure de la dispersion des donnes par rapport la moyenne dun chantillon donn. La variance (2) est calcule comme suit :

2 =

1 N

(x
i =1

x)2

Dans Matlab, la commande var(x) calcule la variance des lments dun vecteur x. cart-type Tout comme la variance, lcart-type est une mesure de la dispersion des donnes. En fait, par dfinition, lcart-type () est la racine carre de la variance (2) et est donc exprime mathmatiquement par lexpression suivante :

1 N

(x
i =1

x)2

Dans Matlab, la commande std(x) calcule lcart-type des lments dun vecteur x. Lcart-type est grandement utilise comme mesure de la dispersion. Toutefois, puisque lcart-type est calcul partir de la moyenne, lorsque la moyenne est affecte par des valeurs errones, lcart-type sen trouve galement affect. Prsentation des statistiques Nous avons vu prcdemment comment inclure les statistiques dans la prsentation des rsultats de mesures scalaires. Nous allons maintenant nous concentrer sur la prsentation des statistiques dans les reprsentations graphiques. Pour toutes les reprsentations graphiques mentionnes ci-haut (histogrammes, diagrammes barres, nuages de points et courbes), vous devez gnralement prsenter la moyenne des rsultats si vous avez effectu plusieurs mesures dans des conditions dexprimentation similaires. Si ce nest pas le cas, vous pouvez afficher tous vos rsultats ou seulement en afficher une partie sur un ou plusieurs graphiques. Lcart-type doit y tre prsent si sa signification est importante. Dpendamment du type de reprsentation graphique, il est suggr de prsenter lcart-type de faon diffrente. Pour les histogrammes et les diagrammes barres, les barres derreur sont gnralement utilises comme le dmontre le graphique ci-dessous. Dans Matlab, vous pouvez afficher directement ces barres derreur laide de la fonction suivante : hold errorbar(x,sd) O x et sd sont respectivement le vecteur contenant les rsultats de mesure et la dviation standard associe avec chaque mesure. 16

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Les barres derreur sont galement utilises pour les reprsentations graphiques de type nuage de points.

Pour les courbes, il est prfrable dutiliser dautres courbes en trait pointill pour reprsenter lcart-type. Cela a pour avantage dallger laffichage graphique. Dans Matlab, vous devez dans ce cas tracer deux autres courbes en additionnant et en 17

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

soustrayant du vecteur de mesure les dviations standards et en spcifiant les options daffichage appropries.

Filtrage Pourquoi filtrer des signaux? Les signaux acquis lors dacquisitions exprimentales sont souvent accompagns de bruit et de parasites. Le filtrage est une opration qui consiste enrayer ce bruit ou ces parasites. Il existe plusieurs techniques de filtrage, mais nous allons nous concentrer ici sur une dentre elles soit la technique du filtre Butterworth. Le filtre de Butterworth est un filtre de type linaire. Sa fonction de transfert exprime dans le domaine frquentiel est construite de faon laisser passer les basses frquences et liminer les hautes frquences. La frquence de transition entre les frquences enleves et les frquences gardes intactes sappelle frquence de coupure. La dtermination de cette frquence dpend de lutilisateur. Nous allons suggrer ici une faon de procder pour dterminer la valeur de la frquence de coupure en nous basant sur la racine carre moyenne de lerreur (root mean square error en anglais). Cette dernire est dfinie comme suit :

RMSE =

(Si , filtr Si ,non filtr)2 N

O Sfiltr et Snon-filtr sont respectivement les signaux filtrs et non-filtrs et N est la taille du signal. Dans Matlab, le signal filtr par la mthode de Butterworth sobtient en utilisant la fonction suivante : [b,a] = butter(n,wn); 18

GTS 504 Introduction lingnierie de la radaptation [Sfiltr] = filtfilt(b,a,Snon-filtr);

Automne 2006

La premire function, butter, retourne les paramtres b et a qui caractrise la fonction de transfert du filtre de Butterworth. Pour les obtenir, il faut entrer lordre du filtre de Butterworth dsir (n = 3 est gnralement suffisant) et la frquence de coupure normalise (wn = fcoupure/(1/2*fchantillonnage)). La deuxime fonction, filtfilt, filtre le signal dans les deux directions en utilisant les paramtres b et a de la fonction de transfert du filtre de Butterworth. Le fait de filtrer dans les deux directions a pour avantage dannuler le dcalage produit par le dphasage de la mthode de filtrage. Lorsque lon ne connat pas la frquence de coupure, on remplace la valeur de la frquence de coupure dans le terme wn par des basses frquences allant de ~1 Hz ~1/4* frquence dchantillonnage. On calcule alors le RMSE pour chacune des frquences testes et on illustre les rsultats graphiquement comme montr ci-dessous.

Pour trouver la frquence de coupure, on trace deux lignes correspondant peu prs aux asymptotes que dcrivent les basses et les hautes frquences. Ensuite, au point dintersection de ces deux lignes on trace une ligne parallle laxe des x jusqu la courbe. La frquence correspondant lintersection entre cette droite et la courbe est dfinie comme tant la frquence de coupure du filtre. On doit alors refiltrer le signal en utilisant cette fois la valeur obtenue pour la frquence de coupure en linsrant dans le terme wn. La figure ci-dessous montre la comparaison entre le signal filtr et celui nonfiltr. 19

GTS 504 Introduction lingnierie de la radaptation

Automne 2006

Rfrences : Paratte, P.-A. et Robert, P. (1986). Systmes de mesure. Paris, France : Dunod. Domholdt E. (2005). Rehabilitation Research : Principles and Applications . (3me edition). St-Louis, MO: Elsevier Saunders. Woolson, R.F. et Clarke W.R. (2002). Statistical Methods for the Analysis of Biomedical Data. (2me edition). New York, NY: John Wiley & Sons.

20