These Wassim El Falou PDF

Universit de Technologie de Troyes (UTT)
Wassim El Falou
Une approche de la segmentation dans des signaux de

longue dure fortement bruits. Application en
ergonomie.
Thse prsente pour de lobtention du grade de Docteur de

lUniversit de technologie de Troyes
Soutenue le 19 Dcembre 2002 devant le jury compos de :
M. Herv Rix Rapporteur

M. Lotfi Senhadji Rapporteur
Examinateurs :
M. Paul Gaillard Prsident du jury

M. David Hewson
M. Mohamad Khalil
M. Jacques Duchne Directeur de thse
Discipline : Sret des Systmes

2
A ma famille, Racha et Mazen

Remerciements
Je dois dabord dire un grand merci Dieu qui ma aid achever cette thse. Je ne sais pas si
jarrive remercier toutes les personnes que jai rencontres durant mes annes de doctorat. En
tout cas quelles sachent toutes ma profonde reconnaissance.
Je commence par remercier mon directeur de thse Mr Jaques Duchne qui na pas cess de me
conseiller durant toutes ces annes pour faciliter mon travail de recherche et ma guid pour bien
accomplir cette tche. Sans lui, a tait vraiment difficile. Je profite encore pour saluer ses
qualits humaines et les relations amicales et chaleureuses quil sait entretenir avec ses
chercheurs considrs tous comme des amis.
Je remercie aussi mon co-directeur au Liban Mr Mohamad Khalil qui ma encourag faire
cette thse et ma support beaucoup durant ces trois annes. Je salut son dynamisme et la qualit
de son support.
Mes remerciements sadressent encore tous les membres du jury et messieurs les rapporteurs
qui ont eu la gentillesse daccepter cette tche.
Mes remerciements Dr. Haissam Ziade de la facult de gnie de luniversit libanaise pour tous
ses conseils et ses encouragements durant cette thse.
Mes grand remerciements aux membres du laboratoire LM2S et surtout :
- Le directeur du labo Mr Igor Nikiforov
- Mon ami dans le bureau David Hewson
- Florent Retraint, Yves Langeron, .
Mes grands remerciements aussi au CNRS Libanais, et mes enseignants en DEA modlisation
mathmatique.
A tous mes tudiants la facult de gnie au Liban et surtout : Maria, Ramia, Hassan, Rabih,
Sandy, Andr, Siba, Rawad, Majed, mes deux stagiaires : Mostapha et Jocleyne,... un grand
merci.
Enfin, jadresse une vive reconnaissance deux de mes amis qui mont accompagn durant mes
Troyes, Bacem Backache et Fahed Abdallah, pour les beaux moments que jai passs avec eux.
Enfin, je ne peux pas oublier mes amis et toutes les personnes que jai rencontres durant ces
annes : la famille Duchne et surtout Mme Babeth, Vronique et les autres filles, Ismain, Sad,
Fekhra, Karim, Farid, Lydie, Natasha, Azzam, Fadi, Houssam,Janah.
Mes chaleureux sentiments et mes grands remerciements pour mes parents et surtout ma sur
Rawa pour son aide precieuse dans la correction et la lecture de ce rapport.
4
Table des matires 1
Table des matires

Introduction gnrale ....................................................................................................................... 9
Chapitre 1 ...................................................................................................................................... 13
Position du problme..................................................................................................................... 13
1-1 Introduction.......................................................................................................................... 13
1-2 Objectifs de ltude.............................................................................................................. 13
1-3 Elments de description des signaux ................................................................................... 15
1-3-1 Origine de lEMG ......................................................................................................... 15
1-3-2 Le SEMG utilis en fatigue musculaire et ergonomie .................................................. 16
1-4 Exprimentation et description des signaux ........................................................................ 17
1-4-1 Dispositif exprimental et protocole ............................................................................. 17
1-5 Les diffrentes tapes du traitement des signaux SEMG .................................................... 20
1-6 Conclusion........................................................................................................................... 22
Chapitre 2 ...................................................................................................................................... 23
Algorithmes de Dtectio n de changements ................................................................................... 23
2-1 Introduction.......................................................................................................................... 23
2-2 Mthodes de dtection des ruptures dans le cas d'un changement paramtres connus ..... 24
2-2-1 Formulation mathmatique lmentaire ....................................................................... 24
2-2-2 Algorithme de Neyman - Pearson................................................................................. 24
2-2-3 Algorithme de somme cumule CUSUM ..................................................................... 25
2-3 Mthodes de dtection des ruptures dans le cas dhypothses paramtres inconnus ....... 29
2-3-1 Mthode du rapport de vraisemblance gnralis......................................................... 29
2-3-2 Mthode de Brandt........................................................................................................ 30
2-3-3 Quelques autres mthodes dveloppes pour le cas du changement spectral............... 31
2-3-4 Somme Cumule Dynamique (DCS)............................................................................ 34
2-4 Conclusion........................................................................................................................... 45
Chapitre 3 ...................................................................................................................................... 47
MDCS et choix des paramtres ..................................................................................................... 47
3-1 Introduction.......................................................................................................................... 47
3-2 Choix du modle de reprsentation des signaux dans lalgorithme de dtection................ 47
3-2-1 Le modle ARMA ........................................................................................................ 48
3-2-2 Modle AR.................................................................................................................... 50
2 Table des matires
3-3 Mthode automatique du choix des seuils ........................................................................... 68

3-4 Complments et algorithme de segmentation complet ........................................................ 73
3-5 Conclusion........................................................................................................................... 76
Chapitre 4 ...................................................................................................................................... 79
Rejet et Classification.................................................................................................................... 79
4-1 Introduction.......................................................................................................................... 79
4-2 Estimation spectrale pour lEMG ........................................................................................ 80
4-2-1 Estimation par priodogramme..................................................................................... 80
4-2-2 Estimation paramtrique ............................................................................................... 81
4-2-3 Estimation pseudo- spectrale par la mthode MUSIC .................................................. 83
4-2-4 Discussion sur le choix de la mthode destimation du spectre EMG.......................... 85
4-3 Mthodes dlimination du bruit dans le spectre ................................................................ 86
4-3-1 Introduction................................................................................................................... 86
4-3-2 Elimination par estimation moyenne du bruit............................................................... 87
4-3-3 Elimination du bruit par modlisation paramtrique .................................................... 88
4-3-4 Conclusion.................................................................................................................... 89
4-4 Mthode de rejet .................................................................................................................. 90
4-4-1 Ncessit de rejet .......................................................................................................... 90
4-4-2 Procdure de rejet par distance entre spectres complets et tronqus ............................ 92
4-4-3 Rejet par modlisation du spectre EMG....................................................................... 96
4-5 Classification phasique / tonique ....................................................................................... 102
4-6 Conclusion......................................................................................................................... 103
Chapitre 5 .................................................................................................................................... 105
Application - Adaptation aux signaux rels ................................................................................ 105
5-1 Introduction........................................................................................................................ 105
5-2 Rsultats de la segmentation.............................................................................................. 105
5-2-1 Calcul des seuils de segmentation .............................................................................. 106
5-2-2 Exemples de segmentations ........................................................................................ 113
5-3 Rsultats de la procdure de rejet ...................................................................................... 115
5-4 Classification des activits toniques et phasiques ............................................................. 116
5-5 Evolution des paramtres spectraux .................................................................................. 118
5-6 Discussion des rsultats et conclusion............................................................................... 121
Annexe A..................................................................................................................................... 127
Information de Kullback-Leibler - Cas de deux modles AR..................................................... 127
Table des matires 3
Annexe B..................................................................................................................................... 132

Equations de Levinson................................................................................................................ 132
Annexe D..................................................................................................................................... 136
Problme dajustement de courbe par un modle non linaire ................................................... 136
D-1 Introduction....................................................................................................................... 136
D-2 Position du problme ........................................................................................................ 136
Bibliographie ............................................................................................................................... 139
Abrviations 5
Abrviations
AR Autoregressive process
ARMA Moving average autoregressive process
CUSUM Cumulative sum
COR Courbe Oprationnel du Rcepteur
DCS Dynamic cumulative sum
EMG Electromyography
ECG Electro encephalogram
MNF Mean frequency
MDF Median frequency
MDCS Modified dynamic cumulative sum
MA Moving average process
SEMG Surface electromyography signal
Notations 7
Notations
0 : vecteur paramtre de lhypothse H0
1 : vecteur paramtre de lhypothse H1
i : erreur de prdiction
an : coefficient AR numro n
bn : coefficient MA numro n
E 0 [ s ] : esprance du logarithme de vraisemblance sous H0
E1 [ s ] : esprance du logarithme de vraisemblance sous H1
f 0 : densit de probabilit correspondant H0
f 1 : densit de probabilit correspondant H1
gj : fonction de dtection
h : seuil de dtection
hL : seuil haut
hH : seuil bas
IKL : squence de linformation de Kullback Leibler dans un signal
j : instant courant
k : instant de changement
K ( 0 , 1) : information de Kullback - Leibler
KL : coefficient multiplicatif pour le seuil bas

KH : coefficient multiplicatif pour le seuil haut
MIKL : racine carre de la moyenne de la somme des carrs de IKLb
N : longueur de la fentre
Sj : somme des logarithmes des rapports de vraisemblance jusqu' linstant j
si : logarithme du rapport de vraisemblance
ta : instant darrt
x1 , , xn : squence des chantillons jusqu n
Introduction gnrale 9
Introduction gnrale
Dans le traitement et l'analyse de signal, la dcomposition d'un signal en segments stationnaires
lorsqu'ils existent, constitue une premire phase dans de nombreux domaines d'applications. La
segmentation sert en particulier l'identification des diffrentes activits dans les signaux et
l'limination de phnomnes transitoires ou de segments trop bruits. Pendant ou aprs la
segmentation, suivant l'approche considre, une classification peut tre ncessaire afin de
limiter lanalyse aux activits utiles pour la prise de dcision, quelle qu'elle soit.
Le travail prsent dans ce mmoire sintgre dans cet objectif gnral de segmentation, de
classification et danalyse des signaux. Le type de signal concern est l'lectromyogramme
(EMG) de surface, et l'objectif applicatif est dtudier lvolution de l'inconfort lors dune
conduite de longue dure sous l'angle de la mise en vidence d'une ventuelle fatigue musculaire
locale. Les trajets automobiles de longue dure induisent en effet frquemment des phnomnes
d'inconfort, en particulier au niveau musculaire, aussi bien pour le conducteur que pour les
passagers. Cet inconfort n'est gnralement traduit que par des analyses sensorielles, sans qu'il y
ait un lien tabli avec l'activit musculaire locale. On sait par ailleurs que lanalyse spectrale des
signaux lectromyogrammes de surface (SEMG) peut fournir une indication sur lapparition et la
progression de la fatigue musculaire. Ce signal est donc cens porter l'information locale
ncessaire pour faire le lien s'il existe, entre sensation d'inconfort et fatigue locale.
Lobjectif de ce travail est donc ltude de lvolution de linconfort dun oprateur assis en
situation de pilotage de longue dure.
En partant de ces hypothses, nous nous sommes placs dans les conditions dun trajet routier
par simulation sur un banc de mesures, et nous avons enregistr les signaux SEMG de diffrents
muscles des sujets en situation de passagers, c'est dire exempts de toute tche de conduite. Les
signaux SEMG sont alors rduits la commande dun maintien postural, ce qui signifie des
signaux de trs faible activit par rapport aux signaux engendrs par exemple par des
mouvements volontaires. La premire caractristique fondamentale des signaux prendre en
considration pour dfinir les mthodes de traitement sera donc un rapport signal sur bruit trs
dfavorable, au point qu'il sagira surtout en premier lieu de dvelopper une mthode de
segmentation permettant de ne conserver que les parties du signal exploitables du point de vue de
l'existence d'un contenu EMG exploitable. La deuxime caractristique est qu'une induction de
10 Introduction gnrale
fatigue en maintien postural implique des exprimentations de longue dure (2h30 pour ce qui
nous concerne). Les mthodes de traitement devront prendre en compte ce paramtre de dure.
Une mthode de dtection fonde sur une analyse des proprits locales des signaux a t
dveloppe partir des travaux de thse de Mohamad Khalil [Kha99a]. Elle repose sur une
approche statistique dont le principe est connu (CUSUM) mais exploitant un rapport de
vraisemblance calcul localement. Cette mthode, appele MDCS (Modified Dynamic
Cumulative Sum), reprsente le corpus mthodologique de ce travail de thse. Nous montrerons
que cette mthode prsente deux avantages majeurs : le premier est quelle est rapide. Elle est
donc bien adapte au traitement de signaux de longue dure. Le deuxime avantage est qu'elle ne
ncessite pas de connaissance a priori sur les vnements dtecter, condition que ceux-ci
puissent tre reprsents par un processus autorgressif. La mthode doit donc s'appliquer dans
le cas de mconnaissance de l'espace des hypothses. De plus il a t ncessaire de mettre au
point une mthode adaptative de dfinition de la valeur des diffrents seuils impliqus dans la
segmentation. Cette mthode de dtermination automatique des seuils a t dfinie sur la base de
la distribution de linformation de Kullback Leibler dans le signal.
Aprs la segmentation, un test de rejet est ncessaire pour liminer les segments fortement
bruits. Le contexte d'enregistrement en effet implique que la premire question concernant les
signaux acquis est de savoir s'il existe dans les segments une activit EMG "significative", cette
notion tant directement lie au rapport signal sur bruit. Pour aborder ce problme du rejet,
plusieurs approches ont t testes, toutes reposant sur les caractristiques spectrales attendues
d'un segment d'EMG.
Une fois cette suppression des segments non pertinents ralise, il s'est avr ncessaire
d'effectuer une classification des segments EMG restants. A la suite de l'tape prcdente, tous
les segments conservs sont censs contenir de l'EMG. Cependant, certains d'entre eux
correspondent bien une activit posturale (activit tonique) alors que d'autre sont le reflet de
mouvements volontaires ou de co-contractions (activit phasique). Le but de l'tude implique de
ne conserver pour l'analyse que les segments correspondant une activit tonique. La mthode
de classification utilise pour cela sera fonde la fois sur des rapports dnergie locale entre
segments conscutifs et sur la dure des segments.
Introduction gnrale 11
C'est seulement aprs cette tape de slection des segments toniques que la caractrisation de
chaque segment est envisage afin de dcrire une ventuelle induction de fatigue locale. En
partant de lhypothse que la frquence mdiane du signal EMG diminue en prsence de fatigue
musculaire, c'est ce paramtre spectral global que nous avons analys.
Compte tenu des diffrentes tapes dcrites prcdemment, le mmoire est organis de la faon
suivante :
Le chapitre 1 dbute par une prsentation gnrale du problme tudi et du protocole

dexprimentation. Une tude bibliographique sur lutilisation des signaux SEMG pour
ltude de la fatigue musculaire et plus gnralement dans le domaine de l'ergonomie est
aussi prsente. Dans ce chapitre nous justifierons la ncessit de dvelopper des
algorithmes de segmentation dans une approche locale, ainsi que les caractristiques
ncessaires des mthodes de rejet et de classification pour qu'elles soient bien adaptes
ce type de signaux.
Le chapitre 2 commence par une revue bibliographique sur les algorithmes de dtection,
puis nous prsenterons lalgorithme de somme cumule (CUSUM) qui est un algorithme
squentiel de dtection efficace dans les traitements squentiels et qui permet de bien
localiser les instants de changements brusques. Cet algorithme, utilis dans le cas de
paramtres d'hypothses connus, est la base de deux autres algorithmes adapts au
problme pos. Le premier est lalgorithme de somme cumule dynamique (DCS)
dvelopp dans un travail antrieur, lautre est lalgorithme de somme cumule
dynamique modifi (MDCS), qui amliore la performance de lalgorithme prcdent du
point de vue de la dtection de changement entre deux hypothses proches. Pour la
dtection des changements de niveau d'nergie et de contenu spectral, lutilisation de ces
algorithmes aprs modlisation autorgressive est aussi dcrite. La comparaison entre
MDCS et DCS par courbes COR sur des signaux simuls est galement prsente pour
dmontrer les performances du nouvel algorithme.
Le chapitre 3 est consacr au choix des modles pour la reprsentation des signaux EMG
(et les mthodes destimation de leurs paramtres). Nous tudierons ensuite le choix de
lordre des modles autorgressifs ainsi que son influence sur les performances de la
12 Introduction gnrale
dtection. Une procdure automatique du choix du seuil de dtection, fonde sur la

distribution de linformation de Kullback Leibler, est dcrite dans ce chapitre.
Les procdures de rejet et de classification sont dcrits dans le chapitre 4. Deux mthodes
de rejet sont prsentes, lune fonde sur l'allure des spectres dans la partie haute
frquence, la deuxime reposant sur des mthodes de modlisation spcifique du spectre
de lEMG. Aprs rejet, une procdure de classification locale entre activit phasique et
activit tonique est ensuite prsente.
Dans le chapitre 5, nous prsentons les rsultats obtenus par l'application de l'ensemble
des procdures sur les signaux rels pour diffrents sujets et dans les diffrentes
configurations dexprimentation. Nous terminerons ce chapitre par une discussion
gnrale sur les mthodologies, la pertinence de leur application sur les signaux SEMG
de longue dure, en en prsentant les avantages et les limites.
Position du problme 13
Chapitre 1
Position du problme
1-1 Introduction
Les trajets automobiles de longue dure induisent frquemment des phnomnes de fatigue, en
particulier musculaire, aussi bien pour le conducteur et pour les passagers. On sait par ailleurs
que l'analyse spectrale des signaux lectromyographiques de surface (SEMG) peut fournir une
indication sur lapparition et la progression de la fatigue. Lanalyse spectrale est souvent utilise
puisquil a t montr que le spectre de lEMG se compresse avec la fatigue. En se servant de ces
signaux, on peut esprer mettre en vidence le phnomne de fatigue musculaire et ainsi disposer
dun outil de choix du sige le plus confortable du point de vue de la fatigue musculaire (qui
nest cependant quun des aspect du ressenti dinconfort che z les conducteurs et les passagers).
Dans ce chapitre, nous commenons par la description de lobjectif global de l'tude, puis nous
donnerons un bref aperu de la physiologie associe aux signaux SEMG. Ensuite nous
prsenterons lexprimentation et lacquisition des signaux.
A la fin du chapitre, nous reviendrons sur les diffrentes tapes de traitement mettre en uvre
pour extraire de lEMG de surface dans de bonnes conditions les paramtres caractrisant la
fatigue musculaire.
1-2 Objectifs de ltude
Cette tude porte sur lvaluation de linconfort dun oprateur assis en situation de pilotage de
longue dure. Nous considrons pour cela lvaluation de linconfort dynamique en conduite qui
peut tre ramen la caractrisation du systme homme- sige.
En effet, le conducteur et les passagers sont soumis des vibrations directement lies aux
caractristiques du vhicule et de la route. Ces vibrations sont essentiellement transmises au
sant et au dos de loccupant (cest--dire le long de laxe vertbral) par lintermdiaire de
14 Position du problme
lassise et du dossier du sige. Les commandes telles que les pdales et le volant peuvent en
outre transmettre des vibrations aux pieds et aux mains du conducteur.
Il est maintenant admis que les vibrations combines une position assise produisent un
inconfort plus ou moins prononc et durable suivant les individus, notamment lors des trajets de
longue dure.
La connaissance des mcanismes physiologiques, physiques et psychologiques qui interviennent
dans la dgradatio n du confort savre donc indispensable non seulement pour amliorer la
sensation de bien tre de lindividu, mais galement pour viter toute dgradation de la
performance.
En partant de cette hypothse, nous nous sommes placs dans les conditions dun trajet routier
par simulation sur un banc de mesures, et nous avons enregistr les signaux SEMG de diffrents
muscles des sujets. En effet, llectromyographie de surface (SEMG) est un outil gnralement
utilis dans l'tude de l'activit de muscle puisqu'il fournit de faon non invasive une information
sur le niveau d'activation de muscle. Le signal SEMG est en particulier souvent utilis comme
moyen pour tudier la progression de la fatigue sachant que les composantes frquentielles du
spectre de puissance des signaux SEMG se dcalent vers les basses frquences en prsence de
fatigue. La rduction correspondante de la frquence moyenne ou de la frquence mdiane du
signal peut alors tre employe pour identifier lapparition et la progression de la fatigue
musculaire.
Ce qui nous intresse donc dans cette tude, ce sont les signaux SEMG lors dun maintien
postural, ce qui signifie des signaux de trs faible activit par rapport aux signaux engendrs par
des mouvements volontaires. La premire caractristique des signaux prendre en considration
pour dfinir les mthodes de traitement sera donc un rapport signal sur bruit dfavorable. Il
sagira alors en premier lieu de mettre au point une mthode de segmentation permettant de ne
conserver que les parties du signal exploitables du point de vue de leur contenu EMG.
Le deuxime aspect dterminant le choix des mthodes rside dans le fait que les signaux
posturaux sont pollus par des bouffes dactivit manant de mouvements volontaires. La
segmentation devra donc galement prendre en compte ces vnements phasiques . Il sera
ncessaire ensuite de mettre en place des mthodes de classification pour identifier
lappartenance de chacun des segments. Nous justifierons dans la suite une approche spare
entre segmentation et classification.
La troisime caractristique de ces signaux est quils ont une dure importante, linduction de
fatigue ncessitant des simulations de longue dure. Les mthodes devront donc prendre en
compte cet aspect en ne traitant pas globalement lensemble de lenregistrement mais en utilisant
plutt une approche locale.
Le paragraphe suivant va aborder la physiologie des signaux EMG, et va donner une description
de lexprimentation et des types des signaux extraits.
1-3 Elments de description des signaux
1-3-1 Origine de lEMG
Un muscle est form dun ensemble de fibres musculaires, elles mme formes de myofibrilles
qui sont responsables de la contraction. Pour provoquer la contraction, les fibres musculaires
reoivent, dun nerf, un influx nerveux qui est en fait un stimulation lectrique. Cette stimulation
est transforme en nergie (contraction) par raction chimique au niveau des myofibrilles. Il faut
noter que chaque nerf ne concerne pas quune seule fibre mais un groupe de fibres appel unit
motrice . Le muscle est lui- mme form dun certain nombre de ces units motrices. Le
faisceau de nerfs stimulant le muscle forme le nerf moteur.
Lorsquune unit motrice est excite, elle se contracte puis se relche. Pour la garder contracte,
il faudra la stimuler de nouveau avant la fin du relchement. Linflux nerveux se traduit donc par
des impulsions lectriques, basse frquence pour un petit effort, cette frquence augmentant au
fur et mesure que leffort demand devient plus intense. Il faut noter que, comme toutes les
units motrices ne sont pas excites de faon synchrone, le mouvement est alors liss .
Les fibres musculaires, comme les cellules nerveuses, entretiennent de part et dautre de leur
membrane une diffrence de potentiel ou potentiel de repos, qui tmoigne de la polarisation de la
membrane. Toute contraction musculaire est prcde dune dpolarisation, qui se manifeste
dabord au niveau de la jonction neuromusculaire ou plaque motrice, sous laction de
lactylcholine libre par linflux nerveux. Ce potentiel de plaque excite la membrane
musculaire, qui propage londe de dpolarisation tout au long de la fibre sous la forme dun
potentiel daction.
Les potentiels d'action se propagent le long de la membrane de la fibre musculaire et rayonnent
dans les tissus conjonctifs du muscle, de la graisse, et de la peau. Ils sont commodment dtects
sur la surface de la peau. Le signal lectromyographique (EMG) est une addition des trains de
potentiel d'action d'units motrices qui sont dtects par un systme d'lectrodes proximit des
fibres. Quand les lectrodes sont places sur la surface de la peau, le signal dtect est dsign
sous le nom d'lectromyogramme de surface (SEMG).
L'amplitude du signal d'EMG est stochastique (alatoire) avec une distribution gaussienne qui
s'tend de 0 6 mV (crte la crte). L'nergie utilisable du signal est limite de 0 500 hertz
de gamme de frquence, avec l' nergie dominante tant dans la gamme de 50-150 hertz
1-3-2 Le SEMG utilis en fatigue musculaire et ergonomie
Luttmann dfinit [Lut99b] la fatigue musculaire comme tant une rduction de la capacit de la
force gnre par le muscle durant le travail. Westgaard donne pour fonction lergonomie
dassurer un bon compromis entre le travail demand et les capacits humaines [Wes99].
Ltude de la fatigue musculaire en utilisant les signaux SEMG a dbut ds 1912 [Bat98]. Les
premires tudes ont t limites des tests en condition statique en laboratoire. A prsent de
nombreuses tudes sintressent lutilisation du signal SEMG pour lvaluation de la fatigue
musculaire dans des activits naturelles, en particulier dans des applications dergonomie.
Lanalyse de la fatigue musculaire utilisant les signaux SEMG en mdecine de radaptation est
tudie par Karlsan et al. [Kar97]. Les signaux SEMG sont galement utiliss pour lanalyse du
travail musculaire reli des dsordres squelettiques, en particulier dans trois applications :
valuation des modles de coordination du muscle, valuation de la fatigue musculaire, et
valuation des moments et des forces spinaux [Bat98]. Dautres auteurs utilisent le signal SEMG
pour ltude de lactivit musculaire en charge de levage [Die98]. Dautres tudes encore
utilisent des signaux SEMG pour lanalyse de leffet physiologique du travail [Duc93], [Lut99a],
[Her99], [Hag99], [Cha01].
Dans ces tudes la plupart des chercheurs utilisent lanalyse spectrale pour valuer la fatigue
musculaire. Les deux paramtres les plus utiliss pour l'tude du phnomne de fatigue
musculaire sont la MNF (mean frequency) et la MDF (median frequency). Ces deux paramtres
savrent porteurs dinformation dans la mesure o avec la fatigue musculaire, les signaux
SEMG subissent une compression spectrale [Gra97c], [Mer99a].
Lestimateur spectral de la MNF a une variance plus faible que celui de la MDF [Mer99a]. Son
utilisation sera prfre dans le cas dun rapport signal sur bruit favorable. Par contre dans le cas
dun bruit lev il est prfrable dutiliser la MDF, moins sensible au bruit, mais sensible aux
effets de la fatigue [Mer99b].
Linfluence de la fatigue musculaire sur les diffrents paramtres extraits des signaux SEMG est
tudie par un modle de simulation dans [Pon98], linfluence de la position des lectrodes sur
ces paramtres est tudie dans [Kar99].
Dans [Lut98b] il est indiqu que la plupart des rsultats de ces tudes en ergonomie et fatigue
musculaire restant des tudes de laboratoire, ce qui permet de contrler au mieux les paramtres
de lexprience, ce qui nest pas souvent le cas des applications relles. En particulier, il est trs
difficile de sparer les diffrents facteurs de variation des paramtres spectraux, par exemple de
distinguer si un changement de spectre SEMG est d un changement dans le mode
dactivation du muscle ou lapparition de fatigue [Lut98b].
Des mthodes rcentes fondes sur lanalyse temps- frquence sont depuis peu utilises pour
ltude de la fatigue musculaire [Kna02], [Bon01] en utilisant les notions de moyenne et mdiane
instantanes.
On voit donc partir de ces quelques rfrences bibliographiques quil est lgitime dutiliser le
signal SEMG pour des problmes dergonomie et danalyse de fatigue, dans des conditions
exprimentales bien contrles.
1-4 Exprimentation et description des signaux
1-4-1 Dispositif exprimental et protocole
Ce travail a t dvelopp dans le cadre dun contrat DRET (N o 95/169) en collaboration avec
Renault et Thomson CSF. Les exprimentations ont t menes sous la responsabilit de
Renault, Thomson CSF intervenant pour exploiter des donnes subjectives recueillies sous forme
de questionnaires, en association avec des donnes issues de tches rflexes et de performance
qui ne seront pas voques dans le cadre de ce travail. Nous ne dcrirons donc du protocole que
ce qui est en rapport avec la gnration, lenregistrement et lexploitation des signaux
musculaires.
Les signaux ont t enregistrs sur 11 sujets durant une priode de 2 h 30 min, les sujets tant
assis sur un sige de voiture (figure 1.1). Chaque sujet a t test pour quatre configurations
exprimentales : avec et sans vibration (vibration verticale), et pour deux types de siges (L:
Laguna, T : Twingo) de confort diffrent.
FIG. 1.1 Exemple dun sujet lors de lexprimentation
La dtection de lactivit lectrique des muscles a t ralise en drivation bipolaire, ce qui

signifie que deux lectrodes actives (positionnes en regard du muscle choisi) sont ncessaires,
ainsi quune lectrode de rfrence.
Le signal SEMG a t enregistr sur 9 muscles posturaux :
tibialis gauche et droit (muscles des jambes) (TA),
erector spinae gauche et droit (lombaires infrieures situes entre L2 et L3) (LOM),
oblicuus externus gauche et droit (abdominaux),
cervical erector spinae gauche et droit (muscles situs l'arrire du cou entre C4 et C6) (CES),
minence hypothnar gauche (muscle de lindex) (EM). Lactivit de ce dernier muscle a t
enregistre uniquement dans le cadre du contrle de la tache rflexe et ne sera pas considre
dans la suite de ltude.
FIG. 1.2 Positionnement des lectrodes
Le choix des muscles a t effectu la suite de diffrentes pr-exprimentations qui ont t

mises en place au dbut du projet. Deux critres principaux ont dict ce choix :
amplitude du signal lectromyographique
facilit daccs au muscle et de mise en place des lectrodes
Les signaux SEMG ont t chantillonns une frquence de 840 Hz, aprs filtrage anti-
repliement et filtrage passe haut (20 Hz).
Lensemble des signaux a t acquis grce un logiciel dacquisition ralis sous Labview 5, au
travers dune carte de conversion analogique/numrique 16 voies (ATMIO 16XE10 de National
Instruments) intgre un PC de mesure. Elle fo nctionne avec une rsolution de 16 Bits sur une
tendue de mesure de +/- 8 Volts (bipolaire). La carte a t utilise en mode diffrentiel,
multiplexe sur 24 voies.
Un botier de conditionnement renfermant des filtres analogiques anti-repliement a t intercal
entre le deuxime tage amplificateur des signaux EMG et la carte numrique. Les filtres passe-
bas utiliss sont de type elliptique dordre 8. La frquence de coupure a t fixe 350 Hz.
Au total 50 tests ont t raliss, correspondant aux diffrentes configurations exprimentales.
Chaque test, dune dure totale de 2h30min, correspondait lenregistrement de 8 voies EMG
chantillonnes soit prs de 1000 h denregistrements traiter. La frquence dchantillonnage
840 Hz donne une ide du volume des donnes numriques. Cest pourquoi un des objectif de ce
travail de thse a t de crer des algorithmes de segmentation efficaces et rapides (avec un

maximum de rcursivit), avec une dfinition automatique des diffrents paramtres de ces
algorithmes (en particulier les seuils) ainsi que des mthodes automatiques de classification et de
rejet des diffrentes activits dtectes dans ces signaux.
Le paragraphe suivant va identifier les traitements successifs ncessaires l'extraction des
paramtres pertinents capables de suivre le phnomne de fatigue musculaire. Il mettra en
vidence les caractristiques de ces traitements et les hypothses sur lesquelles ils doivent
reposer.
1-5 Les diffrentes tapes du traitement des signaux SEMG
Le problme majeur li lenregistrement de lactivit de muscles posturaux est le fait que le

niveau dEMG prsent dans le signal est trs faible, compar aux bruits environnants provenant
de diverses sources :
- lECG
- linfluence lectromagntique du secteur
- un ensemble de bruits parasites lis aux lectrodes et linstrumentation, la plupart pouvant
tre modliss par un bruit blanc, dont le niveau peut tre trs suprieur au niveau du signal
dans le cas denregistrement dactivits de maintien postural.
Dautre part, les enregistrements ne contiennent pas que de lactivit posturale mais galement
des vnements phasiques lis pour la plupart des mouvements ou des co-contractions. On
distinguera en fait trois types dactivits dans les enregistrements :
- lactivit tonique (TO) : activit de fond de maintien postural, directement concerne par
notre tude
- lactivit phasique (PH) : activit lie aux mouvements volontaires ou co-contractions. Dans
le cadre de ltude, ces activits doivent tre considres comme des segments liminer
- lactivit spcifique dunits motrices (UM). Cette activit est parfois dtecte. Elle
correspond au battement spontan dune unit motrice proche de la surface. Bien que ce
phnomne corresponde de lEMG, il risque de crer un biais local dans lestimation des
diffrents paramtres extraits de lEMG. De ce fait les segments correspondants doivent tre
galement limins.
Il est donc ncessaire de traiter les signaux en plusieurs tapes :
Pr-traitement
Le pr-traitement permet un premier filtrage des signaux et llimination dartefacts de spectre

ou doccurrence connue (50 Hz, ECG).
Pour liminer lECG, une voie spcifique denregistrement dECG est utilise, afin de ne pas
dvelopper dalgorithme spcifique de reconnaissance de QRS sur les voies dEMG.
Pour ce qui concerne le 50 Hz, il est limin par un filtre rjecteur. La composante continue a t
limine par un filtrage passe- haut de 1 Hz.
Segmentation
La segmentation est une phase trs importante dans notre travail, lobjectif de la segmentation
tant lextraction des segments correspondant lactivit de fond de maintien postural (activit
tonique). Pour cela, nous devons supprimer les parties de segments correspondant lactivit lie
aux mouvements volontaires ou co-contractions, les parties correspondant lactivit spcifique
de certaines units motrices et ventuellement dautres classes dvnements que nous navons
pas identifies.
Il est alors ncessaire de dvelopper un algorithme de segmentation bien adapt des signaux de
longue dure, qui tienne compte des variations nergtiques et spectrales des signaux, et qui
dfinisse de faon automatique les diffrents rglages des paramtres des mthodes mises en
uvre, en particulier le problme de rglage de seuils. Le dveloppement de cet algorithme fera
lobjet du chapitre 2, o un algorithme dvelopp dans un travail prcdent [Kha00], [Fal01d] a
t modifi pour en amliorer les performances. Le rglage automatique des seuils ainsi que le
choix du modle de signal et de la mthode destimation seront traits au chapitre 3.
Classification et rejet
Aprs segmentation des signaux SEMG, il est ncessaire de classer les segments obtenus en
fonction de leur origine, pour ne conserver que les segments toniques dont le rapport signal sur
bruit est suffisant pour en extraire des caractristiques spectrales qui aient un sens.
Cette tape de classification doit se dcomposer en deux phases :
- limination des segments pour lesquels le niveau de bruit interdit toute exploitation
ultrieure. Cette classification sera fonde sur la concordance des spectres des segments
obtenus dans la phase de segmentation avec des modles analytiques de spectres dEMG,
lun tir de la littrature, lautre propos dans le cadre de ce travail.
- slection des activits toniques. Cette slection utilisera essentiellement les diffrences
dnergie entre segments voisins pour ne retenir que les segments de plus faible nergie
conservs dans la phase prcdente.
Lensemble de la dmarche de classification sera dcrite dans le chapitre 4. Ce dernier inclura
galement une proposition de traitement permettant dliminer une partie du bruit contenu dans
les enregistrements restants, avant extraction des paramtres susceptibles de porter une
information sur la fatigue musculaire.
Les rsultats sur les signaux rels seront prsents et discuts dans le chapitre 5, avant une
conclusion gnrale sur les aspects et les limites des mthodes dveloppes pour le traitement de
ce type de signaux longs faible rapport signal sur bruit.
1-6 Conclusion
Ce chapitre constitue une introduction la physiologie des signaux SEMG, et lutilisation de

ces signaux en ergonomie et dans ltude de la fatigue musculaire. Il montre bien lintrt
potentiel de ces signaux pour ltude de linconfort durant une conduite de longue dure. Une
description de lexprience et des signaux a aussi t donne dans ce chapitre pour bien
comprendre les conditions et les hypothses de notre travail. Les signaux SEMG acquis sont des
signaux SEMG de longue dure, et les segments intressants de ces signaux sont uniquement les
activits toniques des muscles posturaux. Un algorithme de segmentation est donc indispensable
pour distinguer les diffrents types de segments rencontrs dans les signaux, cet algorithme
devant tre rapide et automatique dans le sens o il faut dfinir automatiquement tous ses
paramtres de rglage. Lalgorithme de segmentation doit tre suivi par des mthodes de
classification et de rejet permettant de ne conserver que les segments dactivit tonique. Aprs
segmentation et classification, il reste estimer les paramtres utiliser pour surveiller
l'volution des caractristiques de l'EMG au cours des tests.
Le chapitre suivant va donc traiter du problme de dtection et de segmentation des signaux sous
les hypothses indiques prcdemment.
Algorithmes de Dtection de changements 23
Chapitre 2
Algorithmes de Dtection de
changements
2-1 Introduction
Le problme de la dtection des changements et des non stationnarits est un problme trs
frquemment abord en traitement du signal. En fait la dcomposition d'un signal non
stationnaire en segments stationnaires, lorsquils existent, constitue une premire phase dans bon
nombre danalyses de signaux. Parmi les domaines o les chercheurs ont dvelopp des
algorithmes de segmentation, on peut citer le domaine de traitement de parole, le traitement des
signaux sismiques et des signaux biomdicaux [Obr88a], [Obr88b], [Bas93], [Kha99a], [Kha01].
Les algorithmes de dtection sont essentiellement fonds sur la thorie statistique des tests
d'hypothses. Parmi ces algorithmes, nous nous sommes intresss aux algorithmes squentiels
car ces algorithmes nous permettent de bien localiser les instants de changement. Citons par
exemple l'algorithme de somme cumule (CUSUM) qui est l'un des algorithmes squentiels de
dtection les plus efficaces dans le cas o les paramtres sont connus [Bas93].
En pratique, les paramtres des hypothses ne sont pas connus et beaucoup dalgorithmes ont t
dvelopps pour rsoudre ce type de problme [Bas93]. Dans ce chapitre nous prsentons une
bibliographie dtaille sur les principes de ces algorithmes, leurs avantages et leurs
inconvnients, ainsi que les raisons qui nous conduisent proposer des algorithmes locaux de
traitement. Nous expliquons ensuite l'algorithme de somme cumule dynamique (DCS), et ses
modifications. Dans notre cas de traitement des signaux biomdicaux, o il est intressant de
dtecter les changements spectraux, l'algorithme DCS proposait une mthode originale fonde
sur la dcomposition en ondelettes. Dans notre nouvel algorithme, nous utiliserons une autre
approche, la modlisation autorgressive, pour la dtection des changements spectraux
[Kha99b].
L'algorithme gnral de segmentation est prsent en fin de chapitre 3.
24 Algorithmes de Dtection de changements
2-2 Mthodes de dtection des ruptures dans le cas d'un changement

paramtres connus
2-2-1 Formulation mathmatique lmentaire
Le problme de dtection consiste dtecter une rupture dans un signal observ x et estimer
l'instant k de son apparition. Ce problme se ramne un test d'hypothse. Dans le cas o le
changement intervient sur les paramtres, le problme s'appelle problme de test d'hypothse
paramtrique. En effet, si nous disposons d'une suite d'observations x1 , x2 , , xn qui jusqu'
l'instant k suit une loi de probabilit f 0 (de paramtre 0 ) et ensuite est rgi par une densit de
probabilit f 1 (de paramtre 1 ), pour dtecter une ventuelle rupture dans le paramtre , nous
pourrons procder, chaque instant, au test d'hypothse suivant:

H 0 : = 0 , pour 1 i n
contre (2.1)
= 0 , pour 1 i k
H1 :
= 1, pour k + 1 i n
La plupart des mthodes de dtection sont fondes sur la somme de logarithmes de rapports de
vraisemblance, qui a t dmontre comme une statistique suffisante dans la thorie de la
dtection [Bor87], [Sap90], [Bas93]. Le logarithme du rapport de vraisemblance est dfini par :
j
f 1 ( xi / xi1,..., x1 )
S ( x1, x2 ,..., x j ) = ln (2.2)
i =1 f 0 ( xi / xi 1 ,..., x1 )
On va prsenter ici deux algorithmes pour rsoudre ce problme de dtection : l'algorithme de

Neyman- Pearson et l'algorithme de somme cumule.
2-2-2 Algorithme de Neyman - Pearson
Dans cet algorithme on considre un chantillon de taille N. On prend alors la somme des
logarithmes du rapport de vraisemblance comme:
j. N
S1N ( j ) = si (2.3)
i = ( j 1 ). N +1
avec
f 1 ( xi / xi1 ,..., x1 )
si = ln (2.4)
f 0 ( xi / xi1,..., x1 )
La rgle de dcision est la suivante:
0 si S1N ( j ) < h
dj = (2.5)
1 si S1N ( j ) h
Linstant darrt est :

ta = N.min{j 1 :dj = 1} (2.6)
Ces algorithmes de dtection sont caractriss en gnral par deux paramtres :
- La probabilit de fausse alarme
- La probabilit de dtection
Il a t dmontr que cet algorithme est optimal dans le sens quil maximise la probabilit de
dtection pour une probabilit de fausse alarme donne (optimalit au sens de Neyman-Pearson)
[Bas93].
Linconvnient de ce type dalgorithme est que linstant de changement est dfini N prs.
2-2-3 Algorithme de somme cumule CUSUM
2-2-3-1 Formulation
La somme cumule est fonde sur le calcul rcursif du logarithme du rapport de vraisemblance.
La procdure CUSUM peut tre considre comme une squence de tests rpts autour d'un
point de changement k.
Lalgorithme CUSUM intuitif se prsente comme suit [Nik86], [Bas93]:
- un instant j on cherche la somme des logarithmes des rapports de vraisemblance :
j j
f1 ( xi / xi 1 ,..., x1 )
S1j = si = ln (2.7)
i =1 i =1 f 0 ( xi / xi1,..., x1 )
La somme S1j fournit un test squentiel de logarithme du rapport de vraisemblance. Lintrt de

cette somme est quelle change de signe en moyenne aprs linstant de rupture, c..d. :
EH 0 ( si ) < 0
(2.8)
EH1 ( si ) > 0
- On calcule alors la fonction de dtection suivante:

g j = S1j min S1i (2.9)

1 i j
Au vu de la proprit prcdente de la somme cumule, la fonction de dtection est construite en

faisant la comparaison chaque instant j de la diffrence ent re la valeur de la somme du
logarithme de vraisemblance et sa valeur minimale courante.
- Linstant darrt est :
ta = min {j : gj h} (2.10)
h est le seuil de dtection, c..d. quune rupture est dtecte lorsque la fonction de dtection
atteint un seuil fix h.
FIG. 2.1 a) Signal b) Evolution de la somme cumule c) Evolution de la fonction de dtection.

Axes des abscisses : nombre de points. Axes des ordonnes : units arbitraires.
- Linstant de changement est dfini alors par :

k = max {j : gj =0} (2.11)
On peut formuler aussi lalgorithme CUSUM par une autre forme plus pratique [Bas93]:
- g0 = z 0 (z = 0 usuellement)
- gj = max(0,gj-1 +sj) (2.12)
- ta = min {j : gj h}
Il faut noter que cette formulation de CUSUM est plus efficace en temps de calcul que la
premire. De plus elle est plus efficace en espace mmoire (en effet on na besoin de mmoriser
que gj-1 et gj au lieu de toutes les valeurs de S1 j dans la premire version).
2-2-3-2 CUSUM en cas de changement de variance
On suppose que les chantillons successifs sont indpendants, suivent une loi gaussienne de
moyenne nulle, et prsentent des changements en variance uniquement. Dans ce cas 0 = 0 et
1 = 1 . Les densits de probabilit peuvent s'crire:
x2i
2
1
f 0 ( xi ) = e 2 0 (2.13)
2 0
x2i
2
1
f 1 ( xi ) = e 21 (2.14)
2 1
L'expression du logarithme de vraisemblance est alors:
1 2 1 1
si = [ ln 12 + xi2 ( 2 2 )] (2.15)
2 0 0 1
2-2-3-3 CUSUM en cas de changement dans un modle ARMA ou AR
Dans le cas pratique (en particulier dans le cas des signaux biomdicaux) les chantillons sont
dpendants, l'expression de la somme du logarithme de vraisemblance est alors :
j
f 1 ( xi / xi1,..., x1 )
S ( x1, x2 ,..., x j ) = ln (2.16)
i =1 f 0 ( xi / xi 1 ,..., x1)
o f 0 ( xi / xi1,..., x1 ) et f 1 ( xi / xi1,..., x1 ) sont les densits de probabilit conditionnelle.
Dans la plupart des cas on peut modliser les signaux par des modles paramtriques comme le
modle ARMA ou le modle AR.
Dans le cas dun signal modlis par un modle ARMA (p, q), on peut crire que :
p q
xi = an . xi n + bn i n + i (2.17)
n =1 n =1
Si une variation dans le signal se manifeste par une variation dans lun au moins des paramtres
du modle ARMA, on a alors :
0 = ( a10 ,..., a 0p , b10 ,..., bq0 , 02 )
(2.18)
1 = ( a11,..., a1p , b11 ,..., b1q , 12 )
La probabilit conditionnelle scrit alors [Bas93]:

2
1 i2
p ( xi / xi1,..., x1 ) = e 2 (2.19)
2
Le logarithme du rapport de vraisemblance est alors:
1 2 ( 0 ) 2 ( 1 ) 2
si = [ ln 02 + i 2 i 2 ] (2.20)
2 1 0 1
avec
il = xi + an xi n bn il n , l = {0,1}
p q
(2.21)
n =1 n =1
Dans le cas o q=0, le modle sappelle un modle autorgressif AR dordre p, et alors :

0 = ( a10 ,..., a 0p , 02 )
1 = (a11,..., a1p , 12 ) (2.22)
il = xi + an xi n , l = {0,1}
p
n =1
2-2-3-4 Proprit de dtectabilit de CUSUM
La dtectabilit reprsente la capacit dun algorithme dtecter un changement. De ce point de

vue un changement est dtectable si la fonction de dtection nest pas la mme avant et aprs le
changement. Dans le cas des algorithmes fonds sur le logarithme du rapport de vraisemblance la
proprit de dtectabilit se manifeste par un changement de signe de ce logarithme.
Au vu de cette dfinition, une des proprits les plus importantes de lalgorithme de somme
cumule est justement la proprit de dtectabilit. Daprs [Bas93] la dtectabilit de la somme
cumule est due au fait que :
E 0 [ si ] < 0
(2.23)
E1 [ si ] > 0
Cette proprit est trs importante, et elle doit tre vrifie aussi dans le cas des algorithmes de
dtection o les paramtres sont inconnus.
2-2-3-5 Proprits asymptotiques de CUSUM
La performance des algorithmes de dtection squentielle est caractrise par deux paramtres
qui sont :
- le temps moyen de dtection
- le temps moyen entre deux fausses alarmes
Il a t dmontr que lalgorithme CUSUM est optimal dans le sens quil minimise le temps
moyen de la dtection, lorsque le temps moyen entre deux fausses alarmes tend vers linfini
[Bas93], [Bar00].
Il existe des formules asymptotiques qui permettent le choix du seuil dans le cas des algorithmes
CUSUM, mais dans le cas rel on montrera au chapitre 3 que ces formules sont dlicates
utiliser pour le choix du seuil, en particulier au vu de leurs proprits uniquement asymptotiques.
Nous avons dvelopp dans ce travail une mthode de choix automatique des seuils, fonde sur
les caractristiques des signaux. Cette mthode sera prsente dans le chapitre 3.
2-3 Mthodes de dtection des ruptures dans le cas dhypothses

paramtres inconnus
Le cas le plus frquent de dtection de changement est le cas o les paramtres de changement
sont inconnus. Plusieurs algorithmes ont t dvelopps pour rsoudre ce problme, dans de
nombreux domaines dapplication. Dans les paragraphes suivants nous prsentons quelques
algorithmes, leurs avantages et leurs inconvnients, nous prsentons ensuite notre algorithme de
somme cumule dynamique et sa version modifie permettant damliorer la performance de
dtection et de rsoudre le problme de sur-segmentation.
2-3-1 Mthode du rapport de vraisemblance gnralis
Cette mthode utilise le principe de maximum de vraisemblance. La somme des logarithmes des
rapports de vraisemblance entre deux instants n et j est donne par :
j j
f1 ( xi / xi 1 ,..., x1 )
S = s( xi / xi1,..., x1 ) = ln
n
j
(2.24)
i= n i= n f 0 ( xi / xi1,..., x1 )
Linstant de changement est estim par k au sens du maximum de vraisemblance :

k = arg max S nj (2.25)

1 n j
Si les paramtres 0 et 1 sont inconnus ils sont remplacs par leurs estimations au sens du
maximum de vraisemblance, ce qui conduit finalement la fonction de dcision suivante :
H1
g j = max sup sup S n h
j
(2.26)
1 n j 1 0
Lorsque gj dpasse un seuil h fix a priori, alors H1 doit tre dcide, H0 dans le cas contraire.
Les maximisations dans la fonction de dcision prcdente sont compliques et coteuses en
temps de calcul. Elles sont contradictoires avec la volont de dveloppement de mthodes
capables de dtecter squentiellement dventuels changements. Brandt [Bra83] a alors propos
une simplification de la mthode prcdente.
2-3-2 Mthode de Brandt
Lalgorithme de Brandt est un moyen simplifi pour limplantation de lalgorithme de maximum

de vraisemblance. Lalgorithme de Brandt est dvelopp pour des signaux modliss par des
modles AR et donc permet la dtection des changements spectraux.
La mthode est fonde sur lutilisation dune distance entre les lois de probabilit conditionnelles
avant et aprs la rupture, directement issue de lcriture du rapport de vraisemblance gnralise
entre les hypothses H0 et H1 . Les modles compars sont alors identifis sur trois fentres:
fentre test, fentre croissante et fentre globale (figure 2.2).
FIG. 2.2 Interprtation de la mthode de Brandt pour la dtection. Cette figure montre les
fentres croissante, globale et test.
Si on suppose que l , l = {0,1} , sont des scalaires qui reprsentent les variances des erreurs de
prdiction, ce test conduit la fonction de dcision suivante:
^2
( 0 /0 ) j H1
g j = ln h (2.27)
^2 ^2
j N
( 1/1 ) ( 0/1 )
N
N longueur de la fentre test.

^2 ^2
0/ 0 est lestime de la variance 02 sous H0 (fentre globale), 0 /1 est lestime de la variance
^2
02 sous H1 (fentre croissante) et 1/1 est lestime de la variance 12 sous H1 (fentre test).
Si cette mthode permet dviter la maximisation en n, elle ne donne pas en revanche une
solution trs satisfaisante du vritable instant de changement. Loptimisation de lestimation de k
doit tre ralise lintrieur de la fentre test. En effet si la dtection a lieu un instant j (fin de
la fentre test), il est lgitime dmettre lhypothse que le vritable instant de changement se
situe lintrieur de la fentre test [j-N+1, j]. Donc ce test de Brandt consiste dtecter la
prsence ou labsence dune rupture dans la fentre danalyse, et ncessite ensuite daffiner
lestimation de linstant de changement lorsquune rupture est dtecte.
2-3-3 Quelques autres mthodes dveloppes pour le cas du changement

spectral
Nous allons prsenter dans ce paragraphe quelques autres algorithmes de dtection de

changement spectral et surtout les algorithmes dvelopps dans le cas des signaux modliss par
un modle AR [Bas92],[Bas93].
2-3-3-1 Mthodes fondes sur lerreur de prdiction dun modle (Blancheur dinnovation)
Dans cette mthode on identifie un modle AR au dbut du signal (dans une premire fentre
d'estimation), puis on filtre les chantillons successifs en calculant lerreur de prdiction
(innovation). Ensuite on calcule une somme cumule sur le carr des erreurs de prdiction pour
dtecter le changement.
On suppose que le signal suit la densit de probabilit conditionnelle f 0 ( xi / xi1,..., x1 ) avant
changement et f 1 ( xi / xi1,..., x1 ) aprs le changement. On considre la statistique suivante:

j
S j = si (2.28)
i =1
avec
si = f 0 ( x / X 1i1 ) ln[ f 0 ( x / X 1i1 )]dx ln[ f 0 ( xi / X 1i 1 )] (2.29)
Dans notre cas dun modle AR dordre p, on dmontre [Bas83a] que :
1 i2
si = ( 1) (2.30)
2 02
et alors :
1 j i2
Sj = ( 1) (2.31)
2 i =1 02
La rgle de dcision est :
g j = S j min S i h (2.32)
1i j
Il a t vu dans [Bas83a], [Bas93] que ce type dalgorithme prsente quelques limitations pour
les raisons suivantes :
- Lidentification du premier modle AR ne se fait quau dbut du signal. On ne tient pas
compte de tous les chantillons disponibles pour identifier le modle
- Cet algorithme na plus la proprit de dtectabilit. En effet il a t dmontr dans [Bas83]
que la moyenne de si est nulle sous lhypothse H0 et quelle nest positive sous lhypothse
H1 que si 1 0 . Lalgorithme nest donc pas capable de dtecter les changements o il y a
une dcroissance dans la variance dinnovation des deux modles AR.
Les algorithmes qui consistent donc identifier un seul modle AR prsentent des limitations. Il
est prfrable dutiliser des algorithmes qui consistent identifier deux modles AR chaque
instant, comme les algorithmes qui vont tre prsents dans la suite.
2-3-3-2 Test de Divergence de Hinkley
La distance entre les lois de probabilit avant et aprs la rupture utilise dans la mthode de
Divergence consiste corriger chaque instant lincrment du rapport de vraisemblance de
lalgorithme CUSUM par son esprance mathmatique sous la loi de probabilit conditionnelle
avant la rupture. La statistique est donc :
f 1 ( xi / X 1i 1 ) f1 ( x / X1i 1 )
si = ln f 0 ( x / X 1i1) ln dx (2.33)
f 0 ( xi / X 1i1 ) f 0 ( x / X 1i1 )
En supposant que le signal analys soit dcrit par une modlisation AR dordre p, et en utilisant
les modles identifis sur les fentres de la figure 2.3, cette statistique scrit analytiquement (cas
de lois gaussiennes):
^ 2 ^ 2
1 i0 1i 0 ( i0 ) 2 0
si = [ 2 2 (1 + 2 ) 2
( 2 1)] (2.34)
2 ^ ^ ^ ^
1 1 0 1
o
i0 est lerreur de prdiction courante sous H0 (fentre de rfrence)
^ 2
0 est lestimation courante de 02 obtenue sous H0 (fentre de rfrence)
1i est lerreur de prdiction courante sous H1 (fentre test)

^ 2
1 est lestimation courante de 12 obtenue sous H1 (fentre test)
FIG. 2.3 Dfinition des fentres destimation dans lalgorithme de Hinkley. Fentre [1..j] :
fentre de rfrence. Fentre [j-N+1..j] : fentre test.
Il a t dmontr dans [Bas83b] que cette statistique a une moyenne nulle sous lhypothse H0 et
positive sous lhypothse H1 .
Daprs [Bas83b], [Voz94] et pour bien estimer l instant de changement, on ajoute chaque
instant la statistique prcdente une drive ngative qui peut tre interprte comme
lamplitude minimale du saut que nous dsirons dtecter, ce qui donne une nouvelle statistique :
~
si = si (2.35)
Pour les chantillons jusqu linstant j, la statistique est :
~ j ~
S j = si (2.36)
i =1
La fonction de dtection est alors :

~ ~ H1
g j = S j min S i h (2.37)
1 i j
La constante doit tre choisie de sorte que :

~
E1 ( si ) > 0
~
(2.38)
E0 ( si ) < 0
Il a t montr dans [Bas83b], [Bas93] que ces algorithmes utilisant lestimation de deux
modles AR sont beaucoup plus performants que les autres algorithmes.
On note en particulier pour cet algorithme quil est utilis dans le traitement de parole [Obr97],
[Obr88a], [Obr88b], et quil y a deux paramtres rgler qui sont le seuil h et lamplitude
minimale .
2-3-4 Somme Cumule Dynamique (DCS)
2-3-4-1 Principe
Soit X = X j = ( x1 ,..., x j ) le vecteur dobservation linstant j. Supposons que la distribution du
processus X dpende dun paramtre . Un changement peut affecter la variance, la distribution

frquentielle du signal ou les deux en mme temps. La mthode de somme cumule dynamique
est une mthode construite pour la dtection des changements dans des signaux dans le cas o les
paramtres de segmentation sont inconnus, et lorsquon veut suivre des changements locaux dans
les signaux.
Cette approche de dtection, appele la Somme Cumule Dynamique (DCS : Dynamic
Cumulative Sum), peut tre considre comme une squence rpte autour du point de
changement k. Elle est fonde sur la somme cumule locale des rapports de vraisemblance entre
deux hypothses locales estimes autour de linstant courant j. Ces deux hypothses dynamiques
H aj ( after j ) et H bj ( before j ) sont estimes en utilisant deux fentres de longueur N

(figure 2.4) avant et aprs linstant j comme suit :
H bj : xi ; i = { j N ,..., j 1} suit une loi de probabilit de densit f 0 (xi )
H aj : xi ; i = { j + 1,..., j + N} suit une loi de probabilit de densit f 1 (xi )
FIG. 2.4 (a) Exemple de signal contenant un seul point de changement k. (b) Evolution de la
somme cumule dynamique autour du point de changement. Axes des abscisses : nombre de
points. Axes des ordonnes : units arbitraires
^ j
Les paramtres de lhypothse H bj , b sont estims partir de N points avant linstant j et les
^ j
paramtres de lhypothse H , a sont estims partir de N points aprs linstant j.
a
j
A linstant j, nous dfinissons DCS comme la somme des logarithmes des rapports de
vraisemblance partir du dbut du signal jusqu linstant j :
j f i^ ( xi ) j ^
DCS ( H aj , H bj ) = ln = s i
a
i
(2.39)
i =1 f ^ ( xi ) i =1
b
^
f i^ ( xi )
a
s i = ln i
, le logarithme du rapport de vraisemblance a un caractre local dans la mesure o
f ^ ( xi )
b
les paramtres des deux hypothses sont r-estims chaque pas dans les deux fentres de N
points autour du point courant j.
Il est t dmontr dans [Kha99b] que la fonction DCS arrive son maximum au temps de
changement k. Un exemple de lvolution de DCS est prsent sur la figure 2.4.
La fonction de dtection utilise pour estimer linstant de changement est exprime par:
[ ( )]
g j = max DCS H ai , H bi DCS H aj , H bj
1 i j
( ) (2.40)
Linstant darrt est:

t a = inf {j : gj h} (2.41)
h tant un seuil fixe.
Le vrai instant de changement est estim par :
k = sup {j>1 : gj = 0} (2.42)
La formulation prcdente est une formulation gnrale de DCS. Dans la suite nous allons
^
exprimer s i dans le cas de signaux modliss par un modle AR.
2-3-4-2 DCS en cas de changement dun modle AR
Dans le cas de signaux modliss par un modle AR dordre p, lexpression des densits de
probabilit conditionnelles sont :
( ib )2

f 0 (xi / xi1,..., xi p ) est estime par f ^ = ( )

^ i
i 1 2 ( b )2
b e (2.43)
î
bj
2 b
(avant linstant courant j)
( ai )2

f 1 (xi / xi1,..., xi p ) est estime par f ^ ( )=

î
i 1 2 ( a ) 2
a e (2.44)
^ i
aj
2 a
(aprs linstant courant j)
b
p ^ î
2
avec = xi +
i
b ka xi k , b
lestime de la variance 02 du premier modle AR, et
k =1
a
p ^ î
2
ai = xi + a k xi k , a

lestime de la variance 12 du second modle AR.
k =1
Lexpression de la somme des logarithmes des rapports de vraisemblance est donc :

î
1 ( a ) 2 ( ai ) 2 ( bi ) 2
j ^ j
DCS ( H , H ) = s i = [ln ^ i + ^ i ^ i ]
a
j
b
j
(2.45)
i =1 i =1 2
( b ) 2 ( a ) 2 ( b ) 2
Lorsquon applique DCS dans le cas dun modle AR, il est utile de dfinir une troisime fentre
qui est utilise pour calculer les innovations (erreurs de prdiction) [Fal00].
Donc les fentres autour de linstant courant i sont:
Wbj : j N p + 1... j p
j
W p : j p + 1... j
j
Wa : j + 1... j + N
La figure 2.5 montre ces trois fentres, autour de linstant j.
FIG. 2.5- Dfinition des fentres pour DCS dans le cas de signaux modliss par un modle AR.
Axe des abscisses : nombre de points. Axe des ordonnes : unit arbitraire.
Lutilisation de cette troisime fentre est importante, car si on applique lalgorithme sans cette
fentre comme dans le cas de changement de variance on risque daugmenter le taux de non
dtection. En effet les mmes donnes sont utilises pour estimer les paramtres AR de la fentre
before et pour calculer linnovation. Lhypothse Hb sera alors privilgie par rapport Ha.
Lintroduction de cette troisime fentre corrige ce dfaut.
La mthode DCS a dmontr son efficacit lorsquelle est applique sur les signaux EMG utrins
[Kha00], et galement sur les signaux musculaires posturaux [Fal01b] [Fal02]. Cette mthode
prsente cependant quelques limitations qui vont tre soulignes dans le paragraphe suivant et
qu'il sera ncessaire de lever en dveloppant une version modifie de l'algorithme.
2-3-4-3 Limitations de la mthode DCS
DCS prsente quelques limitations lies son utilisation dans des configurations spcifiques:
- comme les fentres sont utilises pour estimer localement les paramtres d'hypothse avant et
aprs le temps courant j, le choix de la largeur de fentre a une grande influence sur le
procd de dtection
- la proprit de dtectabilit n'est plus prserve dans l'algorithme DCS, et la dtection

choue quand les deux hypothses sont trs proches (Figure 2.6). En fait la fonction de
dtection se stabilise aprs N points au del du temps de changement sans atteindre le seuil.
Pour dtecter de tels changements on est alors oblig de choisir des petites valeurs de seuil,
mme si l'hypothse H1 aprs changement dure assez longtemps (car la fonction g se
stabilise) ce qui augmente le taux de fausses alarmes. Il est alors lgitime de chercher
corriger lalgorithme pour sassurer de la croissance de la fonction de dtection sous
lhypothse H1 .
FIG. 2.6- Illustration dun changement non dtect par DCS. Axes des abscisses : nombre de
points. Axes des ordonnes : units arbitraires
2-3-5 Somme Cumule Dynamique Modifie (MDCS)
2-3-5-1 Principe
Les limitations de la mthode DCS nous conduisent dfinir un nouvel algorithme qui pallie
ces difficults. Lalgorithme est modifi de deux faons: dune part il faut modifier la taille
des fentres afin dassurer la dtectabilit de lalgorithme, dautre part il faut minimiser les
erreurs destimation en utilisant une technique de seuillage diffrente. Pour cela nous
introduisons une mthode de double seuil.
a) Changement de la taille de la premire fentre
Comme prcdemment lalgorithme est fond sur deux fentres glissantes Wb j et Waj pour
^ j ^ j
estimer les deux paramtres b et a chaque instant j. Comme dans DCS, Waj est de taille
constante N, mais Wb j va maintenant utiliser tous les chantillons de 1 jusqu j -1. Le
premier instant est suppos tre linstant de changement prcdent.
Les deux fentres sont dfinies comme suit :
^ j
W b
j
: 1 ..... j 1 b
^
W j
: j + 1 ..... j + N j
a a
FIG. 2.7- Illustration des fentres destimation dans MDCS.

Nous verrons dans le paragraphe 2-3-5-2 que lutilisation de ces nouvelles fentres, associe
la mthode de double seuillage, nous permet de retrouver la proprit de dtectabilit
perdue dans lalgorithme DCS.
Il est noter que, dans le cas dun modle AR, il est ncessaire dutiliser comme
prcdemment une troisime fentre W pj pour calculer lerreur de prdiction. Les fentres
sont dans ce cas dfinies comme suit :
W b
j
: 1 ..... j p

W a
j
: j + 1 ..... j + N
W j
: j p + 1 ..... j
p
b) Double seuillage
Lun des problmes de DCS est quentre linstant de changement et linstant darrt, la
^ j
fentre Wb j pntre dans lhypothse H1 , ce qui influe sur lestimation de b . Pour rsoudre
ce problme, lide consiste utiliser deux seuils dans la fonction de dtection:
- Le premier seuil est le seuil bas hL. Lorsque la fonction de dtection atteint ce seuil on arrte
^ j
lestimation de b , et ce tant que la fonction de dtection reste au dessus du seuil hL.
- Le second seuil est le seuil haut hH, qui est le seuil de dtection. Lorsque la fonction de
dtection atteint ce seuil on arrte la dtection, et on estime le vrai temps darrt par la
formule (2.48), donne ci aprs.
Lorganigramme de lalgorithme est prsent sur la figure 2.8.

FIG. 2.8- Organigramme de lalgorithme MDCS Cas gnral

Lexpression de MDCS est :
j f î ( xi / xi1,..., x1 ) j ^
MDCS ( H , H ) = ln = s i
j j a
a b i
(2.46)
i =1 f ^ ( xi / xi1,..., x1 ) i =1
b
La fonction de dtection utilise pour estimer le temps de changement est exprime par:
[ ( )]
g ( j ) = max MDCS H ai , H bi MDCS H aj , H bj
1i j
( ) (2.47)
Linstant darrt est:

t a = inf {j :g(j) > hH} (2.48)
hH tant le seuil haut.
Le vrai instant de changement est estim par :
k = sup {j : g(j) = 0} (2.49)

Dans le cas dun modle AR lexpression de MDCS devient:
^ i
j ^
( a ) 2 ( ai ) 2 ( bi ) 2
j
MDCS ( H , H ) = s i = [ln ^ i + ^ i ^ i ]
j j 1
a b (2.50)
i =1 i =1 2
( b ) 2 ( a ) 2 ( b ) 2
^ i
b : Estimation de lcart type de linnovation du modle AR before
bi : Erreur de prdiction linstant i calcule par les paramtres AR du modle before
^ i
a : Estimation de lcart type de linnovation du modle AR after
ai : Erreur de prdiction linstant i calcule par les paramtres AR du modle after
2-3-5-2 Proprit de dtectabilit du nouvel algorithme [Fal01d]

^
Sous lhypothse H0 , et lorsque j tend vers infini E 0 [ s j ] est ngatif. En effet lorsque j tend
^ j ^ j
vers l'infini, b 0 , et a est un estimateur moins efficace de 0 , donc lesprance
f ^j ( xi / xi1,..., x1 )
a
mathmatique de ln j
est ngative
f ( xi / xi1 ,..., x1 )
0
^
f ^j ( xi / xi 1 ,..., x1)
a
soit E 0 [ s j ] = E 0 [ ln j
]<0.
f ^ ( xi / xi1 ,..., x1 )
b
Sous lhypothse H1 et lorsque la fonction de dtection atteint la valeur de seuil bas hL, on
^ j ^ j ^ ^ j
arrte lestimation de b . On a donc un estimateur b = 0 . Pour lestimation de a on a
^ j ^
f ^j ( xi / xi1,..., x1 )
1
a = 1 . On a alors lesprance mathmatique de ln j
positive, car
f ^ ( xi / xi 1 ,..., x1 )
0
^ ^ ^
f î ( x j / x j 1 ,..., x1 )
a
lestimateur 1 estime mieux 1 que 0 , soit E1 [ s i ] = E1 [ln i
]>0.
f ^ ( x j / x j 1 ,..., x1)
b
Le figure 2.9 illustre cette proprit de dtectabilit :
FIG. 2.9- Evolution de DCS et MDCS autour du point de changement (k=10000). (a) Signal
(b) Evolution de DCS (c) Evolution de MDCS. Axes des abscisses : nombre de points. Axes
des ordonnes : units arbitraires
Dans cet exemple, un changement de variance de 1 2 est introduit dans le signal au point
10000. Le trac (b)correspond lvolution de DCS, o aucun maximum nest observ
autour du point de changement, alors que le trac (c), correspondant lvolution de MDCS,
montre que la proprit de dtectabilit est nouveau vrifie, permettant une dtection de
changement au point 10000.
Cette proprit est trs importante, car elle lve la premire limitation de DCS, et elle garantit
que la fonction de dtection augmente indfiniment sous lhypothse H1 .
Comparaison entre DCS et MDCS
Les deux mthodes ont t testes en utilisant 1000 segments de bruit blanc, avec un
changement de variance de 1 2. La comparaison est effectue partir des courbes COR
obtenues pour chacune des mthodes.
FIG. 2.10- Comparaison entre DCS et MDCS par courbe COR sur des signaux simuls. Axe
des abscisses : Probabilit de fausse alarme. Axe des ordonnes : Probabilit de dtection.
Cette comparaison (figure 2.10) dmontre que pour une mme probabilit de fausse alarme,
la probabilit de dtection est bien suprieure pour MDCS que pour la mthode antrieure
DCS.
2-4 Conclusion
Dans ce chapitre nous avons prsent quelques algorithmes de segmentation et surtout les
algorithmes fonds sur la modlisation AR pour dtecter les changements spectraux dans les
signaux. Nous avons prsent lalgorithme de somme cumule dynamique qui a t
dvelopp auparavant pour la segmentation des signaux EMG utrin, et nous avons mis en
uvre un nouvel algorithme qui corrige les inconvnients de lalgorithme DCS.
Les premiers rsultats sur segments simuls sont trs encourageants, alors mme que ni le
choix du modle, ni la dtermination des seuils sur la fonction de dtection nont t encore
optimiss.
Le chapitre suivant revient sur le choix du modle paramtrique le mieux adapt aux signaux
lectromyographiques, ainsi que sur les mthodes destimation mises en uvre. Il dcrit
galement une mthode originale et automatique de dtermination des seuils fonde sur la
fonction de rpartition de linformation de KullbackLeibler. Des tests de performance
seront enfin appliqus sur la base de signaux synthtiques.
MDCS et choix des paramtres 47
Chapitre 3
MDCS et choix des paramtres
3-1 Introduction
Toute mthode de dtection de type paramtrique ncessite une adaptation des paramtres en
fonction du signal. Dans ce chapitre nous discutons les choix des modles pour la reprsentation
des signaux EMG (et leurs mthodes destimation), le choix de lordre du modle et linfluence
de ce choix dordre sur la performance de lalgorithme de dtection. Nous dmontrons
galement lintrt dune formulation rcursive pour lestimation des modles AR au vu du
temps de calcul important ncessaire pour le traitement des signaux EMG de longue dure.
Une des parties originales de ce chapitre est la mthode du choix automatique des seuils qui
permet de rgler ces seuils en calculant la distribution de linformation de Kullback-Leibler dans
le signal. Nous verrons que cette information est lie directement au choix du seuil dans un
algorithme de type CUSUM (et donc utilisable galement dans lalgorithme MDCS), et quil est
possible, connaissant la distribution de cette information, de calculer automatiquement les seuils.
3-2 Choix du modle de reprsentation des signaux dans

lalgorithme de dtection
La modlisation dun signal EMG par un processus alatoire est frquemment utilise par les
chercheurs [Inb84], [Duc93], [Mer99a]. Dans ce paragraphe nous allons comparer lutilisation de
modles AR et ARMA pour la modlisation des signaux alatoires stationnaires rels du type
EMG.
48 MDCS et choix des paramtres
3-2-1 Le modle ARMA
La modlisation dun signal x(n) consiste lui associer un filtre linaire qui, soumis un bruit
blanc gaussien de moyenne nulle et de variance 2 , reproduit ce signal le plus fidlement
possible [Boi00].
Les objectifs essentiels de la modlisation dun signal sont:

- la description de son spectre par un ensemble trs limit de paramtres [Kay88], [Mar87],
[Orf90].
- lutilisation des paramtres pour dtecter des non stationnarits dans un signal [Obr88b]
[Bas93], [Fal00], [Fal01a] , [Kha01].
- lutilisation des paramtres pour les problmes de classification [Bas89]
Le modle le plus gnral dun signal stationnaire correspond le considrer comme un signal
B( z )
gnr par un filtre H ( z ) = excit par un bruit blanc gaussien de moyenne nulle et de
A( z )
variance 2 , avec :
q
B( z ) = bn .z n
n =0
(3.1)
p
A( z ) = an .z n ; a0 = 1
n= 0
Lquation aux diffrences relative un tel filtre est la suivante :

p q
xi = a n. xi n + bn . i n + i (3.2)
n =1 n =0
Le processus dcrit par ce modle sappelle un processus ARMA (p, q).
Dans le cas o A(z)=1, alors :

q
xi = bn . i n + i (3.3)
n= 0
et le processus sappelle processus MA(q) (processus Moving Average dordre q).

Dans lautre cas, o B(z)=1, alors :
p
xi = a n. xi n + i (3.4)
n =1
et le processus sappelle processus AR(p) (processus autorgressif dordre p).

Plusieurs mthodes existent dans la littrature pour le calcul des paramtres des diffrents
modles [Kay88], [Mar87], [Orf90]. Le choix entre ces modles dpend en pratique du processus
physique qui gnre ce signal [Mar87]. Aussi ce choix dpend des applications pour lesquelles
on doit utiliser le modle. Par exemple, dans le cas de la dtection de non stationnarits, il nest
pas ncessaire de choisir le modle exact du processus (si tant est quil existe). On peut se
contenter dun modle proche sil traduit bien les changements lorsquil est utilis dans un
algorithme de dtection. Dans le cas de la dtection, il est possible de choisir des modles (et des
mthodes associes dextraction des paramtres) qui simplifient lalgorithme pour minimiser le
temps de calcul mais qui ne doivent pas tre trop loigns du processus rel pour que la dtection
des changements seffectue correctement. Ainsi un modle bien adapt lestimation spectrale
nest pas ncessairement le meilleur modle pour rsoudre le problme de segmentation (dans la
segmentation on peut choisir des modles simplifis [Bas93] afin de rduire les temps de calcul).
Dans le problme destimation spectrale, lessentiel est de choisir un modle haute rsolution
spectrale, alors que, dans le cas de la dtection, le problme est de choisir un modle qui reflte
bien les non stationnarits, et qui soit bien adapt lextraction de paramtres pour une
exploitation ultrieure des segments.
Lestimation des paramtres dun modle ARMA consiste tout dabord estimer les coefficients
AR de ce modle, puis en estimer la partie MA.
La partie AR du modle ARMA est relie au coefficient dautocorrlation par lquation
matricielle :
Rxx (q ) Rxx ( q 1) ............Rxx ( q p + 1) a1 Rxx ( q + 1)

Rxx (q + 1) ................................Rxx (q p + 2) a 2 Rxx ( q + 2)
. . .
= (3.5)
. . .

.
. .
R (q + p + 1) R ( q + p 2) .....R (q ) a R ( q + p)
xx xx xx p xx
La rsolution de ce systme permet dobtenir la partie AR dun processus ARMA. On note que
ces quations sappellent quations de Yule-Walker modifies [Mar87]. Ces quations sont
videmment des quations linaires. De plus la matrice dautocorrlation a une structure de
Toeplitz, ce qui permet de rsoudre ces quations par des algorithmes plus efficaces que les
algorithmes classiques [Mar87].
Les quations qui relient les coefficients MA aux squences dautocorrlation sont :
0 m>q
p
Rxx ( m) = 2 bn .bn m 0mq (3.6)
n =1
Rxx ( m) m<0
Le caractre non linaire de ce systme dquations rend sa rsolution particulirement

complexe. Ces modles complets ARMA sont utiliss entre autres en reconnaissance de la parole
[Tur96] , et parfois dans le domaine de lEMG [Cas99].
Cependant, pour lanalyse du signal EMG, il a t montr quil tait quivalent de modliser ce
signal par un modle ARMA ou par un modle AR dordre plus lev. Compte tenu de la
complexit des mthodes de rsolution et des contraintes de temps de calcul sur des signaux
longs, nous avons dcid dapprofondir les solutions base de modlisation AR.
3-2-2 Modle AR
3-2-2-1 Les mthodes destimation des paramtres AR
Dans ce paragraphe nous prsentons de faon rsume les mthodes les plus connues
destimation des paramtres AR. Lestimation de ces paramtres est la base de lalgorithme de
dtection MDCS En labsence de la connaissance du modle vrai des signaux, le choix de la
mthode destimation influe sur lalgorithme de dtection lui- mme, ce qui nous conduit en
faire une comparaison afin de choisir la plus pertinente vis vis de la dtection des changements
dans les signaux EMG.
a) Mthode de Yule-Walker
La mthode de Yule-Walker (dite aussi mthode dautocorrlation) repose sur le remplacement

de la minimisation statistique de lerreur de prdiction par une minimisation de cette erreur sur
lensemble des donnes x0 , ., xN-1 . Il sagit donc de minimiser la somme :
N + p 1 2 N + p 1 p
pf (n ) = ( x( n) + a k .x( n k )) 2 (3.7)
n =0 n= 0 k =1
Ceci conduit lquation matricielle suivante [Kay83] :

^ ^ ^

R xx ( 0) R xx (1)........... R xx ( p) 1 ^
2
^ ^
R xx (1) R xx ( 0) .... ...... R xx ( p 1) a1 0
^ ^

.
. = . (3.8)
. . .
^ ^
R xx ( p) R xx ( p 1).... R xx ( 0) a 0
^ ^
p

avec
^ 1 N 1k
R xx (k ) = x (n ).x ( n + k ) ; k = 0,1,...p (3.9)
N n=0
La mthode consiste donc remplacer la matrice de corrlation dans lquation de Yule-Walker
normale par son estimateur biais [Kay83]. La matrice reste une matrice de Teoplitz dfinie
positive et lalgorithme de Levinson peut ainsi sappliquer pour la rsolution du systme
dquations linaires. Une discussion sur lefficacit de cette mthode sera propose par la suite.
b) Mthode de Burg
Lide de Burg [Kay83] fut de calculer directement partir des donnes une estime des
coefficients de rflexion et ce, sans passer par le calcul des covariances.
On peut calculer les coefficients de rflexion dune faon rcursive sur lordre, puis calculer les
paramtres AR par la relation de Levinson :
K^ = ( p1R^ ( p i ). a^ (i )) / ^
p i =0
p 1 p 1
^
a p ( 0) = 1
^
^ ^ ^
a p ( n ) = a p 1 ( n ) + K p . a p 1 ( p n); n = 2,..., p 1 (3.10)
^ ^
a p ( n) = K p

^ ^ ^ 2

p = p 1 (1 K p )

Dans lalgorithme de Burg on part de lexpression de lerreur de prdiction avant au rang p :
^ f p ^
p (i ) = a p (n ).x (i n) (3.11)
n =0
et de lerreur de prdiction rtrograde :

^b p ^
p (i ) = a p ( p n ).x (i n) (3.12)
n= 0
Pour trouver un estimateur de KP , Burg propose de minimiser, par rapport KP , la somme des
1 ^f ^b
erreurs de prdiction avant et rtrograde ( p + p ) avec :
2
2
^ f 1 N 1 ^ f
p = . p ( n)
N p n =p
(3.13)
2
^b 1 N 1 p ^ b
p = . p ( n)
N p n=0
La minimisation de ce terme par rapport au coefficient de rflexion donne [Kay83], [Kun91]:
f ^b
N 1 ^
^ 2 p 1 ( n). p1( n)
n =p
KP = (3.14)
N 1 ^ f ^b
(( p 1 ( n)) + ( p1 (n )) )
2 2
n= p
donc on peut calculer les coefficients de rflexion dune manire rcursive sur lordre. En mme
temps on peut calculer les paramtres AR en utilisant (3.10) et en connaissant la relation :
^ f ^ f ^ ^b
p (n ) = p 1 ( n 1) + K p . p ( n 1)
(3.15)
^b ^b ^ ^ f
p ( n) = p1 (n 1) + K p . p ( n 1)
Une proprit de lalgorithme de Burg est de garantir que les estimes des coefficients de
rflexion sont de module infrieur 1.
En rsum lalgorithme de Burg scrit dune faon algorithmique comme suit :
^
1 N 1
R xx (0) = . ( x( n)) 2
N n= 0
^ ^
0 = R xx ( 0)
^ f
0 ( n) = x ( n), n = 1, 2,..., N 1
^ b
0 ( n) = x (n ), n = 1,2,..., N 1
Pour k = 1,..., p
N 1 ^ f ^b
^
2 k 1 (n ). k 1 ( n)
*Kk = N 1
n= k
^ f ^b
(( k 1 (n )) + ( k 1(n)) )
2 2
n =k
^ ^ ^
* k = (1 K k ). k 1
2
^ ^ ^
^
a k 1 (i ) + K k . a k 1( k i ), pour i = 1,2,..., k - 1
* a k (i ) = ^
K k , pour i = k
^ f ^ f ^ ^b
* k (n ) = k 1 ( n 1) + K k . k ( n 1) , pour n = k + 1, k + 2,..., N - 1 (3.16)
^ b ^b ^ ^ f
* k ( n) = k 1 (n 1) + K k . k ( n 1) , pour n = k , k + 1,..., N - 2
c) Mthode de Covariance
La mthode de Yule-Walker minimise lerreur de prdiction sur lensemble des donnes x(n), ce
qui oblige complter la squence par des zros au dbut et la fin des donnes.
Dans la mthode de covariance on fait la minimisation uniquement sur les donnes. Il faut donc
minimiser :
N + P 1 2 N + P 1 P
Pf ( n) = ( x (n ) + ak .x (n k )) 2 (3.17)
n =0 n =0 k =1
On arrive alors aux quations [Kay83] :

^
C xx (1,1) Cxx (1,2)...........Cxx (1, p ) a1 Cxx (1,0)
^
C xx ( 2,1) Cxx ( 2,2)...........Cxx (2, p ) a2 Cxx ( 2,0)
. = . (3.18)
.
. . .
^
C xx ( p,1) C xx ( p,2)...........Cxx ( p , p) Cxx ( p,0)
ap
et la variance de bruit dentre est :
^2 N 1 2 P ^
= min( Pf (n )) = Cxx (0,0) + a( k ).Cxx (0, k ) (3.19)
n =P k =1
avec
1 N 1
C xx ( j , k ) = x( n j ).x (n k ); 0 j p et 0 k p (3.20)
N p n= p
On note que la matrice de covariance nest pas de Toeplitz et que lalgorithme de Levinson ne
peut pas tre utilis pour la rsolution du systme linaire. La matrice est par contre symtrique
dfinie positive, donc lalgorithme de Cholesky peut tre utilis pour la rsolution du systme
[Mar87].
On note aussi que le systme calcul par la mthode de covariance ne garantit pas la stabilit
[Kay88]. Cependant cette instabilit partielle est rarement rencontre en pratique [Kun91]. Il est
donc possible dutiliser cet algorithme pour lestimation des paramtres AR dans le problme de
dtection pos dans le cadre de ce travail.
d) Mthode de Covariance modifie
Cette mthode utilise la mme dmarche que prcdemment mais en minimisant cette fois la
somme des erreurs de prdiction avant et arrire.
On minimise donc la somme :
N 1 N 1 p
f2 b2
p ( n) + p ( n) (3.21)
n= p n= 0
On arrive aux mmes formes dquations que pour la mthode de covariance mais avec :
1 N 1 N 1 p
C xx ( j , k ) = ( x( n j ).x (n k ) + x( n + i ). x( n + p)) (3.22)
2.( N p) n= p n= 0
3-2-2-2 Probl me de rcursivit
Lestimation chaque instant des paramtres AR pour les deux modles before et after
dans la mthode MDCS rend inenvisageable lutilisation de mthodes non rcursives la
segmentation des signaux EMG de longue dure.
Il faut donc chercher rendre rcursives le plus possible les mthodes destimation AR, et ceci
pour les deux fentres before et after .
La diffrence entre les deux cas est que dans le premier la fentre saccrot chaque instant dun
point, alors que la deuxime fentre est une fentre mobile de taille fixe N ( chaque pas un point
sort de la fentre et un autre y rentre).
Dans la littrature des algorithmes rcursifs de type LMS et RLS [Mar87] sont dcrits pour la
premire fentre. Ces algorithmes sont cependant lourds utiliser car leur principe repose sur
une mthode itrative pour laquelle se posent des problmes de choix des conditions initiales et
des paramtres de convergence.
En gnral, pour les algorithmes destimation AR (dans les cas de Yule-Walker, de covariance et
de covariance modifie), le temps de calcul le plus important concerne le calcul
dautocorrlation ou de covariance, et non linversion de matrices dautocorrlation ou de
covariance (car ce sont des matrices dordre p gnralement faible). Il est donc utile de
rechercher la rcursivit essentiellement pour les calculs dautocorrlation et de covariance.
Pour lalgorithme de Burg, il est trs difficile davoir une rcursivit sur les chantillons (car le
principe mme de lalgorithme utilise tous les chantillons disponibles).
Pour lalgorithme de Yule-Walker, on peut voir facilement que pour la fentre allant de 1 j - p :
^ ( j) 1 j p k
R xx ( k ) = x (n ).x (n + k ) (3.23)
j p n=1
alors :
^ ( j) ^ ( j 1)
( j p ). R xx (k ) = ( j p 1). R xx ( k ) + x( j p k ). x( j p ) (3.24)
et donc :
^ ( j) j p 1 ^ ( j1) 1
R xx ( k ) = R xx (k ) + x( j p k ). x( j p ) (3.25)
j p jp
Pour la deuxime fentre de j+1 j+N :

^ ( j)
1 j +N
R xx ( k ) = x (n ).x (n + k ) (3.26)
N n = j +1
donc linstant j+1 on a :
^ ( j +1)
1 j + N +1
R xx ( k ) = x( n). x( n + k ) =
N n = j +2
(3.27)
^ ( j)
1
R xx ( k ) + [ x( j + N + 1). x( j + N + 1 + k ) x( j + 1).x ( j + 1 + k )]
N
On peut faire le mme calcul pour les covariances dans les deux algorithmes de covariance et de
covariance modifie.
On voit donc quil est ais rendre rcursifs (plus prcisment semi-rcursifs) les trois algorithmes
(Yule-Walker, covariance et covariance modifie) destimation AR ncessaires lalgorithme
MDCS, de faon rduire notablement le temps de calcul.
3-2-2-3 Choix de la mthode destimation
Le choix de la mthode destimation est un point trs important, li lutilisation ultrieure des
paramtres estims. La comparaison entre les mthodes va tre faite ici sur la base des
performances obtenues par lalgorithme de dtection associ aux modles AR estims. Les
rsultats sont fo nds sur une tude en simulation.
Lide est de remplacer, dans lalgorithme CUSUM, les vraies valeurs des paramtres par les
estimations de ces paramtres obtenues selon les diffrentes mthodes, et de voir comment
volue la fonction de dtection de lalgorithme CUSUM. Les rsultats obtenus seront
videmment directement transposables lalgorithme MDCS puisque la base de cet algorithme
repose sur lalgorithme CUSUM.
On verra (voir 3-3-3) que lesprance de si sous lhypothse H1 est telle que
E1 [ si ] = K ( 1 , 0 ) . Donc, aprs un temps , la fonction de dtection g de lalgorithme CUSUM
1
est telle que .E [ g ( )] K ( 1, 0 ) . La simulation consiste alors gnrer les signaux suivant
1
deux processus AR diffrents et observer lvolution de la fonction de dtection dune part
quand on utilise les vrais paramtres dans lalgorithme CUSUM, dautre part lorsquon remplace
ces paramtres par leurs estims suivant les diffrentes mthodes. On calculera galement la
moyenne de la fonction de dtection sous lhypothse H1 pour voir dans quel cas elle fournit une
bonne approximation de la vraie valeur de linformation de Kullback- Leibler.
a) signaux de simulation
La simulation a consist gnrer 100 segments (50 pour le modle AR0 , 50 pour le modle
AR1 ). Chaque segment correspond aux 1000 derniers points dun signal de 100000 chantillons
afin dviter les effets transitoires des filtres AR. Dans chaque cas on estime le modle sur des
fentres de N=50, N=100, N=200 points.
- On a considr dabord deux modles dordre 4 qui correspondent au cas de processus de

type filtre large bande :
z1 = 0.2 e 2. . j .0.1 et z1* = 0.2 e 2. . j. 0. 1

Le modle 0 de ples
z 2 = 0.2 e 2. . j. 0. 2 et z1* = 0.2 e 2. . j.0.2
et de variance 1
z1 = 0.2 e 2. . j .0.1 et z1* = 0.2 e 2. . j. 0. 1

Le modle 1 de ples
z 2 = 0.2 e 2. . j. 0. 3 et z1* = 0.2 e 2. . j.0.3
et de variance 25.
Linformation de Kullback calcule par la formule (A.9) (voir Annexe A) entre ces deux
modles est 11.1667 (en prenant un dveloppement de Taylor jusqu lordre 8).
- On a ensuite considr des modles dordre 4 qui correspondent au cas de processus de type
filtre bande troite :
z1 = 0.9 e 2. . j .0.1 et z1* = 0.9 e 2. . j. 0. 1

Le modle 0 de ples
z 2 = 0.9 e 2. . j. 0. 2 et z1* = 0.9 e 2. . j.0.2
et de variance 1
z = 0.9 e 2. . j .0.1 et z1* = 0.9 e 2. . j. 0. 1

Le modle 1 de ples 1
z 2 = 0.9 e 2. . j. 0. 3 et z1* = 0.9 e 2. . j.0.3
et de variance 25.
Linformation de Kullback entre ces deux modles est 59.3304.

b) Rsultats pour une taille de fentre N=50, N=100, N=200

* Modle large bande :
Vrais paramtres Yule-Walker Burg Covariance Covariance

modifie
N=50 11.2247 12.6515 13.0474 13.0632 13.1663
N=100 11.2010 11.8735 12.0164 12.1250 12.0570
N=200 11.1675 12.0177 12.0897 12.1037 12.1081
TAB 3.1 Valeur de linformation de Kullback moyenne atteinte par la fonction de dtection
dans lalgorithme CUSUM en utilisant les vrais paramtres, puis les paramtres estims par les
4 mthodes destimation pour N=50, 100, 200. Cas de filtre large bande

modifie
N=50
N=100
N=200
TAB 3.2 Evaluation de la fonction de dtection dans lalgorithme CUSUM en utilisant les
vrais paramtres, et les paramtres estims par les 4 mthodes destimation pour N=50, 100,
200. (Le test est rpt 50 fois)- Cas de filtrage large bande. Axes des abscisses : nombre de
points. Axes des ordonnes : valeur de la somme cumule.
* Modle bande troite :

modifie
N=50 59.4971 17.2959 66.3770 67.3656 67.2048
N=100 58.2348 25.2346 59.3955 59.7967 59.6822
N=200 60.7165 32.4117 62.2914 62.5464 62.4749
TAB 3.3 Valeur de linformation de Kullback moyenne atteinte par la fonction de dtection
dans lalgorithme CUSUM en utilisant les vrais paramtres, et les paramtres estimes par les 4
mthodes destimation pour N=50, 100, 200- Cas de filtrage bande troite.

modifie
N=50
N=100
N=200
TAB 3.4 Evaluation de la fonction de dtection dans lalgorithme CUSUM en utilisant les
vrais paramtres, et les paramtres estims par les 4 mthodes destimation pour N=50, 100,
200. (Le test est rpt 50 fois) - Cas de filtrage bande troite. Axes des abscisses : nombre de
points. Axes des ordonnes : valeur de la somme cumule.
On voit dans le cas du modle large bande (tableau 3.1) que, lorsquon utilise les vrais
paramtres, alors la valeur de linformation de Kullback estime partir de la fonction de
dtection est trs proche de la valeur relle. Il en est de mme dans le cas dutilisation des
valeurs estimes par les 4 mthodes et pour les diffrentes valeurs de N.
Sur les figures du tableau 3.2 les faisceaux des fonctions de dtection sont videmment plus
serrs dans le cas des vrais paramtres. De mme, dans le cas des paramtres estims, ces
courbes deviennent naturellement de plus en plus serres lorsque N augmente.
Dans le cas du modle bande troite (tableau 3.3), on remarque que la valeur estime de
linformation de Kullback est loigne de la valeur relle dans le cas de la mthode de Yule-
Walker, bien quelle se rapproche de la valeur relle lorsque N augmente. Pour les trois autres
mthodes on voit que lapproximation est bonne, ces mthodes donnant peu prs les mmes
rsultats.
Les figures du tableau 3.4 montrent bien la dispersion plus grande de la fonction de dtection
dans le cas de la mthode de Yule-Walker.
La conclusion que lon peut tirer de cette tude de simulation est que toutes les mthodes
peuvent tre utilises dans le cas de processus AR de type filtre large bande , mais que dans le
cas de filtre bande troite la mthode de Yule-Walker (probablement du fait quelle utilise
une procdure daddition de zros sur les donnes) donne de moins bons rsultats et fournit des
valeurs plus faibles pour la fonction de dtection, ce qui oblige choisir des seuils plus bas, donc
aboutir davantage de fausses alarmes. Cest pour cela que dans le cas gnral de
segmentation il est lgitime dliminer cette mthode pour un algorithme de segmentation de
type CUSUM.
En tenant compte des remarques sur la rcursivit, le choix final sest port sur la mthode de
covariance car la rcursivit est simple mettre en oeuvre et le temps de calcul est plus faible
que pour la mthode de covariance modifie alors quelle aboutit au mme rsultat vis vis du
problme de dtection de changement.
3-2-2-4 Choix de lordre du modle
a) Les mthodes de choix de lordre
Dans le cas de signaux rels, et lorsquils sont modliss par un modle AR, lordre du modle
nest pas connu a priori. Plusieurs critres peuvent tre utiliss pour la slection de lordre, ces
critres tant principalement fonds sur lvolution de lerreur de prdiction [Kay88], [Mar87].
Deux critres sont proposs par Akaike. Le premier est lerreur de prdiction finale (FPE)
[Mar87]. Lerreur de prdiction finale est dfinie pour un processus AR par :
^ N + ( p + 1)
FPE( p ) = p ( ) (3.28)
N ( p + 1)
^
avec N le nombre dchantillons, p lordre du modle, et p lestime de la variance du bruit
blanc lordre p. Lordre choisi est celui qui rend la fonction FPE minimale.
Le deuxime est le critre AIC (Akaike Information Criterion) [Aka74]. La fonction AIC pour
un processus AR est donne par :
^
AIC ( p ) = N . ln( p ) + 2. p (3.29)
Comme prcdemment lordre choisi est celui qui minimise la fonction AIC.
Les deux critres sont quivalents asymptotiquement [Mar87], mais le critre AIC est plus
performant pour les faibles chantillons [Kay83]. En fait ces critres ne peuvent tre utiliss
systmatiquement sans prcaution dans la pratique, mais ils servent de premire approche pour le
choix de lordre [Mar87]. On note que dans le cas des signaux EMG, le bruit peut tre important
et ces critres de slection de lordre ne sont plus utilisables dans de bonnes conditions [Kay88],
[Kor99].
b) Effet dun ordre suprieur lordre rel
Considrons le cas dun changement dun modle AR0 dordre p un modle AR1 dordre q. On
suppose que p < q.
Si le processus sous-jacent est effectivement un processus AR dordre p, alors lquivalent

dordre q du modle AR dordre p de paramtre :
0 = (a10 , a 02 ,..., a 0p , 20 ) est le modle dordre q de paramtre :

0 = (a10 , a 02 ,..., a 0p , a 0p+1 = 0,..., a 0q = 0, 20 ) .
Le logarithme du rapport de vraisemblance entre les deux modles est :

f 1 ( xi / xi1,...., x1 ) f 1 ( xi / xi1,...., xi q )
si = ln = ln
f 0 ( xi / xi 1 ,...., x1) f 0 ( xi / xi1,...., xi p )
(3.30)
f1 ( xi / xi1 ,...., xi q )
1 2 ( 0 ) 2 ( 1) 2
= ln = [ ln 02 + i 2 i 2 ]
f 0 ( xi / xi1,...., xi q ) 2 1 0 1
avec :
q
i0 = xi + a 0k .xi k ; a 0p+1 = ... = aq0 = 0 (3.31)
k =1
q
1i = xi + a1k .xi k (3.32)
k =1
Il est clair que lalgorithme de dtection doit tre appliqu en utilisant comme modlisation AR
lordre le plus lev rencontr dans les diffrents segments du signal.
Pour illustrer le fait que la dtectabilit se conserve en prenant comme modle le modle dordre
le plus grand, prenons les deux modles suivants :
0 = (a10 = 0.1000, 02 = 1)
de coefficient de rflexion K1 =0.1 et de variance 1
1 = ( a11 = 0.14, a12 = 0.4000, 12 = 1)
de coefficients de rflexion K1 =0.1, K2 = 0.4 et de variance 1, deux modles peu diffrents.
Construisons ensuite 50 ralisations dun signal dont les premier 1000 points sont gnrs par le
premier processus et les 1000 points suivants par le second processus.
On estime alors les deux modles par la mthode de covariance (mthode retenue au paragraphe
prcdent ) en utilisant lordre 2 comme ordre pour lestimation. En utilisant ces valeurs
estimes, lvolution de la somme cumule est prsente sur la figure 3.1.
FIG. 3.1 Evaluation de la somme cumule pour des modles estims en utilisant lordre le plus
grand. Axe des abscisses : nombre de points. Axe des ordonnes : valeur de la somme cumule.
On voit bien sur cette figure que lestimation des deux modles en utilisant lordre le plus lev
prserve la dtectabilit.
c) Effet dun ordre infrieur lordre rel
On considre prsent deux processus AR0 (p) et AR1 (p). Lobjet de ce paragraphe est dtudier
le comportement de lalgorithme de dtection en modlisant les deux processus par un modle
dordre q cette fois infrieur lordre rel p.
La relation entre AR0 (q) et AR0 (p) dune part et AR1 (q) et AR1 (p) dautre part est obtenue
facilement par lquation de Levinson inverse (voir Annexe B).
Lintrt de cette tude est que, dans le cas pratique, lordre du modle nest pas connu. Il faut
alors voir comment la fonction de dtection se comporte si les processus sont modliss par des
modles dont lordre est infrieur lordre rel.
On sait que lors dun changement dun processus A 0p ( z) vers un processus A1p ( z) , les
expressions de lesprance avant et aprs le changement sont :
1 02 02
E 0 [ s ] = [1 + ln 2 2 (1 + ( c1k / 0 ) 2 )]
2 1 1 k =1
(3.33)
1 12 12
E1 [ s] = [1 ln 2 2 (1 + ( c0k /1 ) 2 )]
2 0 0 k =1
Quand on remplace ces deux polynmes par leur quivalent dordre q A 0q ( z) et A1q ( z) ,
lexpression du logarithme du rapport de vraisemblance devient :
1 0'2 ( k'0 ) 2 ( 'k1) 2

s = [ ln '2 + ' 2 '2 ] (3.34)
2 1 0 1
Lexpression de lesprance avant le changement est :
1 '2 E[( k'0 ) 2 ] E[( k'1) 2 ]

E 0 [ s ] = [ ln 0'2 + ] (3.35)
2 1 0'2 1'2
On a :
2
E[( 'k0 ) 2 ] = '0 (3.36)

'2
'1 2
E[( k ) ] = 0 .(1 + (c'k1 / 0 )2 ) (3.37)
k =1
et comme on a :
A 1q ( z)
=1+ c 'k1/0 .z k (3.38)
A 0q ( z) k=1
alors :
1 '2 ' 2
E 0 [ s ] = [1 + ln '02 0'2 (1 + ( ck'1/0 ) 2 )] (3.39)
2 1 1 k =1
La mme dmarche donne :
1 '2 '2
E1 ( s) = [ 1 ln 1'2 1'2 (1 + (ck'0 /1 ) 2 )] (3.40)
2 0 0 k =1
On voit ici quil y a une diffrence dans lexpression des esprances mathmatiques lorsquon
utilise un modle dordre plus petit. On va voir que cette diffrence correspond gnralement
des esprances mathmatiques plus faibles que les esprances mathmatiques relles (et donc
des rsultats de dtection moins performants, car on est oblig dutiliser des seuils plus bas). Il
est mme possible daboutir des cas o ces esprances mathmatiques sont nulles, donc une
impossibilit de dtection.
Pour cela, illustrons ltude prcdente au cas dordre 1. Prenons un changement de
0 = ( a10 , 02 ) 1 = (a11, 12 ) .
On a alors :
A1( z) 1 + a11.z 1
1 / 0 k
= = 1 + c k .z (3.41)
A 0 ( z ) 1 + a1 .z
0 1
k =1
On peut voir facilement et par divisions successives de ces deux polynmes que :
c1k/ 0 = ( 1) k1.( a10 ) k 1 .(a 11 a 10 ) et donc :
( a11 a 10 ) 2
1+ ( c1k/ 0 ) 2 = 1 + ( a 11 a 1 ) . (a 10 ) 2.( k 1)
0 2
=1+ .
k=1 k =1 1 ( a 10 ) 2
ce qui donne :
1 02 02 (a11 a10 )2
E0 [ s] = .[1 + ln 2 2 .(1 + )] (3.42)
2 1 1 1 (a10 )2
De mme on a :
1 2 2 ( a1 a 0 ) 2
E1 [ s] = .[ 1 ln 12 + 12 .(1 + 1 11 2 )] (3.43)
2 0 0 1 ( a1 )
Lapproximation lordre 0 du processus dordre 1 A( z ) = 1 + a.z 1 de variance 2 est le
2
modle dordre 0 avec A ( z ) = 1 et = '2
.
1 a 2
Le logarithme du rapport de vraisemblance est alors :
1 '2 ( '0 ) 2 ( '1) 2

s = [ ln 0'2 + k ' 2 k '2 ] (3.44)
2 1 0 1
On a alors :
1 02 02 (a11 a10 )2
E0 [ s] = .[1 + ln 2 2 .(1 + )] (3.45)
2 1 1 1 (a10 )2
~
1 02 1 (a11) 2 12 1 (a11 )2
E1 [ s] = .[1+ ln 2 . + . ] (3.46)
2 1 1 (a10 )2 02 1 (a10 )2
On peut voir que si on prend :
a 11 = 1 ( 1 ) 2 et a10 = 1 (0 ) 2
~
On aboutit alors E 1[ s] = 0 bien que E 1[ s] 0 .
On voit sur cet exemple que la proprit de dtectabilit nest plus vrifie.
A titre dillustration, prenons le cas suivant :
0 = ( a10 = 0.8 ; 20 = 0.2) et 1 = (a11 = 0.2 ; 12 = 0.8)
Les fonctions de dtection obtenues avec les paramtres rels et les paramtres du modle
dordre 0 quivalent sont prsentes sur la figure 3.2.
(a) (b)
FIG. 3.2 a) Evaluation de la fonction de dtection par les paramtres rels, b) Evaluation de la
fonction de dtection par les paramtres dordre 0 quivalents. Axe des abscisses : nombre de
points. Axe des ordonnes : valeur de la fonction de dtection.
On voit que lorsquon utilise les vrais modles on a clairement une dtection, tandis que dans le
cas dutilisation des modles quivalents dordre plus petit la fonction de dtection reste au
voisinage de 0.
Ce contre exemple illustre le fait quune non dtectabilit peut tre observe quand on utilise un
ordre plus faible que lordre rel.
Dans dautres configurations, on peut observer une diminution de la fonction de dtection du fait
dune valeur sous-estime de lesprance du logarithme de vraisemblance :
~
E 1[ s] < E 1[ s ] (3.47)
Par exemple dans le cas o : 0 = ( a10 = 0.1; a20 = 0.95; 02 = 4) et 1 = ( a11 = 0.6; a12 = 0.95; 12 = 1) ,
si on utilise les modles dordre 1 quivalents ces deux modles on aboutit au rsultat prsent
sur la figure 3.3.
FIG. 3.3 Evaluation de la fonction de dtection par les paramtres du modle vrai (dordre 2) ,
et partir des paramtres du modle dordre 1 quivalent. Axe des abscisses : nombre de points.
Axe des ordonnes : valeur de la fonction de dtection.
On voit bien que lutilisation dun ordre plus petit conduit gnralement une dgradation de la
dtection, car soit on perd la dtectabilit, soit il est ncessaire de prendre des seuils plus bas, ce
qui augmente le taux de fausses alarmes.
d) Cas des signaux EMG
Quand les signaux EMG de surface sont reprsents par un modle AR, il ny a pas un ordre
unique quel soit le type de signal. En effet lordre varie en fonction du protocole exprimental et
des conditions de recueil des signaux.. Par exemple, dans [Hef88] lordre choisi est 4, alors que
dautres comme [Gra89b] utilisent 6 comme ordre. Dans le cas destimation spectrale, lordre
utilis par [Sei87] est de 15, alors que dans [Coa83] un ordre de 8 est utilis pour le mme
problme destimation spectrale.
Dans notre cas, tant donn que le rapport signal sur bruit est petit, un ordre de 20 a t utilis.
Ce choix est justifi par le fait que, dans le cas dun faible rapport signal sur bruit, il faut utiliser
un ordre suprieur afin de tenir compte de la prsence du bruit additif.
e) Conclusion sur le choix de lordre
Quand on utilise un algorithme de dtection sur des donnes relles, il est difficile de connatre
lordre rel du processus. Dune part les critres de slection dordre ont une tendance sous-
estimer lordre rel du processus. Dautre part lordre du modle peut varier dun segment
lautre, alors que les algorithmes sont construits pour travailler avec un ordre fix lavance.
Il a donc t ncessaire dtudier leffet de lutilisation dun ordre plus petit ou plus grand sur la
dtectabilit de lalgorithme CUSUM.
Certains auteurs [Bas83b], [Obr88a], [Bas93] utilisent des ordres plus petits que les ordres rels
pour lalgorithme de dtection, en particulier dans le cas du traitement des signaux de parole. En
fait, comme nous lavons montr, lutilisation dune ordre infrieur peut conduire une perte de
dtectabilit et amener utiliser des seuils plus bas augmentant ainsi le taux de fausses alarmes.
En conclusion lutilisation dordres infrieurs lordre rel, malgr le fait que cela rende
lalgorithme de dtection plus rapide, doit tre vite si cela ne cre pas dincompatibilits en
temps de calcul.
Lutilisation dun ordre plus grand naffecte pas rellement la dtection ( condition quil ne soit
pas trop lev), mais augmente le temps de calcul. Compte tenu de la prsence dun bruit
important (signaux posturaux) nous sommes contraints de choisir un ordre plus lev que ce qui
est gnralement prconis dans la littrature consacre la modlisation de lEMG de surface.
Dans la suite de ce travail, compte tenu de lensemble de ces lments, un ordre 20 sera retenu
pour toute modlisation AR.
3-3 Mthode automatique du choix des seuils
3-3-1 Introduction aux problmes lis au choix de seuils
Dans tous les algorithmes de dtection et de segmentation, le choix du seuil est trs important et
influe beaucoup sur le rsultat final de la segmentation. Il faut noter que le choix dun seuil bas
conduit une sur segmentation, et quun seuil haut conduit une mauvaise dtection.
Evidemment il nexiste pas un seuil unique qui serait applicable tous types de signaux, et le
seuil varie dun type dapplication un autre [Bas93], [Obr97], [Kha00]. Pour tous les
algorithmes de type CUSUM, il nexiste que des formules asymptotiques pour le calcul du seuil,
qui sont calcules en fonction de la probabilit de fausse alarme ou du retard moyen la
dtection. Ces formules sont difficiles utiliser en pratique car elles restent des formules
asymptotiques. Le problme du choix du seuil en fonction du type de signal reste donc un
problme ouvert. Nous proposons dans ce paragraphe une mthode originale de dtermination
automatique du seuil pour lalgorithme MDCS, qui a dmontr son efficacit lorsquon
lapplique des signaux EMG de surface.
3-3-2 Les formules asymptotiques du choix de seuil cas de CUSUM
Dans le cas de lalgorithme CUSUM, les deux indices de performance sont:
- le temps moyen entre fausses alarmes, dfini par :
T = E 0 ( t a ) (3.48)
- le temps moyen de retard la dtection, dfini par :
= E 1 ( ta ) (3.49)
Il est dmontr que lalgorithme CUSUM est asymptotiquement optimal [Bas93], dans le sens o
il minimise le temps moyen de retard la dtection lorsque le temps moyen entre fausses
alarmes tend vers linfini.
Beaucoup dtudes ont t dveloppes pour relier le seuil h ces deux indices de performance
[Bas93], [Nik95], [Lai98], [Nik00]. Il a en particulier t dmontr [Bar00] que :
h + C1
(3.50)
K ( 1, 0 )
e h h C2
T (3.51)
K ( 0 , 1 )
h est le seuil
K ( 0 , 1 ) et K ( 1, 0 ) sont les deux informations de Kullback-Leibler
C1 = sup E1 [ si / si > 0], C2 = C1 1
>0
Bien que ces deux formules dmontrent loptimalit asymptotique, elles ne peuvent pas tre
utilises simplement pour le choix du seuil h, en particulier parce quil est trs difficile de fixer
de faon objective les deux temps T et .
3-3-3 Effet de linformation de Kullback-Leibler sur le choix du seuil
Linformation de Kullback- Leibler joue un rle important dans la capacit dun algorithme
dtecter un changement. Aussi cette information peut permettre le choix du seuil dans des
algorithmes de type CUSUM, compte tenu galement du nombre des chantillons.
Par dfinition [Bor87], [Bas93] linformation de Kullback-Leibler entre les deux densits de
probabilit f 0 et f 1 dune variable alatoire y est donne par :
f 0 ( x )
K ( 0 , 1 ) = ln f 0 ( x ) dx
f 1 ( x)
= E 0 [ s ] = E 0 [ s ] 0 (3.52)
De mme :
f 1 ( x)
K (1, 0 ) = ln f1 ( x ) dx = E1 [ s ] 0 (3.53)
f 0 ( x )
Linformation de Kullback- Leibler est nulle lorsque 1 =0 .

La fonction de dtection g sous H1 est telle que :
j j j
g j = si min si = s i (3.54)
1i j
i =1 i =1 i =k +1
k tant linstant de changement.

Calculant lesprance mathmatique de g sous H1 , on a :
j
E1 [ g ] = E1 [ si ] = ( j k 1).E1 [ si ] (3.55)
i = k +1
Donc la fonction de dtection g atteint en moyenne un seuil h aprs M chantillons sous

lhypothse H1 , si h E1 [ g ] . On peut crire la relation suivante :
h M .E1 [ s] (3.56)
et donc il faut que :

h M .K ( 1, 0) (3.57)
Cette expression (qui est connue sous le nom didentit de Wald [Bas93]) est trs importante
dans ltude du choix de h. En fait ce choix dpend dabord de la longueur minimale du
phnomne dtecter (qui est dfinie par le phnomne physique de dure la plus courte
trouver dans le signal). Cette longueur minimale est en effet directement lie au nombre M
dchantillons ncessaires pour atteindre le seuil. Le choix dpend ensuite de linformation de
Kullback-Leibler entre le processus courant (hypothse courante) et le phnomne dtecter.
Dans le cas dhypothses connues, on peut calculer linformation de Kullback-Leibler entre ces
diffrentes hypothses, et en fixant la taille M du segment minimal dtecter, on peut fixer le
seuil en fonction de linformation de Kullback-Leibler minimale dans le signal. De cette manire
on garantit la dtection de tous les changements de taille suprieure M, comme lindique la
formule (3.57).
Dans le cas dhypothses inconnues, on ne connat pas les valeurs de linformations de Kullback-
Leibler entre les diffrentes hypothses. Il et donc difficile de fixer le seuil en fonction de cette
information de Kullback-Leibler minimale inconnue. Notre approche consiste alors balayer le
signal en estimant de faon rapide, la rpartition de linformation de Kullback-Leibler sur toute
la dure du signal, puis proposer des valeurs de seuils compte tenu de cette rpartition. Cette
approche est dcrite dans le paragraphe suivant.
3-3-4 La nouvelle approche du choix de seuil
Cette approche est fonde sur la formule (3.57). Son principe consiste balayer le signal et
estimer la fonction de rpartition de linformation de Kullback-Leibler tout au long du signal.
Cette rpartition pourra nous permettre de fixer ensuite les seuils hL et hH ncessaires
lalgorithme de dtection. On note que ce calcul de seuil ne peut se faire que lorsquil sagit de
signaux de longue dure, afin dassurer une estimation correcte de la fonction de rpartition de
linformation de Kullback-Leibler.
La dmarche est constitue de cinq tapes :
1- On considre deux fentres conscutives de longueur M partir du dbut du signal et on

calcule linformation de Kullback-Leibler entre ces deux fentres (voir Annexe A pour le
dtail du calcul de linformation de Kullback-Leibler entre deux modles AR). On dcale
ensuite ces fentres de N points, on calcule nouveau linformation de Kullback-Leibler, et
ainsi de suite jusqu avoir balay tout le signal. On obtient ainsi une squence alatoire IKL
des valeurs de linformation de Kullback-Leibler dans le signal.
2- On effectue un tri de la squence IKL pour obtenir une squence IKLt croissante, qui
regroupe donc dans sa partie infrieure les valeurs faibles de linformation Kullback-Leibler
et qui correspond aux parties du signal o il ny a pas de changement, et qui regroupe dans sa
partie suprieure les valeurs qui correspondent la prsence de changements.
3- De la squence IKLt on ne considre que 85% des points correspondant des valeurs de
linformatio n de Kullback-Leibler en labsence de changement (ce choix heuristique est une
extrapolation linaire de la premire moiti de la squence, correspondant des valeurs de
linformation de Kullback-Leibler en labsence de changement dans les signaux tudis. Une
justification de cette hypothse sur la base des signaux rels sera donne dans le chapitre 5).
On obtient alors une squence IKLb quon estime comme tant la partie du signal o il ny a
pas de changements dans le signal.
4- On calcule ensuite la racine carre de la moyenne de la somme des carrs de IKLb, soit
MS IKL cette somme (estimation dune valeur RMS).
5- Soit M la longueur minimale du segment dtecter. Alors on prend comme valeur du seuil
bas h L = M .K L .MS IKL , et comme va leur du seuil haut hH = M .K H .MS IKL .
Dans le paragraphe prcdent, lquation 3.57 a montr le lien direct qui pouvait tre tabli entre
linformation de Kullback-Leibler, le nombre M dchantillons ncessaires la dtection, et la
valeur du seuil.
Pour cette quation, linformation de Kullback-Leibler considre rsultait de la distance entre
les modles 0 et 1 .
Ici seul le modle 0 est considr, et le choix du seuil dpend essentie llement de la variance de
^1 ^2
K ( 0 , 0 ) (c..d. de deux estimateurs de 0 ), lie la variance de lestimateur du modle sous
H0 , elle mme dpendant des caractristiques du signal rel modliser.
M.MS IKL reprsente donc la valeur la plus petite possible partir de laquelle on est capable de
dtecter lvnement de paramtre 1 le plus court possible (M) diffrant le moins possible du
modle 0 . Cette quantit doit donc constituer le seuil bas de lalgorithme de dtection, et KL
devrait tre gal 1 (ceci sera vrifi au paragraphe suivant). Nous avons ensuite pos comme
hypothse que KH tait indpendant du signal (les caractristiques du signal tant contenues dans
MSIKL) mais li la mthode de dtection utilise. KH peut donc tre dtermin partir de
nimporte quel signal de simulation. On vrifiera ensuite cette hypothse sur des signaux rels
expertiss.
3-3-5 Quelques rsultats de simulation qui dmontrent la validit de la

mthode
La vrification de la valeur de KL et la dtermination de celle de KH ont t effectues par

simulation sur les mmes signaux de rfrence que ceux utiliss pour construire la courbe COR
du chapitre prcdent ( 2-3). La segmentation a t ralise pour des valeurs successives de KL
et KH et la probabilit de non dtection et de fausse alarme a t calcule.
La figure 3.9 reprsente la variation de lerreur de segmentation (somme des non dtections et
des fausses alarmes) pour chaque valeur de KL et KH . On vrifie quil existe un minimum pour
KL = 1. La valeur de KH pour ce mme minimum est gale 3.
FIG. 3.9. - Variation de lerreur relative de segmentation suivant les valeurs des coefficients
KL (axe y) et K H (axe x)
3-4 Complments et algorithme de segmentation complet
Dans ce paragraphe nous allons dcrire lalgorithme gnral de segmentation tel quil ressort des
diffrents choix oprs dans les chapitres prcdents en y ajoutant des procdures permettant
damliorer encore la dtection de changements, cette fois de faon heuristique, en faisant les
constats suivants :
- On peut remarquer tout dabord que des changements qui ne sont pas dtects dans le sens
direct, peuvent tre dtects dans le sens inverse. Ce phnomne est d en partie au fait que
les informations de Kullback-Leibler ne sont pas symtriques, K ( 0 , 1 ) K ( 1, 0 ) . Ce
mme phnomne est aussi observ dans dautres domaines dapplications et par dautres
chercheurs, par exemple dans le traitement de la parole [Obr88a], [Bas93]. Une premire
modification lalgorithme de segmentation consiste, chaque fois quon dtermine unn
point de changement dans le sens direct, lancer lalgorithme de dtection dans le sens
inverse partir de ce point. Si le changement dtect en inverse correspond au mme point
que celui dtect en sens direct ( quelques points prs), on conserve ce point comme le vrai
instant de changement et on continue la dtection dans le sens direct. Sinon on reprend la
dtection dans le sens direct partir du point dtect dans le sens inverse. Cette tape
supplmentaire dans lalgorithme de segmentation a pu amliorer la qualit de la
segmentation, car elle prend en compte le fait que la r-estimation des paramtres de
lhypothse H0 peut se faire dans de mauvaises conditions sur des segments trop courts. Les
segments ainsi gnrs peuvent tre de taille infrieure N+p (N taille de la fentre
destimation, p ordre du modle AR). Il faut alors les liminer.
- On a remarqu galement que des segments de taille N+p sont frquemment dtects. Ces
segments sont dus la prsence de transitoires courts mais dnergie leve (mouvements
rapides du sujet par exemple). Ces pics sont bien dtects mais engendrent des segments de
taille exactement gale N+p (taille minimale ncessaire la r-estimation des paramtres de
H0 ). La taille de ces segments est donc totalement artificielle. Il faut donc les liminer. De
faon plus gnrale, il a t dcid dliminer tous les segments de petite taille, car ils sont
dus soit des pics dnergie soit des segments pour lesquels les modles AR ont t mal
estims. La consquence pour lalgorithme de segmentation est alors que, chaque fois quun
segment de petite taille est dtect, on limine ce segment et on retourne au point de
changement prcdent pour redmarrer lalgorithme de dtection. La taille minimale des
segments conserver est dpendante de lapplication. Elle sera dfinie au chapitre 5.
Ces ajustements de lalgorithme de segmentation ont permis dobtenir des rsultats encore
meilleurs sur les signaux rels (la prsence de transitoires courts nayant pas t considre en
simulation). Pour terminer, notons que lalgorithme a t programm en langage C, ce qui, pour
un signal de 15 minutes, a fa it passer le temps de traitement de 8 h 1 minute. Lorganigramme

final de lalgorithme de segmentation est reprsent sur la figure 3.10.
FIG. 3.10. Organigramme gnral de lalgorithme de segmentation

3-5 Conclusion
Dans ce chapitre nous avons prsent une mthodologie pour le choix des diffrents facteurs qui
influencent la performance dun algorithme de segmentation. Nous avons en premier lieu abord
le thme du choix du modle de reprsentation du signal dans le but dutiliser ensuite ce modle
pour un suivi des changements spectraux du signal au cours de temps.
Les signaux SEMG produits par lexprimentation tant trs bruits, un modle ARMA aurait
t le meilleur pour reprsenter les signaux. Cependant la complexit de lestimation des
paramtres dun modle ARMA et la possibilit de le remplacer par un modle AR dordre plus
lev nous a conduits lutilisation dun modle AR dordre 20.
Comme nous lavons soulign, il existe plusieurs mthodes pour estimer un modle AR, ces
mthodes influant beaucoup sur la qualit de lalgorithme de segmentation. Pour effectuer un
choix entre ces mthodes, nous avons utilis deux critres, lun tant linfluence de la mthode
destimation sur la performance de lalgorithme de dtection, lautre tant la possibilit de mise
en place dun calcul rcursif (ou semi rcursif) pour acclrer la vitesse de lalgorithme de
segmentation, compte tenu en particulier de la taille et du nombre des signaux traiter. La
mthode de covariance a t retenue sur la base de ces deux critres.
Lordre du modle est un autre paramtre trs important pour la qualit de lalgorithme de
segmentation. Nous avons constat que les critres classiques ne donnaient pas un ordre correct
dans le cas des signaux rels, surtout en prsence dun niveau de bruit lev. Nous avons
galement montr que lutilisation dun ordre plus petit que lordre rel influe beaucoup sur la
performance des algorithmes de dtection, alors que lutilisation dun ordre grand modifie peu
ces performances. Un ordre 20 a t alors retenu pour la modlisation des signaux SEMG.
Un problme majeur abord dans ce chapitre est le choix du seuil, ce choix tant toujours crucial
pour un algorithme de segmentation. Dans la plupart des travaux issus de la bibliographie ce
choix reste exprimental, peu satisfaisant et trs difficile faire dans le cas du traitement dun
nombre important de signaux longs. Nous avons alors dvelopp une dmarche originale
double seuil, en nous fondant sur la distribution de linformation de Kullback-Leibler dans le
signal. Cette approche montrera ses qualits dans le cas des signaux SEMG de longue dure
(chapitre 5).
La phase de segmentation tant effectue, il reste mettre en place une procdure de
classification des segments obtenus, afin de ne retenir que ceux dentre eux qui correspondent
lactivit analyse, ici lactivit tonique ou activit de maintien postural. Il faut par contre rejeter
les segments contenant des activits phasiques, ou prsentant un rapport signal sur bruit trop
dfavorable, interdisant une estimation correcte ultrieure de paramtres spectraux. Des

segments retenus, il faut enfin extraire les paramtres permettant un suivi de lactivit tonique et
la mise en vidence de linstauration ventuelle dun processus de fatigue.
Rejet et Classification 79
Chapitre 4
Rejet et Classification
4-1 Introduction
Aprs application de lalgorithme de segmentation, il est ncessaire dappliquer une procdure

de rejet qui nous permette de conserver uniquement les segments contenant une activit EMG
exploitable. De plus il faut pouvoir ne conserver que les segments correspondant exclusivement
une activit de maintien postural. Il faut donc dvelopper galement un algorithme de
classificatio n entre les segments EMG phasiques et les segments toniques.
Avant la classification et lextraction des paramtres pertinents pour ltude de la fatigue
musculaire, il est ncessaire daborder le problme de lestimation du spectre EMG, car partir
de ce spectre doivent tre calculs les paramtres (mdiane, moyenne, dciles, etc.) qui
caractrisent classiquement la fatigue musculaire.
Le problme destimation du spectre dun signal alatoire a t tudi de longue date [Kay81],
[Mar87], [Kay88], [Pro96], [The92], et il existe de nombreuses mthodes destimation spectrale
allant de lestimation non paramtrique qui ne prsuppose aucun modle de signal aux
estimations paramtriques fondes sur lhypothse de lexistence dun modle.
Dans le cadre des signaux EMG, de nombreuses tudes [Inb84], [Sei87], [Sek91], [Duc93],
[Mer99a], [Mer99b] ont propos des mthodes et des modles pour l'estimation du spectre EMG,
ces modles variant dune application une autre.
Dans ce chapitre nous commencerons par une brve prsentation des diverses mthodes
destimation spectrale, en soulignant les avantages et les limites de chacune, et les raisons qui
conduiront notre choix pour lestimation du spectre EMG.
La deuxime partie du chapitre portera sur quelques mthodes dlimination du bruit additif sous
lhypothse dun bruit blanc filtr.
Ensuite nous prsenterons une procdure de rejet par construction dune statistique sur les
distances entre les dciles calculs sur deux estimations spectrales (spectre complet et spectre
tronqu), en utilisant la mthode du noyau pour estimer la distribution de ces distances. Les
rsultats peu probants obtenus par cette mthode nous ont conduits tester dautres mthodes de
80 Rejet et Classification
rejet dabord base de modle AR, puis fondes sur une modlisation spcifique du spectre de
lEMG.
Le chapitre se terminera par une proposition de classification entre activits phasiques et
activits toniques.
4-2 Estimation spectrale pour lEMG
4-2-1 Estimation par priodogramme
Le priodogramme est une mthode destimation spectrale non paramtrique qui nimpose
aucun modle pour le signal. Elle est fonde sur la transformation de Fourier discrte.
Soit N chantillons du signal x0 , x1 , . , xN-1 , le priodogramme est dfini par [Mar87], [Kay88],
[Orf90], [Kun91] :
2
^
1 N 1 j 2 fn
S PER ( f ) = xn .e (4.1)
N n=0
2
^ ^
Il faut noter que cet estimateur est biais. De plus on montre que Var ( S PER ( f )) S PER ( f )
quelque soit N [Kay88] [Kun91]. Cet estimateur donc est inconsistant, la variance du
priodogramme tant trs grande. Pour rduire cette variance Bartlett [Pro96] [Bar48] a propos
une modification au priodogramme. Dans la mthode de Bartlett les segments de taille N sont
diviss en K segments de M points non superposs. Pour chaque segment on calcule le
priodogramme puis on dfinit le priodogramme de Bartlett comme tant la moyenne de ces
priodogrammes lmentaires. Le priodogramme de Bartlett, appel aussi priodogramme
moyenn, diminue la variance par un facteur K, mais rduit en mme temps la rsolution
spectrale du mme facteur K. Il faut donc trouver un compromis dans le choix de K entre la
rsolution spectrale et la diminution de variance.
En ralit, parmi les mthodes destimation non paramtriques, on utilise plutt la mthode du
priodogramme moyenn modifi ou mthode de Welsh [Pro96]. Cette mthode diffre de la
mthode de Bartlett par deux point essentiels : on applique une fentre non rectangulaire
(fentre de Hanning en gnral) aux donnes pour diminuer leffet des lobes dans lestimation
des points spectraux. On utilise galement des segments partiellement superposs. Pour chaque
segment on dfinit le dcoupage de la faon suivante :
xi ( n) = x (n + i .D ) n = 0,1,..., M 1
i = 0,1,..., L - 1
o M est la taille des segments aprs dcoupage, D est le dcalage dun segment lautre et L est
le nombre de segments obtenus. Dans le cas dun recouvrement de 50%, on a D=M/2 et on a
alors L=2K segments. Le priodogramme modifi de chaque segment i est estim par :
2
î M 1
1
S (f)=
MU x (n).w(n).e
n =0
i
j 2 fn
avec U facteur de normalisation de la fentre W, dfini par :

M 1
w (n ) .
1
U=
2
M n =0
Lestimation du spectre par la mthode de Welsh est alors dfinie par :

^
1 L 1 ^ i
SW ( f ) = S ( f ) (4.2)
L i=0
La mthode de Welsh est la mthode non paramtrique la plus utilise pour estimer un spectre
[Mar87], [Kay88], [Pro96], car elle rduit davantage la variance de lestimateur que celle de
Bartlett [Mar87][Orf90].
4-2-2 Estimation paramtrique
On se place ici dans le cas de signaux modliss par un modle paramtrique de type ARMA ou
AR. Les estimateurs spectraux paramtriques sont caractriss par le fait quils sont des
estimateurs de rsolution infinie. Ces estimateurs sont efficaces condition que le modle choisi
soit trs proche du signal rel, ce qui est trs difficile dmontrer en pratique.
Dans le cas dun signal modlis par un modle ARMA(p,q) dquation de rcurrence :
p q
xn = a k . xn k + b k .xn k + n (4.3)
k =1 k =0
On tire lexpression du spectre par :

q 2
j 2fk
bk .e
S ARMA ( f ) = 2 . k=0
p
(4.4)
1 + ak .e j 2fk
k =1
Dans le cas dun processus AR, le spectre devient alors :

2
S AR ( f ) = 2
(4.5)
p
j 2 fk
1 + ak .e
k =1
Dans le cas rel on doit estimer les paramtres de ces modles partir des donnes relles, donc
utiliser lune des mthodes dj discutes pour lestimation dun modle ARMA ou AR. Comme
il a t dj montr quun modle ARMA tait rarement utilis pour modliser un processus
cause des difficults lies lidentification dun tel modle [Mar87], [Kay88], nous limiterons la
discussion lestimation du spectre par les mthodes paramtriques AR. Dans le cas dun
modle AR estim, lexpression du spectre devient alors :
^2
^
S AR ( f ) = 2
(4.6)
p ^
1 + a k .e j2fk
k =1
Les paramtres du modle sont estims par lune des mthodes destimation dj cite dans le
chapitre 3. Dans la littrature les avantages et les inconvnients de chaque mthode vis vis
dune estimation spectrale ont t largement dcrits [Mar87], [Kay88], [Pro96]. Ce paragraphe
nen fera donc quun bref rsum. Il est dmontr que, de toutes les mthodes, la mthode
dautocorrlation donne le spectre le moins bon (on peut voir par exemple ltude de simulation
faite par Kay [Kay88]). Ceci est d lintroduction de zros dans la srie de donnes, ce qui
induit une mauvaise estimation des paramtres AR. La mthode de Burg est meilleure dans la
mesure o elle a une rsolution infinie et produit un modle AR stable [Mar87] [Pro96].
Cependant un inconvnient de la mthode est quelle fait apparatre des pics supplmentaires
lorsque lordre du modle est lev [Mar87], [Kay88]. De plus elle peut aboutir un dcalage de
frquence dans certains cas [Mar87], [Kay88]. Les mthodes de Covariance et de Covariance
modifie sont galement meilleures que celle dauto-corrlation et rsolvent le problme de
dcalage de frquence [Mar87], [Kay88].
Le point le plus important dans le cas destimation paramtrique reste la recherche de lordre du
modle utilis (voir chapitre prcdent). Cependant, dans lapproche de dtection, nous ntions
pas tenus de choisir lordre du modle le plus proche de la ralit mais seulement un ordre qui
refltait le changement. Dans le cas destimation spectrale le problme se pose diffremment car
dans ce cas un ordre trs faible fournit un spectre trop liss, alors quun ordre trs lev produit
des pics errons. [Mar87], [Kay88].
4-2-3 Estimation pseudo- spectrale par la mthode MUSIC
La mthode MUSIC nest pas proprement parler un estimateur spectral mais on peut la
qualifier destimateur pseudo- spectral. Elle est attractive pour notre problme dans la mesure o
elle permet une estimation dans le cas dun rapport signal sur bruit dfavorable.
Cette mthode repose sur la dcomposition de la matrice dautocorrlation en deux sous espaces,
espace du signal et espace du bruit [Mar87], [Kay88], [Orf90].
Elle permet dextraire des pics de frquence, donc des sinusodes, noyes dans un bruit blanc
additif [Mar87], [Geo00]. Elle nous a donc paru un moyen adapt de distinguer entre des
segments de signaux EMG bruits mais utilisables, et des segments ne contenant pas dactivit
EMG. Par contre il est clair que cette mthode ne permettra pas ensuite une bonne estimation des
paramtres spectraux pour ltude de la fatigue musculaire.
La mthode MUSIC a t utilise dans diffrents domaines, par exemple dans la localisation de
sources [Red79], la rsolution dchos [Bru85], ou encore dans le traiteme nt de signaux
biomdicaux [Aka96].
Le principe de la mthode MUSIC repose sur la dcomposition de la matrice dauto-corrlation
en valeurs propres, les unes correspondant au signal et les autres au bruit. Supposons quun
enregistrement contienne P sinusodes complexes noyes dans un bruit blanc additif de moyenne
nulle et de variance 02 non corrl avec le signal.
Le signal dobservation est de la forme :

y (n ) = x (n ) + b( n) (4.7)
x(n) tant le signal compos de P sinusodes complexes quon peut crire alors sous forme :
x (n ) = A1e jw1n + A2e jw2n + ... + AP e jwPn = x1 ( n) + x2 ( n ) + ... + xP ( n) (4.8)
Ai est lamplitude de la composante i du signal,
wi est la frquence de la composante i du signal.
On dmontre [The92] que chaque composante xi du signal correspond un vecteur propre de la

2
matrice dautocorrlation Ry de valeur propre N .E[ Ai ] + 02 .
Les (N-P) vecteurs propres restants sont orthogonaux aux composantes xi et ont des valeurs
propres gale 02 .
Donc les (N-P) vecteurs propres qui correspondent aux valeurs propres de valeur 02
correspondent ce quon appelle lespace du bruit , orthogonal lespace form par les
composantes xi qui correspondent ce quon appelle lespace du signal .
Reposant sur ce principe, plusieurs mthodes ont t dveloppes pour estimer le pseudo spectre
dun tel signal. Parmi ces mthodes on peut citer la mthode de Pisarenko [Mar87] qui estime le
pseudo-spectre dun signal form de P sinusodes dans un chantillon de donnes de longueur
(P+1).
La mthode MUSIC est une gnralisation de la mthode de Pisarenko [Mar87], [Kay88],
[Aka96], [The99]. Lalgorithme est le suivant :
1- Calculer une estimation de la matrice dauto-corrlation par :
^ ^ ^

y
R ( 0 ) R y ( 1) ... R y (N)
^ ^ ^
Ry (1) Ry ( 0) ... Ry ( N 1)
^

Ry = . . (4.12)

. .

. .
^ ^ ^
R ( N ) R ( N 1) ... R (0)
y y y
avec :
^ 1 N 1 k
Ry (k ) = y ( n + k ). y ( n) (4.9)
N k n= 0
2- Calculer les valeurs propres et les vecteurs propres correspondants de la matrice dauto-
^
corrlation Ry .
3- Calculer la dimension K de lespace du bruit, gale au nombre des faibles valeurs des valeurs
propres, par un critre dAkaike ou MDL (Minimum Description Length) [Aka96], [The99].
On en dduit la dimension de lespace du signal gale (N+1-K).
4- Calculer le pseudo- spectre MUSIC par :
^ 1
S( f ) = (4.10)
1 K 1 2
Ei ( w )
k i =1
les Ei (w) tant les vecteurs propres de lespace du bruit.
Le pseudo-spectre MUSIC ne peut pas tre utilis pour lestimation des paramtres (moyenne,
mdiane.) du spectre EMG usuellement analyss dans le cadre de la dtection et de lvolution
de la fatigue musculaire. Notre utilisation de MUSIC se limite donc la procdure de rejet des
segments bruits. En effet cette mthode permet didentifier les pics principaux de frquences
dans le spectre EMG en liminant la partie correspondant au bruit blanc. Elle devrait donc
permettre damliorer la procdure de rejet en prsence de bruit (voir paragraphe 4.4.2).
4-2-4 Discussion sur le choix de la mthode destimation du spectre EMG
Lestimation de la densit spectrale de puissance dun signal EMG est trs importante car cest
partir de cette densit que nous allons dune part rejeter les segments contenant trop peu dEMG,
dautre part calculer les paramtres qui refltent la fatigue musculaire, ces deux objectifs ne
menant pas ncessairement la mme mthode destimation optimale.
Lestimation du spectre EMG par la mthode de Welsh est la plus utilise en pratique. Plus de
90% des auteurs utilisent cette mthode pour estimer le spectre EMG [Duc93].
Lestimation du spectre EMG par des mthodes paramtriques, surtout par modle AR, est
parfois utilise galement pour estimer un spectre EMG [Duc93][Mer99a][Mer99b]. Cependant
le problme reste le choix de lordre du modle, certains auteurs utilisant un modle dordre 20
[Inb84], dautres 15 [Sei87]. Dans les conditions exprimentales qui ont t les ntres, le rapport
signal sur bruit sest rvl trs dfavorable. De ce fait lutilisation dun modle AR pour
calculer le spectre EMG conduit une mauvaise estimation spectrale. Il est en effet bien connu
quun estimateur de type AR est trs sensible au bruit [Kay88], ce qui a pour effet de diminuer la
rsolution spectrale. Dans ce cas on prfre utiliser le priodogramme qui produit une estimation
beaucoup plus robuste que le modle AR lorsque le niveau de bruit est important
[Kun91][Kay88].
Une comparaison entre lestimation spectrale par le priodogramme moyenn et la modlisation
AR pour des applications EMG est faite dans [Mer99b]. Bien quil existe des diffrences dans
lestimation entre les deux mthodes, pour les calculs des paramtres globaux (mdiane,
moyenne ) les deux mthodes donnent des rsultats similaires, et les valeurs de ces paramtres
globaux varient trs peu avec lordre du modle [Kor99]. La mthode paramtrique est prfre
pour les petit segments (<0.25 s).
Le choix entre modle AR et priodogramme de Welsh pour lestimation du spectre EMG dans
notre cas doit tenir compte dun rapport signal sur bruit faible (activits toniques), et de la
possibilit destimer ce bruit pour lliminer ensuite. Enfin il parat peu justifi dutiliser une
premire mthode destimation pour la procdure de rejet, et une deuxime pour lestimation des
paramtres spectraux des segments conservs. Au vu de ces contraintes nous avons prfr
choisir le priodogramme de Welsh pour lestimation du spectre SEMG dans la suite de ltude.
4-3 Mthodes dlimination du bruit dans le spectre
4-3-1 Introduction
Dans le cas des signaux EMG posturaux, on rencontre souvent deux types de spectres, un spectre
EMG normal (Figure 4.1) et un spectre EMG fortement bruit (Figure 4.2).
FIG. 4.1 Illustration dun segment dEMG peu bruit. Trac suprieur : segment dEMG. Axe
des abscisses en nombre de points. Trac infrieur : spectre associ. Axe des abscisses en Hz.
Axes des ordonnes en units arbitraires.
FIG. 4.2 Illustration dun segment dEMG contamin par du bruit blanc additif. Trac
suprieur : segment dEMG. Axe des abscisses en nombre de points. Trac infrieur : spectre
associ. Axe des abscisses en Hz. Axes des ordonnes en units arbitraires.
Avant de faire le calcul des paramtres sur le spectre EMG, il est donc ncessaire de trouver une
mthode dlimination du bruit pour obtenir ensuite une bonne estimation de ces paramtres.
Dans ce problme de d-bruitage on suppose que le bruit est un bruit additif blanc, soit
y (n ) = EMG ( n) + b (n ) avec y(n) le signal observ, EMG(n) le signal EMG utile et b(n) un bruit
blanc additif. Cette hypothse se justifie par lobservation des signaux rels. En effet, dans la
plupart des cas on observe des spectres du type de celui prsent sur la figure 4.2, o un niveau
dnergie rsiduelle reste prsent des frquences pour lesquelles lnergie de lEMG est
pratiquement nulle (figure 4.1).
4-3-2 Elimination par estimation moyenne du bruit
La mthode la plus intuitive consiste effectuer une soustraction spectrale de faon diminuer
linfluence du bruit dans le calcul des paramtres spectraux. On considre que le bruit est blanc
additif non corrl avec le signal. Le problme reste lestimation de ce bruit. Dans le traitement
de la parole, le bruit est estim soit durant les priodes de silence, soit laide dun second
microphone [Boi00]. Ici nous ne disposons pas de tels enregistrements, et lestimation du bruit
ne peut se faire qu partir du signal observ :
y (n ) = EMG ( n) + b (n ) (4.11)
avec :
- EMG(n) signal EMG
- b(n) bruit blanc additif
On retrouve bien videmment les proprits additives dans le domaine de Fourier, ainsi sur le
DSP lorsque signal et bruit ne sont pas corrls :
S y ( f ) = S EMG ( f ) + B( f ) (4.12)
Si on arrive estimer B(f), on peut obtenir :

^ ^
S EMG ( f ) = S y ( f ) B ( f ) (4.13)
^
Lexamen de cette formule montre quelle peut mener des valeurs ngatives de S EMG ( f ) . La
solution la plus simple, souvent utilise dans le traitement de la parole, est de mettre zro les
^
parties ngatives. Pour estimer B( f ) , la mthode que nous proposons est la suivante :
- On effectue un lissage du spectre (par moyenne mobile).

- On estime ensuite la valeur du bruit comme tant le minimum de la valeur du spectre entre
250 et 350 Hz .
- On abaisse alors la valeur du spectre de cette quantit en mettant zro les parties ngatives.
Cependant, dans la chane dacquisition utilise lors des exprimentations, un filtrage passe haut
20 Hz tait appliqu (Butterworth dordre 2). Au lieu dabaisser le spectre sur toute la gamme
de frquences (de 0 420 Hz) nous avons utilis le module de la fonction de transfert de ce filtre
^
comme estimation du bruit B( f ) , lamplitude en bande passante tant dfinie comme
prcdemment.
Lexistence dune filtrage slectif 50 Hz influe galement sur lestimation de la mdiane.

Aussi nous avons ralis une interpolation linaire des points autour de 50 Hz dans le spectre
final.
Une illustration de cette mthode est donne sur la figure 4.3.
(a) (b)
FIG. 4.3 (a) Spectre bruit et estimation du bruit par filtre de Butterworth. (b) Spectre aprs
rduction de la valeur du bruit et interpolation de la valeur du spectre autour de
50 Hz. Axes des abscisses en Hz, axes des ordonnes en unit arbitraire.
4-3-3 Elimination du bruit par modlisation paramtrique
Lide est de supposer que le signal est modlis par un modle AR noy dans un bruit blanc
additif.
On a toujours :
y (n ) = x (n ) + b( n) (4.14)
x(n) tant un processus AR dordre p de paramtres ( a1, a2 ,..., a p , 2 ) et b(n) un bruit blanc
gaussien de moyenne nulle et de variance b2 .
Plusieurs mthodes ont t dveloppes dans la littrature pour estimer la partie AR, liminer le
bruit, et obtenir un modle spectral du signal sans bruit.
Une des premires mthodes dveloppes utilise un modle ARMA, puisquun modle AR
dordre p noy dans un bruit blanc est quivalent un modle ARMA(p,p) [Kay88]. On applique
alors une des mthodes destimation ARMA [Mar87], puis on peut estimer la variance du bruit.
Cette approche a t applique par Tong [Ton75].
La deuxime approche est dutiliser la technique du filtrage de Wiener adaptatif. On peut alors
utiliser des techniques de type LMS o RLS [Lim78], [Lim79], [Kay88], [Orf90]. Dautres
approches sont galement parfois rencontres comme la mthode rcursive dveloppe par
Jitendra utilisant un modle dtat [Jit86].
Ce type dlimination de bruit, considrant que le signal est un processus autorgressif noy dans
un bruit blanc, est appliqu en traitement de la parole [Lim78], [Lim79], [Boi00].
Pour lappliquer sur un signal EMG, le problme essentiel reste la dtermination de lordre du
modle AR qui reprsente au mieux le signal. Or dans ce cas les critres de slection dordre
classique ne peuvent pas sappliquer car ils sont construits pour des signaux AR sans bruit
[Tonj75], [Ton76]. Pour cette raison nous avions prfr utiliser la mthode destimation
moyenne du bruit dcrite dans le paragraphe prcdent.
4-3-4 Conclusion
Une premire modlisation spectrale reposant sur lestimation par le priodogramme moyenn a
t retenue pour sa capacit produire une estimation spectrale dont il est possible de rduire
linfluence dun bruit blanc additif, et partir de laquelle les principaux paramtres spectraux
pourront tre extraits. Cest donc cette reprsentation qui sera utilise ensuite afin deffectuer
dabord un rejet des segments ne contenant pas dEMG, ensuite une extraction de paramtres
significatifs.
4-4 Mthode de rejet
4-4-1 Ncessit de rejet
On sait que le spectre EMG recueilli par lectrodes de surface prsente toujours une allure
similaire dissymtrique (voir figure 4.4). Ses caractristiques dpendent videmment de l EMG
lui mme, mais galement de facteurs mthodologiques comme le type dlectrodes, lintervalle
inter-lectrodes, etc. Ce spectre peut tre modifi galement en fonction dautres vnements
prsents dans lenregistrement, que ce soit du bruit blanc superpos (voir figure 4.5) ou des
vnements externes (voir figure 4.6) (par exemple dcollement dlectrodes, bruits superposs
provenant de la plate forme exprimentale etc. ).
FIG. 4.4 Illustration dun segment dEMG standard . Trac suprieur : segment dEMG.
Axe des abscisses en nombre de points. Trac infrieur : spectre associ. Axe des abscisses en
Hz. Axes des ordonnes en units arbitraires.
FIG. 4.5 Illustration dun segment dEMG contamin uniquement par du bruit blanc additif.
Trac suprieur : segment dEMG. Axe des abscisses en nombre de points. Trac infrieur :
spectre associ. Axe des abscisses en Hz. Axes des ordonnes en units arbitraires.
FIG. 4.6 Illustration dun segment dEMG contamin par du bruit blanc additif et des artefacts
externes. Trac suprieur : segment dEMG. Axe des abscisses en nombre de points. Trac
infrieur : spectre associ. Axe des abscisses en Hz. Axes des ordonnes en units arbitraires.
Les quelques exemples des figures 4.4 4.6 montrent lvidence que, si les spectres
contamins uniquement par du bruit blanc additionnel peuvent tre exploits aprs correction
(par une procdure dlimination), il nen est pas de mme pour ceux qui sont galement
contamins par dautres artefacts. Ces segments, contamins par des artefacts de natures
diverses, dont le spectre est de ce fait impossible modliser, doivent donc tre limins, Le
paragraphe suivant dcrit le procdure de rejet relative ces segments.
4-4-2 Procdure de rejet par distance entre spectres complets et tronqus
4-4-2-1 Principe de la mthode
Dans la littrature il existe beaucoup de dfinitions de distances spectrales (voir par exemple
[Bas89], [Boi00]). Parmi ces distances, on trouve dune part les distances calcules sur les
spectres eux mmes, dautre part les distances fondes sur une modlisation paramtrique du
spectre. Ces distances trouvent encore une fois un champ dapplication privilgi en traitement
de la parole [Boi00].
Lalgorithme dvelopp ici pour rejeter les segments non conformes part du principe que
lessentiel de lnergie du spectre dun EMG est concentr dans une bande de frquence
infrieure 200 Hz. Lide est alors de mesurer la distance entre le spectre complet et le spectre
rduit une bande basse frquence.
Les spectres sont estims par la mthode de Welsh, et la distance calcule nest rien dautre que
la distance euclidienne entre les dciles du spectre complet et ceux du spectre rduit une bande
basse frquence qui, compte tenu de notre connaissance des spectres de lEMG de surface, a t
prise dans lintervalle [0, 180Hz]. La justification de ce choix est que les dciles caractrisent
bien un spectre EMG, tout en tant peu sensibles au bruit, et quils ne ncessitent le calcul
daucun modle paramtrique, ni lapplication daucune normalisation.
Les tapes de la procdure du rejet sont alors les suivantes :

1- Calcul des dciles pour le spectre complet pour chaque segment.
2- Calcul des dciles pour le spectre limit 180 Hz pour chaque segment.
3- Calcul de la distance euclidienne entre les modles dciles du spectre total et du spectre
tronqu.
Il reste dfinir un seuil partir duquel les segments seront rejets.

Une premire approche de la dfinition du seuil est manuelle. Elle utilise une projection sur un
plan dACP des deux types de spectres, le plan dACP tant calcul partir des spectres rduits
et les spectres complets tant projets comme individus supplmentaires. Cette projection permet
de dfinir le seuil de distance de faon manuelle en pointant sur le dernier point admis dans la
classe des segments conserver.
FIG.4.7 Projection simultane des spectres complets (o) et des spectres tronqus (+) sur le
premier plan dACP.
Cette mthode a donn des rsultats satisfaisants tout en faisant apparatre deux limitations :
- La mthode limine les segments de type EMG avec bruit blanc (la distance entre dciles est
grande) ce qui limine un certain nombre de segments qui auraient pu tre utiliss dans la
phase dextraction de paramtres aprs limination du bruit.
- La dfinition manuelle du seuil de rejet nest pas une solution satisfaisante en soi.
4-4-2-2 Prise en compte des segments bruits
Pour rsoudre ce problme, lide a t dappliquer la mthode de rejet non pas sur le spectre
estim par le priodogramme de Welsh, mais sur le pseudo spectre MUSIC. Comme cela a t
dcrit prcdemment, cette mthode permet destimer les pics de frquence dans le spectre tout
en liminant le bruit blanc. On applique alors la procdure de rejet sur le pseudo- spectre, ce qui
a pour effet en principe dliminer seulement les segments de type EMG fortement bruits par
des vnements externes. Les essais raliss ont bien montr que lutilisation de MUSIC
amliorait le procdure de rejet dans le sens quelle rejetait moins de segments avec bruit blanc.
Par contre dans certains cas nous avons observ galement une modlisation errone de la partie
haute frquence pour des segments normalement rejeter (voir figure 4.8). De ce fait ces signaux
sont conservs, dgradant ainsi la performance de la classification. Une telle mthode nest donc
intressante que lorsque le signal rejeter contient des pics frquentiels significatifs dans une
bande de frquence o le signal est normalement de faible nergie.
FIG. 4.8 Trac suprieur : exemple dun segment fortement bruit. Axe des abscisses en
nombre des points. Trac intermdiaire : spectre estim par priodogramme de Welsh. Axe des
abscisses en Hz. Trac infrieur : pseudo-spectre estime par MUSIC. Axe des abscisses en Hz.
Les axe des ordonnes sont donns en units arbitraires.
4-4-2-3 Dtermination automatique du seuil
Pour dvelopper une mthode automatique de seuillage, et nayant pas la connaissance de la

distribution statistique des distances dfinies aux paragraphes prcdents, nous avons estim
cette densit par la mthode des noyaux [Sap90], [Van00]. Cette mthode modlise les classes
^ 1 n x xi
dun histogramme par une fonction continue du type : f ( x ) = K( ) (pour des dtails
n.h i=1 h
sur la mthode, voir Annexe C).
Le plus souvent cest un noyau gaussien qui est utilis [Van00]. Pour ce qui concerne le choix de
h, thoriquement il fa ut choisir h proportionnel n 1/ 5 [Sap90], [Van00]. Cependant, en pratique
la valeur de h doit tre dtermine empiriquement. Dans [Van00], une tude de simulation pour
lestimation dune densit gaussienne par la mthode du noyau montre que la densit estime se
rapproche de la densit thorique pour une valeur de h proche de 5, ce qui nous a conduit
adopter cette valeur dans notre tude.
Selon la qualit des signaux enregistrs (contamination ou non des enregistrements par des bruits
non modlisables et intervenant des instant alatoires), deux formes de densits de probabilits
peuvent tre rencontres, lune unimodale (figure 4.9 a), lautre bimodale (figure 4.9 b).
(a) (b)
FIG. 4.9 Densits de probabilit estimes par la mthode du noyau.(a) Distribution unimodale.
(b) Distribution bimodale. Axes des abscisses : distance entre spectres Axes des ordonnes :
estimation de la densit de probabilit.
Suivant la forme de la distribution, le seuil est dfini de la faon suivante :

Sil existe un minimum, on recherche cette position qui constitue le seuil, et on rejette tous
les points situs au del de cette limite.
Sil nexiste pas de minimum, on rejette tous les segments dont la distance est suprieur 3
carts types.
Si cette mthode est sduisante, il faut cependant souligner que son application prsente deux
inconvnients : dune part, dans le cas o la prsence de deux (ou plusieurs) classes nest pas
claire, le rejet limine certains segments expertiss corrects. Dautre part, si le nombre des
segments est faible, lestimation de la densit de probabilit est incorrecte.
4-4-3 Rejet par modlisation du spectre EMG
4-4-3-1 Introduction
Dans les mthodes prcdentes, la connaissance du signal ntait exploite que de faon partielle,
au moyen de la bande de frquence principale [0-180 Hz] ou en faisant lhypothse dun
processus AR.
Dans ce paragraphe, lide est de modliser par une fonction analytique la totalit du spectre de
lEMG partir de la connaissance que nous avons de sa forme gnrale.
Le modle mathmatique est calcul en utilisant des techniques de rgression. En se fondant
alors sur lerreur quadratique moyenne entre spectres rels et modles mathmatiques, on peut
ensuite, en utilisant une courbe COR, calculer un seuil sur cette erreur et lutiliser pour le rejet
automatique des segments fortement bruits, pour lesquels lajustement une forme spectrale
spcifique ne sera pas correct.
4-4-3-2 Modles du spectre EMG
a) Modle de Shwedyck
Un modle analytique de la densit spectrale de puissance dune signal SEMG a t propos par
Shwedyck [Shw75] et repris par Merletti [Mer99a]. Il sexprime sous la forme suivante :
k . f h2 . f 2
S( f ) = (4.18)
( f 2 + f l 2 ).( f 2 + f h2 ) 2
Cette expression dpend de deux paramtres fl et fh (k nest quun facteur de gain).

Ce modle est utilis par Merletti pour la gnration de signaux simuls afin de tester des
algorithmes sur des signaux de type SEMG dont on contrle lensemble des paramtres
[Mer99a]. Lidentification du modle ne peut par contre pas tre ralise par des mthodes
linaires, ce qui peut dans certains cas poser des problmes de convergence (voir Annexe D).
b) Modle exponentiel
Au vu de la forme du spectre SEMG, nous avons propos comme modle la forme analytique
suivante :
S ( f ) = . f .e f (4.19)

Ce modle prsente un maximum f max = . La valeur de ce maximum est :

Smax = .( f max ) .e

(4.20)
La forme de la courbe pour = 2 est donne sur la figure 4.11.

Ce modle prsente lavantage de pouvoir estimer les paramtres , , et partir dune
rgression multilinaire sur Ln( S ( f )) .
FIG. 4. 11 Forme de la fonction exponentielle entre 0 et 420 Hz
c) Calcul des paramtres des deux modles
On calcule tout dabord le spectre de chaque segment dune faon lisse (en ne calculant que
N=128 points spectraux quelle que soit la taille du segment dont on calcule le spectre) pour
rduire autant que possible la variance du spectre mme dans le cas de segments de taille rduite
(au sens de lapplication, voir chapitre 5). Les spectres sont normaliss en divisant la densit
spectrale par lnergie totale du spectre.
Le calcul des paramtres a t fait ici par le mme algorithme de rgression non linaire pour les
deux modles (voir Annexe D). Cette mthode tant itrative, la vitesse de convergence (voire la
convergence elle- mme) dpend du choix du vecteur de paramtres initial. Ici on peut par
exemple contraindre le modle initial passer par le maximum du vrai spectre. Soit (f max , Smax)
ce maximum. Pour le modle exponentiel, les expressions reliant les paramtres du modle au
maximum sont trs simples si on fait une hypothse sur la valeur de (=2). Dans ce cas on peut
2 Smax
voir que = et = , et on peut donc partir de ces points pour estimer les
f max ( f max ) 2.e 2
paramtres du modle.
Par contre pour le modle de Shwedyck il est difficile de fixer le vecteur initial des paramtres
en partant de cette hypothse, car le calcul de maximum pour cette expression conduit des
relations complexes entre les paramtres du modle et (f max, Smax).
Les figures 4-12 et 4-13 fournissent une illustration des rsultats obtenus pour le modle de
Shwedyck et le modle exponentiel, respectivement.
FIG. 4.12 Un exemple de spectre EMG et son modle de Shwedyck calcul par rgression non
linaire. Axe des abscisses en Hz. Axe des ordonnes en unit normalise par rapport au
maximum du spectre rel.
FIG. 4.13 Spectre EMG et son modle exponentiel calcule par rgression non linaire. Axe
des abscisses en Hz. Axe des ordonnes en unit normalise par rapport au maximum du spectre
rel.
Les figures 4.14 (a) et (b) montrent le comportement des modles lorsque le spectre de lEMG
est fortement contamin par des artefacts externes. On comprend ainsi lutilisation potentielle de
ces modles dans le cadre du rejet de segments fortement bruits.
FIG. 4.14 (a) Spectre fortement bruit et son modle de Shwedyck. (b) Le mme spectre et son
modle exponentiel. Axes des abscisses en Hz. Axes des ordonnes en unit normalise par
rapport au maximum du spectre rel.
4-4-4 Comparaison des mthodes
Les mthodes dcrites prcdemment ont t compares partir dune base dexemples extraits
des signaux rels. Pour cela, 50 segments qualifis comme segments EMG par des experts et 50
segments fortement bruits ont t slectionns partir denregistrements rels. Pour chaque
segment on calcule les paramtres des modles qui sajustent le mieux au spectre rel estim par
la mthode de Welsh. Puis liss par moyenne mobile afin dobtenir pour tous la mme rsolution
spectrale. Ensuite on calcule pour chacun deux lerreur quadratique moyenne entre spectre rel
et spectre modle.
Les rsultats sont prsents sous forme de courbes COR pour les trois modlisations retenues
(mthode des dciles, modle de Shwedyck, modle exponentiel).
FIG. 4.15 Courbe COR calcule partir des distances entre spectres complets et tronqus, en
utilisant la modlisation par dciles. Axe des abscisses : probabilit de fausse alarme. Axe des
ordonnes : probabilit de dtection. Les valeurs des seuils sont reprsentes sur quelques
points.
FIG. 4.16 Courbe COR calcule partir du modle de Shwedyck et de lerreur quadratique
moyenne. Axe des abscisses : probabilit de fausse alarme. Axe des ordonnes : probabilit de
dtection. Les valeurs des seuils sont reprsentes sur quelques points.
FIG. 4.17 Courbe COR calcule partir du modle exponentiel et de lerreur quadratique
moyenne. Axe des abscisses : probabilit de fausse alarme. Axe des ordonnes : probabilit de
dtection. Les valeurs des seuils sont reprsentes sur quelques points.
On voit sur les figures 4.15, 4.16 et 4.17 que le modle exponentiel permet de mieux distinguer
entre segments EMG et segments fortement bruits. Le seuil le plus appropri sur lerreur
quadratique moyenne est alors de 0.0134.
4-5 Classification phasique / tonique
Pour la classification entre segments phasique et segments toniques, nous avons utilis une
dmarche heuristique tenant compte des caractristiques spcifiques de lexprimentation. En
fait deux critres contrlent la classification dun segment comme phasique ou non :
- la dure du segment,
- le rapport de puissance moyenne entre ce segment et ses voisins.
Pour ce qui concerne la dure, il parat trs difficile pour un sujet davoir une activit phasique
de plus de 10 s. Cette activit correspondrait une contraction volontaire longue, contraire aux
instructions dinactivit donnes au sujet en dbut dexprience.
Lalgorithme de classification est alors le suivant :

1- On part dun segment tonique (le premier segment de puissance minimale et de dure
suffisante aprs segmentation et rejet).
2- Pour le segment suivant, on calcule le rapport de puissance entre ce segment et ses voisins. Si
le segment prcdent (dj classifi) est tonique et si le rapport de puissance entre le segment
courant et le segment prcdent est infrieur un seuil (fix pralablement par courbe COR
sur une base dexemples) alors on classifie ce segment comme tonique. Si ce rapport est plus
grand que le seuil et si le segment est de dure faible alors ce segment est classifi comme
phasique dans un premier temps. On calcule ensuite le rapport de puissance entre le segment
courant et le segment suivant. Si ce rapport est galement suprieur au seuil alors on est sr
que ce segment est phasique (nergie importante et dure faible). Dans le cas contraire on
passe au segment suivant et on applique la mme procdure jusqu redescendre en dessous
du seuil. Si on excde la dure maximale dune activit phasique alors tous les segments
prcdents sont regroups en un segment tonique unique, sinon on conserve leur
classification phasique.
3- On continue cette procdure jusqu la fin de lenregistrement.
La courbe COR refltant le rsultat de cette classification en segments toniques et phasiques a

t construite en prenant 50 exemples de couples de segments toniques / phasiques, et 50
exemples de couples de segments toniques / toniques. La statistique utilise est le rapport de
puissance entre les deux segments.
On obtient alors la courbe de la figure 4.18. On peut voir sur cette courbe quun seuil gal 2
(1.99) fournira le meilleur compromis pour la classification.
FIG. 4.18 Courbe COR pour la classification des segments phasiques et toniques. Axe des
abscisses : probabilit de fausse alarme. Axe des ordonnes : probabilit de dtection. Les
valeurs des seuils sont reprsentes sur quelques points
4-6 Conclusion
Dans ce chapitre nous avons trait du problme gnral destimation du spectre EMG. Nous
avons vu quil tait prfrable dutiliser lestimation du spectre par priodogramme moyenn,
car, dans le cas de signaux EMG ayant un rapport signal sur bruit dfavorable, les mthodes
paramtriques AR sont moins performantes. Ensuite nous avons prsent, sous certaines
conditions, une mthode dlimination du bruit, afin de mieux estimer les paramtres spectraux
des signaux EMG. Plusieurs mthodes de rejet ont t galement prsentes et discutes. Une
comparaison par courbe COR a montr que la mthode de rejet fonde sur un modle
exponentiel du spectre EMG tait la plus performante. A la fin de chapitre, nous avons prsent
un algorithme simple de classification entre segments phasiques et toniques fond sur des
critres de rapport de puissance et de dure maximale de segments phasiques.
Dans le chapitre suivant, nous allons aborder les rsultats obtenus sur les signaux EMG rels
issus des exprimentations dcrites au chapitre 1 lorsquon leur applique la squence des
traitements dfinie dans les chapitres 2 et 3. Nous apporterons galement une justification a
posteriori concernant certains des cho ix effectus prcdemment, en particulier pour ce qui
concerne le double seuil pour la dtection.
Application - Adaptation aux signaux rels 105
Chapitre 5
Application-Adaptation aux signaux
rels
5-1 Introduction
Ce chapitre est consacr la prsentation des rsultats aprs avoir appliqu les algorithmes
dvelopps dans les chapitres prcdents sur les signaux rels enregistrs selon le protocole
dcrit au chapitre 1. Dans la premire partie, nous calculerons les seuils relatifs la segmentation
pour les diffrents sujets. Quelques illustrations de segmentation seront prsentes partir de
signaux contenant des changements spectraux et/ou dnergie.
Lalgorithme de rejet et de classification sera appliqu ensuite pour rduire la variance de la
mdiane du spectre EMG (paramtre utilis pour lana lyse de la fatigue). Lvolution de la
mdiane en fonction du temps sera prsente la fin de ce chapitre. Une discussion sur les
rsultats obtenus sera enfin propose.
5-2 Rsultats de la segmentation
Lalgorithme de segmentation a t appliqu sur tous les signaux EMG. Comme cela a t dj
mentionn dans le chapitre 3, cet algorithme comprend plusieurs tapes :
1- fixer la taille du segment minimal dtecter. Cette taille a t fixe 200 points (ou
0.238 s). Bien que, dans certains cas, nous ayons observ lexistence de quelques
activits phasiques plus courtes, prendre une valeur trop faible pour N conduit dgrader
les performances au niveau de lestimation des paramtres autorgressifs. Ce choix de la
valeur de N (gale 200) avait dj t tudi dans des travaux de recherche antrieurs
[Kha99a].
2- Appliquer la procdure de calcul des seuils dcrite au paragraphe 3-3-4, en prenant un
ordre de processus autorgressif gal 20.
106 Application - Adaptation aux signaux rels
3- Appliquer lalgorithme de segmentation sur le signal.
5-2-1 Calcul des seuils de segmentation
5-2-1-1 Information de Kullback-Leibler et choix du seuil
La figure 5.1 (b) montre l information de Kullback- Leibler calcule partir dun segment de
dure de 926 s prsent sur la figure 5.1 (a). La figure 5.1 (c) prsente linformation de
Kullback-Leibler trie en ordre croissant.
Si le seuil choisi correspond une valeur trop faible de linformation de Kullback-Leibler, alors
le nombre des segments dtects sera trop lev. Par contre si le seuil choisi est grand alors on
risque daugmenter la probabilit de non dtection.
Compte tenu des caractristiques du signal EMG et de la taille des fentres utilises pour ce
calcul, on remarque que le nombre de changements prsents dans le signal reste toujours bien
infrieur 15% du nombre total des valeurs calcules de linformation de Kullback-Leibler.
Cest pour cette raison que nous avions choisi au chapitre 3 un seuil de segmentation
correspondant 85% des valeurs tries de linformation de Kullback-Leibler. Ce choix est
illustr sur la figure 5.1 (c).
(a)
(b)
(c)
FIG. 5.1 (a) Segment EMG. (b) Rpartition de linformation de Kullback-Leibler en fonction
du temps.(c) Information de Kullback-Leibler trie. Axe des abscisses pour (b) et (c) : nombre de
fentres. Axes des ordonnes en unit arbitraire.
5-2-1-2 Discussion sur le choix du seuil
Afin de justifier (et ventuellement de moduler) ce choix du seuil 85% des valeurs de
Kullback-Leibler tries, nous avons tudi lvolution du nombre des changements dtects en
fonction de la valeur du seuil. Les quatre graphiques de la figure 5.2 illustrent cette volution du
nombre de segments dtects pour des valeurs des seuils variant autour de 85%. Il est normal que
le nombre de changement diminue quand le seuil augmente, mais le nombre de changement est
stable autour dun seuil compris entre 80% et 85% des valeurs de l information de Kullback-
Leibler tries.
FIG. 5.2 Evolution du nombre des segments dtects en fonction de la position du seuil dduit
de linformation de Kullback-Leibler pour 4 exemples diffrents des signaux EMG. Axes des
abscisses : valeurs du seuil (en pourcentage). Axes des ordonnes : nombre de segments
dtects.
5-2-1-3 Discussion sur le choix de KH et KL
KH et KL sont les seuils haut et bas utiliss pour la dtection et larrt de lestimation des
paramtres, respectivement. Au chapitre 3, nous avons montr que la valeur optimale de KL
devait tre gale 1. La valeur de KH, dduite des signaux simuls, tait gale 3. Pour justifier
ce choix a posteriori, nous avons tudi les variations du nombre de segments dtects en
fonction dune variation des valeurs de KL et KH. Ces deux seuils KH et KL jouent en effet un
rle important dans la qualit de la dtection. La figure 5.3 illustre cette variation du nombre de
segments dtects quand KH augmente pour 3 segments EMG diffrents (KL = 1). Nous
remarquons que KH = 3 correspond la premire valeur pour laquelle le nombre de segments
dtects se stabilise. La figure 5.4 prsente la variation du nombre des segments dtects quand
cette fois KL augmente (K H = 3). Nous remarquons qu partir de KL = 1, il y a stabilit de

nombre de segments dtects, bien que cette valeur ne constitue plutt quune limite infrieure.
FIG. 5.3 Evolution du nombre de segments dtects sur 3 signaux EMG diffrents, en fonction
de la valeur de KH (K L=1)
FIG 5.4 Evolution du nombre de segments dtects sur les 3 signaux utiliss sur la figure 5.3
en fonction de KL (pour KH=3).
5-2-1-4 Influence des sujets et des conditions exprimentales sur les valeurs de seuils
Le choix des diffrents seuils peut l'vidence tre influenc par les conditions exprimentales :
sujet, type de sige, prsence ou non de vibrations. L'tude de ces influences a t faite ici sur les
signaux issus du muscle (CES gauche) pour lequel le rapport signal sur bruit tait le moins
dfavorable, afin de s'affranchir autant que possible du facteur bruit pour l'analyse.
Les tableaux suivants prsentent les seuils trouvs sur les sujets ayant des dures suffisantes
d'enregistrements exploitables : FR, FL, MM, PP, JMB, YL.
L'tude a t ralise pour quatre conditions :
sans vibrations, sige : L
sans vibrations, sige : T
avec vibrations, sige : L
avec vibrations, sige : T
Les Pi correspondent aux priodes successives des enregistrements (la dure dexprimentation
tait divise en 7 priodes spares entre elles par une phase de tests rflexes, cognitifs et
sensoriels) :
P1 : 0 20 min
P2 : 25... 35 min
P3 : 40 65 min
P4 : 70 85 min
P5 : 90 120 min
P6 : 125... 135 min
P7 : 140 160 min
Les rsultats du calcul de seuil sont donns dans les tableaux 5.1 5.4. Les valeurs des tableaux
correspondent au calcul du seuil haut dun sujet donn pour une priode donne.
Sujet P1 P2 P3 P4 P5 P6 P7 Moy. Ecart

type
FR 82 81 77 81 80 78 80 79.8571 1.7728
FL 91 82 75 78 76 76 86 80.5714 6.0514
MM 81 92 83 81 81 81 85 83.4286 4.0766
PP 88 88 85 87 84 83 85 85.7143 1.9760
JMB 81 78 78 83 82 83 82 81 2.1602
YL 79 76 81 80 112* 86 82 85.1429 12.2260
TAB 5.1 Seuils trouvs pour les sujets retenus pour l'tude chaque priode de
l'enregistrement. Conditions du calcul : exprimentation sans vibration, sige L.

type
FR 82 78 79 78 79 76 82 79.1429 2.1931
FL 75 90* 82 89 83 73 82 82 6.3770
MM 80 81 82 81 77 77 78 79.4286 2.0702
PP 74 73 72 71 72 71 70 71.8571 1.3452
JMB 80 81 80 87 81 79 90 82.5714 4.1975
YL 76 77 75 79 78 74 77 76.5714 1.7182
l'enregistrement. Conditions du calcul : exprimentation sans vibration, sige T.

type
FR 110* 96 94 93 97 102 92 97.7143 6.3434
FL 88 78 93 84 88 85 80 85.1429 5.1130
MM 112 112 105 100 106 103 103 105.8571 4.5981
PP 88 86 91 92 88 87 96 89.7143 3.4983
JMB 85 96 92 90 95 92 88 91.1429 3.8485
YL 86 99 92 80 86 86 85 87.7143 6.0749
l'enregistrement. Conditions du calcul : exprimentation avec vibration, sige L.

type
FR 112* 100 98 89 89 90 81 94.1129 10.0901
FL 84 86 75 76 78 73 76 78.2857 4.8550
MM 99 85 94 94 93 96 92 93.2857 4.3095
PP 89 89 89 81 85 90 84 86.7143 3.4017
JMB 82 81 87 78 82 78 90 82.5714 4.4668
YL 89 102 89 97 118 106 89 98.5714 10.9675
l'enregistrement. Conditions du calcul : exprimentation avec vibration, sige T.
Ces rsultats montrent tout d'abord une bonne homognit dans les seuils calculs par cette
procdure. Ceci signifie que tous les signaux EMG de tous les sujets ont, de ce point de vue, des
caractristiques similaires, ce qui tendrait montrer qu'il n'est pas ncessaire de calculer autant
de seuils que de sujets.
On remarque par contre une diffrence dans les valeurs des seuils selon la prsence ou non de
vibration. Ceci est justifi en faisant une tude ANOVA sur les donnes suivant, quil y a
vibration ou non. Cette tude donne les rsultas prsents dans le tableau 5-5.
Source de Somme des Degrs de Carr Moyen F Probabilit>F

variation carrs libert
Expliqu 4453.72 1 4453.72 74.25 5.21805.10-15
Rsiduelle 9957.27 166 59.98
Totale 14410.99 167
TAB 5.5 Rsultats de lanalyse de variance sur le seuil en fonction de la prsence ou non de
vibrations.
Il est clair que lhypothse selon laquelle il y a une diffrence dans les valeurs des seuils selon la
prsence ou non de vibration peut tre retenue.
En pratique, on utilisera comme seuil la valeur moyenne des seuils des tableaux correspondants
(79 en labsence de vibrations, 92 en prsence de vibrations ).
Donc :
Seuil haut = 79 pas de vibration
Seuil haut = 92 avec vibration
Seuil bas = 26 pas de vibration
Seuil bas = 30 avec vibration
Enfin nous remarquons une diffrence des valeurs des seuils pour certaine priodes
dexprimentation et pour un mme sujet (* dans le tableau). L'observation des segments
correspondants montre que ces valeurs correspondent en fait des segments fortement bruits.
5-2-2 Exemples de segmentations
La figure 5.5 montre quelques exemples de segmentation sur un signal EMG, pour trois priodes
dexprimentation diffrentes.
FIG. 5.5 Trois exemples de segmentation sur des signaux EMG. Axes des abscisses en
secondes, axes des ordonnes en unit arbitraire.
La figure 5.6 montre l'agrandissement dune partie du signal, illustrant la dtection de

changements dnergie.
FIG. 5.6 Agrandissement sur des zones spcifiques. Axes des abscisses en secondes, axes des
ordonnes en unit arbitraire.
La figure 5.7 montre 2 segments successifs de mme variance dtects par l'algorithme. On voit
bien que la segmentation est cette fois justifie par un changement du contenu frquentiel.
FIG. 5.7 Exemple de deux segments successifs dtects par l'algorithme, associs leur
densit spectrale de puissance. Tracs suprieurs : les deux segments dtects. Axes des
abscisses en nombre de points, axes des ordonnes en unit arbitraire. Tracs infrieurs : DSP
en unit arbitraire (axes des abscisses en Hz).
5-3 Rsultats de la procdure de rejet

Le test de rejet est fond sur la valeur de lerreur quadratique moye nne entre le spectre dun
segment et le modle exponentiel dcrit au chapitre 4. Ce test a t appliqu sur les signaux rels
aprs segmentation.
Les performances de la procdure de rejet ont t mesures par la comparaison entre les
segments rejets par l'algorithme et le rejet effectu par un expert, en utilisant les mmes signaux
que pour l'tude des seuils.
Les rsultats de rejet et de taux de segments mal classs sont prsents dans le tableau 5-6.
Configurations Nombre de Nombre de Pourcentage Remarques
dexprimentations segments segments mal de mal rejets
dtects rejets
Avec vibration, sige 1051 52 5.6 % Sujets : FR, FL,
L MM
Avec vibration, sige 1017 51 5.01% Sujets : FR, FL,
T MM
Sans vibration, sige 1151 69 5.99 % Sujets : FR, FL,
L MM
Sans vibration, 1276 82 6.4 % Sujets : FR, FL,
sige T MM
TAB 5-6 : rsultat du rejet de segments bruits. Comparaison entre algorithme et expertise.
Nous pouvons dduire de ces valeurs que lalgorithme de classification dvelopp donne des
rsultats convenables. Il permet de bien slectionner les segments EMG selon leurs spectres. Le
taux de mal classs est d deux raisons principales :
- les segments prsentant des artefacts mcaniques sont dans certains cas classifis comme des
segments EMG (bande de frquence dans la bande BF de l'EMG)
- les segments de courte dure prsentent parfois une mauvaise estimation spectrale et sont
parfois rejets tort.
La mdiane tant un paramtre important pour l'analyse de l'volution de l'EMG, nous avons
illustr l'efficacit de la mthode de rejet en traant la mdiane pour chaque segment dtect
avant (figure 5.8 (a)) et aprs le rejet (figure 5.8 (b)) pour une priode donne. La largeur des
barres du trac correspond la dure de chaque segment.
Nous remarquons que les segments dont la mdiane tait trs grande ont bien t limins. Par
contre, quelques segments pour lesquels la mdiane tait trop faible (artefacts mcaniques) ont
t conservs.
(a) (b)
FIG. 5.8- Exemple dvolution de la mdiane pour une priode dexprimentation avant (a) et
aprs rejet(b). Axes des abscisses en secondes, axes des ordonnes en Hz.
5-4 Classification des activits toniques et phasiques
Le test de rejet a permis de slectionner les segments contenant une activit EMG "e xploitable"
parmi tous les segments dtects dans les signaux rels. Les segments slectionns contiennent
cependant la fois des activits toniques utiles l'analyse et des activits phasiques
correspondant aux mouvements et co-contractions. Le but de la classification est donc de sparer

ces deux activits pour pouvoir appliquer l'analyse d'inconfort uniquement sur lactivit tonique.
Ce test, fond sur le rapport des variances locales et la dur de segment, a t dcrit au
paragraphe 4-5.
FIG. 5.9 Exemple dun rsultat de classification. Axe des abscisses en secondes, axe des
ordonnes en unit arbitraire.
La figure 5.9 montre un exemple de classification qui a permis de slectionner les segments
correspondant des activits toniques.
Les performances en classification ont t mesures par la comparaison entre la classification
obtenue par l'algorithme et l'tiquetage effectu par un expert, en utilisant les mmes signaux que
pour l'tude des seuils. Le tableau 5-7 prsente les rsultats de classification entre segments
toniques et phasiques.
Configurations Nombre des Nombre des Pourcentage Remarques

dexprimentations segments segments mal de mal
dtects classs classs
Avec vibration, sige 650 7 1.07 % Sujets : FR, FL,
L MM
Avec vibration, sige 595 7 1.177% Sujets : FR, FL,
T MM
Sans vibration, sige 634 17 2.68 % Sujets : FR, FL,
L MM
Sans vibration, 645 15 2.32 % Sujets : FR, FL,
sige T MM
TAB 5-7 : rsultat de la classification entre segments toniques et segments phasiques.

Comparaison entre algorithme et expertise.
Nous avons obtenu une bonne classification par lalgorithme, grce en particulier la diffrence
nette entre activits toniques et phasiques en termes de variation de puissance.
5-5 Evolution des paramtres spectraux
Le but final de ltude est l'analyse de lvolution frquentielle des signaux au cours de
l'exprimentation, afin de dceler une ventuelle induction de fatigue atteste par une
compression spectrale. Cette volution est ici analyse au travers de la valeur de la mdiane
spectrale, dont il a t montr auparavant qu'elle tait peu sensible au bruit, et donc largement
utilise comme indicateur dans les travaux relatifs la fatigue musculaire. Les mthodes de rejet
et de classification nous ont permis de ne slectionner que les activits toniques. Il reste
calculer lvolution de la mdiane pendant toute la dure dexprimentation et pour les 4
situations : avec et sans vibration, sige T et L.
La figure 5.10 illustre lvolution de cette frquence mdiane pour tous les segments toniques et
pour un des sujets (sujet Mm) et cela pour les quatre conditions exprimentales :
Sige L sans vibration, figure 5.10 (a)
Sige T sans vibration, figure 5.10 (b)
Sige L avec vibration, figure 5.10 (c)

Sige T avec vibration, figure 5.10 (d).
(a) (b)
(c) (d)
FIG. 5.10 Evolution de la frquence mdiane durant une phase complte dexprimentation,
pour les 4 configurations : (a) sige L sans vibration (b) sige T sans vibration (c) sige L avec
vibration (d) sige T avec vibration. Axes des abscisses en seconde, axes des ordonnes en Hz.
Cet exemple montre une grande variabilit de la mdiane, malgr l'limination des segments trop
bruits, la rduction du bruit dans les segments conservs et l'limination des segments
phasiques. Si la mdiane semble parfois voluer l'intrieur d'une priode, il n'apparat aucune
tendance globale dans le sens d'une compression spectrale au fur et mesure du droulement du
test.
Afin de disposer d'une vue plus globale sur l'volution de la mdiane en fonction des conditions
exprimentales, nous avons calcul, pour chaque exprimentation exploitable et pour le muscle
dj slectionn pour les tests prcdents (CES gauche), une rgression linaire sur l'ensemble
des valeurs de mdiane. Nous avons reprsent ensuite chacune des exprimentations par un
point dans un plan ordonne l'origine vs. pente de la droite de rgression. Ce calcul de
rgression n'a t men que pour les enregistrements pour lesquels le nombre de segments restant
aprs rejet et classification tait suffisant. Le rsultat, prsent sur la figure 5.11, est trs clair :
en ce qui concerne les pentes, elles se distribuent autour de zro. Le test sur le coefficient de
R
corrlation n 2 Tn 2 ne retient que 7 corrlations significatives sur les 26
1 R2
signaux tests (p<0,05), et pour les signaux conservs, 2 pentes seulement sont ngatives,
sans que cela soit reli d'une faon quelconque une configuratio n exprimentale
particulire.
de mme il n'apparat aucune classe particulire relie une configuration exprimentale
spcifique.
Ce rsultat final montre que, quelque soit le soin apport aux diffrents traitements appliqus aux
signaux EMG posturaux considrs ici, il n'apparat aucune volution spectrale significative au
cours d'une exprimentation d'inconfort de longue dure.
D'autre part il n'apparat aucune classe en lien avec une condition exprimentale spcifique.
FIG-5.11- Reprsentation de l'ordonne l'origine en fonction de la pente de la rgression pour

les diffrentes configurations dexprimentation et pour les enregistrements utilisables. + : sige
L sans vibration, * : sige T sans vibration, o : sige L avec vibration, x : sige T avec vibration.
Axe des abscisses en Hz.s-1 , axe des ordonnes en Hz.
Ce rsultat final montre que, quelque soit le soin apport aux diffrents traitements appliqus aux
signaux EMG posturaux considrs ici, il n'apparat aucune volution spectrale significative au
cours d'une exprimentation d'inconfort de longue dure.
5-6 Discussion des rsultats et conclusion
Dans ce chapitre ont t prsents les rsultats de lapplication de notre mthodologie sur les
signaux EMG acquis dans le cadre d'exprimentations pour ltude de linconfort lors dune
conduite de longue dure.
La segmentation a donn des rsultats efficaces pour la dtection de la variation des signaux en
nergie et en frquence, ce qui nous a permis de dtecter les diffrents activits prsentes dans
les signaux (activit toniques, phasiques ou bruits). La procdure du choix de seuil a montr
l'indpendance de cette valeur de seuil vis vis des sujets, ce qui permet de ne pas recalculer ce
seuil sujet par sujet. Cependant cette valeur de seuil restait dpendante des conditions
exprimentales.
Par contre lalgorithme prsente encore quelques limitations. La premire est quil est incapable
de dtecter les segments de dure trs petite (moins de 0.238 s). Cette limitation ne concernait
que trs peu l'application traite puisque seuls les segments toniques (longs) taient analyss.
L'influence de phases diffrentes trs courtes dans ces segments tait donc trs rduite.
Cependant, si de tels segments sont importants pour l'analyse de signaux dans d'autres contextes,
il sera ncessaire de dvelopper un algorithme spcifique pour la dtection de ces segments de
dure trs courte. La seconde limitation rside dans le fait que lalgorithme n'a t test (surtout
pour ce qui concerne la procdure du choix des seuils) que sur des signaux EMG. Il serait utile
de valider galement lalgorithme en faisant des tests sur d'autres types de signaux. Les signaux
de parole semblent tre de bon candidats pour cette valuation dans la mesure o leurs
caractristiques diffrent notablement de celles des EMG.
Pour ce qui concerne le rejet, lalgorithme dvelopp donne des rsultats satisfaisants, bien que
dans certains cas (cas de quelques activits mcaniques dues aux vibrations qui interfrent avec
les signaux EMG aux basses frquences) le rejet utilisant un modle analytique de spectre ne
fonctionne pas. Nous nous trouvons au niveau spectral dans le mme type de difficult que pour
des activits courtes du domaine temporel. Ici, ce sont des bandes de frquences troites qui sont
concernes, et qui ne suffisent pas crer une erreur d'ajustement suffisante, alors qu'elles
risquent malgr tout de perturber l'estimation des paramtres spectraux comme la mdiane et
surtout les dciles.
Lalgorithme de classification donne galement des bons rsultats. Cependant nous n'avons pas
insist sur cette part de la procdure dans la mesure o l'algorithme est adhoc, adapt uniquement
aux signaux traits ici. Il ne prsente donc aucun caractre de gnricit.
Pour l'analyse finale lie au problme de linconfort, et partir des remarques initiales sur les
activits respectives des diffrents muscles nous avons mis en vidence le fait que les muscles
les plus informatifs en matire dactivit lectromyographique lie la posture taient les
muscles du cou. Nous avons alors d'abord limit l'tude aux signaux issus de ces muscles. Nous
tant placs ainsi dans les meilleures conditions, c'est dire celles pour lesquelles la survenue
d'un inconfort devait tre la plus marque, nous n'avons pu mettre en vidence aucune volution
spectrale spcifique. Ceci met en vidence soit linaptitude du signal EMG traduire
objectivement un inconfort local dans les conditions exprimentales de l'tude, soit le fait qu'un
ressenti d'inconfort ne se traduit pas ncessairement au niveau local par une modification des
caractristiques du signal de commande lectrique musculaire.
Nous n'avons malheureusement pas les lments suffisants pour conclure en faveur de l'une ou
l'autre hypothse. Nous pouvons simplement remarquer que, lorsqu' l'intrieur d'une mme
priode les variations de mdiane sont significatives (souvent vers une compression spectrale), la
valeur initiale de la mdiane la priode suivante correspond souvent une discontinuit. Cette
remarque, dont il faut cependant reconnatre qu'elle est purement qualitative, laisse malgr tout
penser que les interruptions entre les priodes, ncessaires aux autres tests (en particulier
sensoriels), perturbent de faon importante la mise en place d'un processus de fatigue. En effet le
sujet est actif durant ces phases intermdiaires, permettant ainsi un "lessivage" des muscles
similaire une remise l'tat initial.
Conclusion 123
Conclusion
Lanalyse et ltude de linconfort partir des signaux SEMG de longue dure ncessitent un
traitement adapt, pour tenir compte du caractre trs spcifique de ces signaux, concernant en
particulier une dure importante et un rapport signal sur bruit trs dfavorable. Cest sur cette
base quont t dveloppes toutes les mthodologies de ce travail.
Le chapitre 1 a commenc par une prsentation gnrale du problme tudi et du protocole

dexprimentation. Dans ce chapitre nous avons justifi la ncessit d'une segmentation du signal
par des algorithmes locaux fo nds sur des mthodes pour lesquelles nous n'avions pas de
connaissance a priori des caractristiques des diffrents segments composant le signal. La
prsence d'activits qui ne sont pas des activits toniques, objets de l'analyse, a justifi la
ncessit de mettre en place des procdures automatiques de rejet et de classification.
La quantit des donns traiter rend impossible toute intervention dun expert oblig d'tiqueter
les diffrents segments en balayant l'ensemble du signal, ce qui a justifi le dveloppement de
procdures de traitement spcifiques, automatiques et rapides.
Le chapitre 2 tait consacr la prsentation des diffrents algorithmes de dtection et de

segmentation des signaux. Pour cela nous avons pris comme point de dpart lalgorithme
squentiel de dtection dans le cas de paramtres connus (CUSUM), puis nous avons prsent
lalgorithme DCS. Mettant en vidence les limitations de DCS, nous avons propos deux
modifications concernant cet algorithme, en modifiant la taille des fen tres permettant
l'estimation des paramtres et en utilisant une technique de double seuillage. Par des tudes en
simulation utilisant des courbes COR, nous avons pu conclure que le nouvel algorithme (MDCS)
tait plus performant que DCS.
Lajustement et ladaptation des paramtres des algorithmes ont t prsents dans le chapitre 3.
Parmi ces paramtres il y a ceux qui concernent lalgorithme MDCS lui mme, les paramtres
destimation des processus AR ainsi que le choix de lordre de ces processus. Pour l' estimation
des paramtres des processus AR c'est la mthode de covariance qui a t finalement retenue, et
un ordre de 20 a t choisi pour la modlisation.
124 Conclusion
Une mthode originale de calcul des seuils a ensuite t prsente dans ce chapitre. Elle est
fonde sur le calcul de la distribution de linformation de Kullback- Leibler dans le signal. Nous
avons pu constater ensuite que la valeur obtenue sur le seuil tait indpendante du sujet mais
variait en fonction des conditions exprimentales.
Dans le chapitre 4, nous avons trait le problme de lestimation du spectre EMG. Nous avons
indiqu les raisons qui nous conduisaient utiliser le priodogramme de Welsh pour cette
estimation. Trois mthodes de rejet ont t teste. La premire tait fonde sur la distance entre
spectre complet et spectre tronqu, les deux autres tant fondes sur lajustement de modles
analytiques sur le spectre EMG. Une comparaison par courbe COR entre ces mthodes a permis
de choisir la mthode reposant sur un modle exponentiel du spectre propos dans le cadre de ce
travail. La prsence dun bruit blanc additif dans les signaux conservs nous a ensuite conduit
proposer une mthode dlimination de ce bruit afin de mieux estimer les paramtres spectraux.
Pour terminer, nous avons propos une mthode ad hoc de classification entre segments
phasiques et segments toniques.
Le chapitre 5 a montr les rsultats obtenus aprs avoir test les mthodes sur l'ensemble des
signaux EMG exploitables. Nous avons exploit les courbes d'volution de la frquence mdiane
en fonction du temps. Les rsultats sont encourageants du point de vue de la dtection des
changements frquentiels et d'nergie. Lalgorithme s'est galement montr trs efficace sur le
plan de la rapidit grce la possibilit d'en rendre rcursives certaines tapes.
Ltude de lvolution de la mdiane pour les diffrents sujets et pour les quatre configurations
exprimentales n'a pas permis d'observer dvolutions significatives quelles que soient les
conditions exprimentales. Compte tenu du soin pris afin de n'extraire des signaux que des
informations pertinentes, cette inaptitude du signal EMG postural traduire un inconfort
ressenti, quil soit local ou global, tendrait montrer que cet inconfort n'est pas li une
modification (une fatigue) du muscle lui- mme.
Sur le plan mthodologique, cette recherche a permis de mettre au point une squence
automatique de traitements bien adapts des signaux longs de faible rapport signal sur bruit.
Deux limitations subsistent cependant pour cet algorithme. La premire est quil est incapable de
dtecter les vnements de courte dure, et la deuxime est quil est limit la dtection de
changements brusques.
Conclusion 125
La premire limitation ne pourra tre leve notre sens que par l'application en parallle
d'algorithmes spcifiques la dtection de phnomnes transitoires. La seconde implique de se
tourner vers des reprsentations mieux adaptes l'analyse de signaux non stationnaires. Des
tudes utilisant les ondelettes pour la reprsentation des signaux ont dj t menes. Une
approche combinant thorie des ondelettes et thorie de la dtection pourrait alors tre envisage.
Dautres perspectives sont lies au choix des paramtres utiliss pour suivre lvolution de la
fatigue o dautres phnomnes physiologiques partir des signaux EMG, l'ide tant de
rechercher des indicateurs beaucoup moins sensibles au bruit. Il s'agirait alors de trouver des
indicateurs d'activit lectromyographique, relis par exemple au nombre d'units mo trices
recrutes et non plus des caractres globaux, temporels ou spectraux, du signal enregistr.
126
127
Annexe A
Information de Kullback-Leibler -
Cas de deux modles AR
Linformation de Kullback- Leibler joue une rle important en probabilit et en statistiques
[Bor87], [Bas93], [Van98]. En effet cette information est utilise comme index de dtectabilit
dans les algorithme de dtection. Elle sert galement comme une distance entre deux signaux
pour la classification [Bas89] Elle est enfin utilise dans des applications de traitement de parole
[Gra76].
Par dfinition [Bor87], [Bas93] linformation de Kullback-Leibler entre deux densits de
probabilit f 0 et f 1 dun variable alatoire x est donne par :
f 0 ( x )
K ( 0 , 1 ) = ln f 0 ( x ) dx (A.1)
f 1 ( x)
De mme :
f 1 ( x)
K (1 , 0 ) = ln f1 ( x ) dx (A.2)
f 0 ( x )
Linformation de Kullback- Leibler est nulle lorsque 1 =0 .

Prenons dabord le cas de deux densits de probabilit f 0 et f 1 qui reprsentent les densits de
probabilit dune variable alatoire gaussienne de moyenne nulle et de variances 02 et 12 .

Il est trs facile de dmontrer que :
1 2 2
K ( 0 , 1) = [ln 12 + ( 02 1)] (A.3)
2 0 1
et que :
1 2 2
K (1, 0 ) = [ln 02 + ( 12 1)] (A.4)
2 1 0
Le cas le plus frquent est celui de linformation de Kullback-Leibler entre deux densits de
probabilit conditionnelles pour deux processus de modles AR dordre p et de paramtres :
128
0 = ( a10 , a20 ,..., aP0 , 02 )

et
1 = ( a11, a12 ,..., a1P , 12 )
Asymptotiquement, ces informations sont dfinies par [Bas93] :
1 n f 1 ( x j / X jj1p )
K ( 0 , 1 ) = lim E0 [ si ] = lim ln j 1
f 0 ( x j / X jj1p )dX jj1p (A.5)
i n n f 0 ( x j / X j p )
j =1
1 n f 1 ( x j / X jj1p )
K ( 0 , 1 ) = lim E1 [ s i ] = lim ln j 1
f 1 ( x j / X jj1p )dX jj1p (A.6)
i n n f ( x / X )
j =1 0 j j p
Daprs [Bas83a], [Bas93] on a :

1 12 02
K ( 0 , 1 ) = [1 + ln 2 + 2 (1 + ( c1k / 0 ) 2 )] (A.7)
2 0 1 k =1
1 2 2
K (1, 0 ) = [1 ln 12 + 12 (1 + ( ck0/1 ) 2 )] (A.8)
2 0 0 k =1
Les c1k / 0 reprsentent les coefficients du dveloppement de Taylor de la fraction

p
A1 ( z ) 1 + a1n .z n
polynomiale = n =1
p
, les ck0 /1 reprsentent les coefficients du dveloppement de
A0 ( z) 1 + a 0 .z n
n
n =1
A0 ( z) 1 + an0 .z n
Taylor de la fraction polynomiale = n =1
.
A1 ( z ) 1 + p a1 .z n
n
n =1
avec :
p
Al ( z ) = 1 + aln .z n , l = 0,1 (A.9)
n =1
En gnral ces divisions polynomiales conduisent des sommes infinies, mais en pratique (en
traitement de parole par exemple ) on peut limiter la division jusquau 2.p [Gra76], [Bas83a],
[Bas89].
A( z )
Pour calculer les coefficients de Q( z ) = jusquau le degr L, lalgorithme en Matlab est :
B( z )
function Q=divpoly(A,B,p,L)
Ap=zeros(L+1,1);
Ap(1:p)=A;
for n=1:L
Q(n)=Ap(n);
129
for j=n:n+p-1
Ap(j)=Ap(j)-Q(n)*B(j- n+1);
end
end
En utilisant cet algorithme on peut calculer les coefficients ck0 /1 puis calculer linformation de
Kullback-Leibler par (A.9) en se limitant L=2.p.
130
131
132
Annexe B
Equations de Levinson
Lalgorithme de Levinson nous permet de calculer dune faon rcursive sur lordre les
paramtres dun processus AR dordre p.
Le dveloppement de cet algorithme est classique dans la littratures [Mar87], [Kay88], [Orf90],
[Kun91], aussi nous ne donnons dans cette annexe que les quations de rcursivit directes et
inverses qui relient les paramtres de prdiction du processus calcule un ordre p aux
paramtres de prdictions de ce mme processus calculs une ordre p+1, et inversement.
Les paramtres de prdiction du signal lordre p seront nots par ( a1( p) , a2( p ) ,..., a (pp ) , (2p) ) , leur
polynme correspondant tant :
p
Ap ( z ) = 1 + an( p ) . z n (B1)
n =1
(2p) est la variance de lerreur de prdiction lordre p.
On dfinit le polynme inverse par :

ARp ( z ) = z p . Ap ( z 1 ) (B.2)
On peut alors crire lquation de Levinson directe [Orf90] dune faon matricielle comme suit :
Ap+1 ( z ) 1 K p +1. z 1 Ap ( z )
= . R (B.3)
ApR+1 ( z ) K p +1 z 1 A ( z)
p
K p+1 est le coefficient de rflexion lordre p+1, dfinie par :
R( p + 1) + a1( p) .R( p) + ... + a (pp ) .R(1)

K p+1 = (B.4)
(2p)
On a aussi la relation qui relie les variances des erreurs de prdiction :
(2p+1) = (1 K 2p+1). (2p) (B.5)
A partir de ces quations on peut donc relier les paramtres de prdiction dun processus prdit
lordre p+1, ceux prdits lordre p.
133
Lquation de Levinson inverse qui permet de passer dans le sens inverse est :
Ap1 ( z ) 1 K p Ap ( z )
= 1 . (B.6)
Ap1 ( z ) 1 K 2p
R
K p .z z ARp ( z )

1
(2p1) = . (2p) (B.7)
(1 K p )
2
A laide de ces quations on peut donc obtenir pour un processus AR dordre p, les paramtres
de prdiction de ce processus lordre p-1 ( et on peut continuer jusqu nimporte quel ordre
q<p).
134
Annexe C
Mthode de noyau pour lestimation
de densit spectrale de puissance
Une des estimations possibles de la densit de probabilit peut se faire par lhistogramme..
La dtermination du nombre de classes dun histogramme est dlicate et on ne dispose pas de
rgles objectives pour le dfinir. Un trop faible nombre de classes fait perdre de linformation et
aboutit gommer les diffrences pouvant exister entre des groupes de lensemble tudi. En
revanche un trop grand nombre de classes aboutit une trs mauvaise estimation locale de la
densit de probabilit.
On peut dailleurs critiquer le fait de reprsenter par une fonction en escalier la distribution dune
variable continue : lhistogramme est une approximation assez pauvre dune fonction de densit
et il serait plus logique de chercher une fonction plus rgulire.
La thorie de lestimation de densit permet de proposer des solutions ce problme. La
mthode du noyau a t spcifiquement conue pour rsoudre ce type de problme. Considrons
tout dabord le cas dhistogrammes classes dgale largeur h. Lhistogramme aboutit estimer
la densit de probabilit de X au point x par (n i / n.h ) si x appartient la ime classe de
lhistogramme. La densit est donc la mme quelle que soit la position de x entre les extrmits
de cette classe.
Une premire amlioration consiste utiliser la mthode de la fentre mobile : on construit
autour de x une classe de longueur h : I x = [ x h / 2; x + h / 2[ et on compte le nombre
dobservation nx appartenant cette classe. On estime alors f (x ) par n x / n.h et on peut

^
construire point par point une courbe de densit estime f ( x ) .
^
On peut remarquer alors que f ( x ) vrifie la formule gnrale :
^ 1 n x xi
f (x ) = K( ) (C.1)
n.h i=1 h
o K est la fonction indicatrice de lintervalle [1 / 2,1 / 2[ :
135
1 1
0 si u ou u <
2 2
K ( u) = (C.2)
1 si - 1 u < 1
2 2
x xi
K( ) vaut donc 1 si xi I x .
h
^
f ( x ) est donc une moyenne arithmtique de fonctions donnant chaque observation xi un poids
1/h si elle appartient lintervalle Ix , 0 sinon.
^
Cette mthode donne cependant une estimation f ( x ) peu rgulire. Pour obtenir une fonction
suffisamment lisse , il est alors possible de gnraliser la formule prcdente en prenant pour
K (le noyau) une autre expression, en gnral une densit symtrique. En Pratique
[Sap90][Van00][Fuk90] on utilise fr quemment un noyau gaussien
1 12 u 2
K (u ) = e (C.3)
2
La constante h, appele constante de lissage (ou aussi bandwidth ), joue un rle important
^
analogue celui de la largeur des classes de lhistogramme : si h est faible f ( x ) sera trs peu
^
rgulire, si h est grand f ( x ) trs liss.
1
5
Bien que lon sache que h doit tre thoriquement proportionnel n [Sap90], [Van00] sa
valeur optimale se dtermine en fait exprimentalement [Sap90], [Van00].
Dans [Van00] il est dmontr que lestimation dune densit probabilit dun chantillons issue
dune loi normale pour un nombre dchantillons de 15 par la mthode de noyau sera proche de
la loi thorique quand h est autour de 5.
Dans notre application, on a donc pris h gal 5 , tout en faisant remarquer que, si le nombre des
segments est faible (< 15 en gnral) lutilisation de la mthode sera peu valide.
136
Annexe D
Problme dajustement de courbe
par un modle non linaire
D-1 Introduction
Le problme dajustement dun donne certain modle algbrique est connue en analyse
numrique, et il sappelle le problme dajustement de courbe [Pap00], [Rus94]. Ce problme
consiste rechercher les paramtres du modle qui permet le bon ajustement du modle
algbrique aux donnes rels.
Si le modle est linaire, on rsout le problme par des mthodes de rgression linaire [Sap90],
et si le modle est non linaire on rsout le problme par des mthodes de rgression non linaire
[Rar98].
D-2 Position du problme
On cherche exprimer la relation entre deux variables X et Y sous forme dune fonction F qui
dpend de manire non linaire dun vecteur de paramtres = (1,..., q ) .
^
Y = F ( X , ) (D.1)
Pour rsoudre ce problme on utilise la mthode de moindre carre, on doit donc minimiser par
rapport A lerreur quadratique :
1 N
Q( ) =
2 j=1
( F ( x j , ) yi ) 2 (D.2)
Lorsque F est une fonction non linaire des paramtres A, le minimum ne peut tre trouv que
par une mthode itrative : on part donc avec une extraction initiale des paramtres, que lon
affine chaque tape jusqu ce que les paramtres ne varie plus. Notons que, pour la plupart
137
des mthodes doptimisation non linaire, le minimum obtenue est un minimum locale, situ au
voisinage de lestimation initiale. Cette dernire devra donc tre dtermine avec soin.
Ce problme peut tre rsolue par lalgorithme classique de Gauss Newton[Pap00].
138 Bibliographie
Bibliographie 139
Bibliographie
[Ahm89] Ahmed M. S. Comparison of speech enhancement algorithms in terms of LPC
Perturbation. IEEE Transactions on Acoustics, Speech, and signal processing. vol.
37, no. 1, 1989, pp. 426-430.
[Aiv86] Aivazian S., Enukov I., Mechalkine L. Elments de modlisation et traitement
primaire des donnes. Mir, Moscou, 1986.
[Aka96] Akay M. Detection and estimation methods for biomedical signals. Academic
press, San Diego, California, 1996.
[Bas83a] Basseville M., Benveniste M. Sequential segmentation of non-stationary digital
signals using spectral analysis. Information Sciences, vol. 29, 1983, pp. 57-73.
[Bas83b] Basseville M., Benveniste M. Sequential detection of abrupt changes in spectral

characteristics of digital signals. IEEE Transaction Information Theory, vol. 29,
no. 9, 1983, pp. 709-724.
[Bas86] Basseville M., Benveniste A., Moustakides G. V. Detection and diagnosis of

abrupt changes in modal characteristics of non-stationary digital signals. IEEE
Transaction Information Theory, vol. IT- 32, 1986, pp. 412 417.
[Bas89] Basseville M. Distances measures for signal processing and pattern recognition.
Signal processing, vol. 19, 1989, pp. 349-369.
[Bas92] Basseville M., Benhallam A., Doncarli C., Lucas M.F., De Brucq D., Colot O.,
Rix H., Thierry E., Kauffmann F. Fiches d'algorithmes de segmentation de
signaux. Traitement du Signal, Supplment au vol.9, no 1, 1992, pp. 115-147.
[Bas93] Basseville M., Nikiforov I. Detection of Abrupt Changes: Theory and Application.
Prentice-Hall, Englewood Cliffs, NJ, 1993.
[Bar48] Bartlett M. Smoothing periodograms from time series with continuous spectra.
Nature, 1948, vol. 161, pp. 686-687.
[Bar00] Baron M. I. Non-parametric adaptive change-point estimation and on-line

detection. Sequential analysis, vol.19, 2000, pp. 1-23.
[Bat98] Baten Chris T. M. Surface EMG as a tool for analyzing work related
musculoskeletal disorders. Proc. of Third general SENIAM workshops, Aachen,
Germany, May1998, pp. 121- 131.
140 Bibliographie
[Bla98] Blanchet G., Charbit M. Traitement numrique du signal- simulation sous Matlab.
Hermes, Paris, 1998.
[Boi00] Boite R., Bourlard H., Dutoit T., Hancq J., Leich H. Traitement de la parole.
Presses polytechniques et universitaires romandes, Lausanne, 2000.
[Bon01] Bonato P., Cheng S., Gonzales-Cueto J., Leardini A., OConnor J., Roy S.H.
EMG-based measures of fatigue during a repetitive squat exercise. IEEE Eng. in
medicine and biology, vol. 20, no. 6, November/December 2001, pp. 133 143.
[Box70] Box G. E. P, .Pierce D. A Distribution of residual autocorrelations in
autoregressive- integrated moving average time series. J. Amer. Stat. Assoc., vol.
64, 1970.
[Bor87] Borovkov A. Statistique mathmatique. Mir, Moscou, 1987.
[Bra83] Brandt A.V. Detecting and estimating parameters jumps using ladder algorithms
and likelihood ratio test. Proc. of ICASSP, Boston, MA, 1983, pp. 1017-1020.
[Bru85] Bruckstein A. M. The resolution of overlapping echos. IEEE Trans. Acoustic

speech. signal. process., vol. ASS SP -33, 1985, p. 1357.
[Cha00] Chabert M., Tourneret J.Y., Castanie F. Time-scale analysis of abrupt changes
corrupted by multiplicative noise. Signal processing, vol. 80, 2000, pp. 397-411.
[Cha01] Chabran E., Maton B., Fourment A. Effects of postural muscle fatigue on the
relation between segmental posture and movement. Journal of Electromyography
and Kinesiology, vol. 12, 2001, pp. 67- 79.
[Cia93a] Ciaccio E. J., Dunn S. M., Akay M. Biosignal pattern recognition and
interpretation systems, Part I: Fundamental Concepts. IEEE Eng. In Med. And
Bio., September 1993, pp. 89-95.
[Cia93b] Ciaccio E. J., Dunn S. M., Akay M. Biosignal pattern recognition and
interpretation systems, Part II: Methods for feature extraction and selection. IEEE
Eng. In Med. And Bio., December 1993, pp. 106- 113.
[Cia93c] Ciaccio E. J., Dunn S. M., Akay M. Biosignal pattern recognition and
interpretation systems, Part III: Methods and classification. IEEE Eng. In Med.
And Bio., February/Mars 1993, pp. 129- 135.
Bibliographie 141
[Cia93d] Ciaccio E. J., Dunn S. M., Akay M. Biosignal pattern recognition and
interpretation systems, Part IV: Review of applications. IEEE Eng. In Med. And
Bio., April/May 1994, pp. 269- 273.
[Coa83] Coatrieux J.L. Interference electromyogram processing. Part 2: Experimental and

simulated EMG AR modeling. Electromyogr. Clin. Neurophysiol., vol. 23, 1983,
pp. 481-490.
[Die98] Dien J. H. Trunk muscle activity in anticipation of lifting loads with known and
unknown internal properties. Proc. of Third general SENIAM workshops,
Aachen, Germany, May1998, pp. 132- 140.
[Duc93] Duchne J., Goubel F. Surface Electromyogram during voluntary contraction:
processing tools and relation to physiological events. Crit. Rev. in Biomed. Eng.,
vol. 21, no. 4, 1993, pp. 313-397.
[Duc97] Duchne J., Horgel J.Y. SEMG simulation for MFCV distribution estimates
assessment. Proc. of the Second general SENIAM workshops, Stockholm,
Sweden, June1997, pp. 122- 128.
[Duc00] J. Duchne, J. Horgel A Model of EMG Generation. IEEE Transactions on
Biomedical Engineering, vol. 47, 2000, pp. 192-201.
[Fal00] Falou E. W., Khalil M., Duchne J. AR based method for change detection using
dynamic cumulative sum. Proc. of the 7th IEEE International conference on
Electronics, circuits, and systems. ICECS 2000, Jounieh, Liban, Dcembre 2000.
[Fal01a] Falou E. W., Duchne J, Grabish M., Hewson D., Langeron Y., Lino F. Analysis
of muscular fatigue in passengers sitting in a car seat. Proc. of the International
Society of Biomechanics, ISB XVIIIth , Zurich, Swiss, Juin 2001.
[Fal01b] Falou E. W., Duchne J., Khalil M., Langeron Y. Segmentation avec rejet de
signaux EMG posturaux par une mthode locale. Proc. Colloque GRETSI01,
Toulouse, France, Septembre 2001.
[Fal01c] Falou E. W., Duchne J, Grabish M., Hewson D., Langeron Y. Evaluation of driver
discomfort during long duration car driving, Soumis Applied Ergonomics,
Septembre 2001.
[Fal01d] Falou E. W., Khalil M., Duchne J. Adaptive approach for SEMG change
detection . Proc. of the 23rd Annual International Conference of the IEEE
142 Bibliographie
Engineering in Medicine and Biology Society, EMBC2001. Istanbul, Turkey,

Octobre 2001.
[Fal02] Falou E. W., Duchne J., Khalil M., Hewson D. change detection and
classification in long term Postural EMG recordings. Proc. of the 4th
International Workshop on Biosignal Interpretation. Como, Italy, Juin 2002.
[Far99a] Farina D., Merletti R. Overview of calculation methodologies for information

extraction from surface EMG. SENIAM- Deliverable 7, State of the art on signal
processing methods for SEMG, 1999, pp. 33-54.
[Far99b] Farina D., Merletti R., Korosec D. A tool for the generation of synthetic signals to
test EMG processing algorithms. Proc. of the fourth general SENIAM workshops,
Hertogenbosh, Netherlands, September 1999, pp. 18- 24.
[Fog76] Fougere P. F., Zawalick E. J., Radoski H. R. Spontaneous line splitting in
maximum entropy power spectrum analysis. Phys. Earth Planet. Inter., 1976, vol.
12, pp. 201-207.
[Fuk90] Fukunaga K. Introduction to statistical pattern recognition. Academic Press INC.,

1990.
[Geo00] Georgiou T.T Signal estimation via selective harmonic amplification: MUSIC,
Redux . IEEE Trans. On signal Processing, vol.48, March 2000, pp. 780-790.
[Gra76a] Gray A.H., Markel J.D. Distance measures for speech processing. IEEE Trans.
Acoust. Speech. Signal process., vol. ASSP-24, October 1976, pp. 380-391.
[Gra89b] Graupe D., Kohn K.H., Basseas S. Control of electrically-stimulated walking of
paraplegics via above and below lesion EMG signature definition. IEEE Trans.
Auto .Control., vol.34, 1989, p 130.
[Gra97c] Granata A., Merletti R., Avignone E., Lo Conte L. Model based interpretation of
surface EMG fatigue plots. Proc. of the Second general SENIAM workshops,
Stockholm, Sweden, June1997, pp. 117- 121.
[Hag99] Hagg G., Luttman A., Jager M. Evaluation of electromyographic field data in
ergonomics A comparison of different methodologies. SENIAM- Deliverable 7,
State of the art on signal processing methods for SEMG, 1999, pp. 55 61
[Hef88] Hefftner G., Jaros J. The electromyogram (EMG) as a control signal for functional
neuromuscular stimulation. II. Practical demonstration of the EMG signature
discrimination system. IEEE Trans. Bio. Eng., vol.34, 1988, p 230.
Bibliographie 143
[Her99] Hermens H. J. SEMG signal processing related to areas of application. SENIAM-

Deliverable 7, State of the art on signal processing methods for SEMG, 1999, pp.
23-32.
[Inb84] Inbar G. F., Noujaim A. E. On surface EMG spectral characterization and its
application to diagnostic classification, IEEE Trans. Biomedical Eng., vol. 31,
1984, p. 597.
[Jan00] Jana R., Dey S. Change detection in teletraffic models. IEEE Trans. In Signal
Processing, vol. 48, March 2000, pp. 846-853.
[Jit86] Jitendra K. T. Recursive Estimation for Noisy Autoregressive signals. IEEE

Transactions On Information Theory, vol. IT 32, No. 3, May 1986, pp. 426- 430.
[Kar97] Karlsson S., Gerdle B. Fatigue studies using EMG with special reference to
rehabilitation medicine. Proc. of the Second general SENIAM workshops,
Stockholm, Sweden, June1997, pp. 129- 137.
[Kar99] Karlsson S., Yu J., Akay M. Enhancement of Spectral Analysis of Myoelectric
Signals During Static Contractions Using Wavelet Methods. IEEE Trans. On
Biomedical Eng., vol. 46,1999, pp. 670-684.
[Kay81] Kay S., Marple S. L. Spectrum analysis A modern perspective. Proceedings of

the IEEE, vol. 69, No. 11, 1981, pp. 1380- 1419.
[Kay88] Kay S. Modern Spectral Estimation Theory & Application. Englewood Cliffs,
Prentice-Hall, NJ, USA, 1988.
[Kha99a] Khalil M. Une approche de la dtection et de la classification dans les signaux
non stationnaires. Application l'EMG utrin Thse de Doctorat de lUniversit
de Technologie de Troyes, France, Septembre 1999.
[Kha99b] M. Khalil Une approche pour la dtection fonde sur une somme cumule
dynamique associe une dcomposition multichelle. Application l'EMG
utrin. Dix-septime Colloque GRETSI sur le traitement du signal et des images,
Vannes, France,1999.
[Kha00] Khalil M., Duchne J. Uterine EMG Analysis: A dynamic approach for change
detection and classification. IEEE Trans. Bio.. Eng., vol. 47, no. 6,2000, pp. 748-
756.
[Kha01] Khalil M., Duchne J., Marque C., Ziade H., Youssef L., Hamdach S. Extractions
des types d'vnements dans les signaux biomdicaux, Application a
144 Bibliographie
l'lectromyogramme Utrin. Journal Scientifique Libanais, vol. 2, 2001, pp. 121-

138.
[Kna02] Knaflitz M., Bonato P. Time- frequency methods applied to muscle fatigue
assessment during dynamic contractions. Journal of Electromyography and
Kinesiology, vol.9, 2002, pp. 337- 350.
[Kor99] Korosec D., Zazula D., Merletti R. Influence of the linear model structure and the
electrode placement to the estimation of the mean frequency in surface EMG
signals. Proc. of the fourth general SENIAM workshops, Hertogenbosh,
Netherlands, September 1999, pp. 31- 37.
[Kun91] Kunt M., Bellanger M., De Coulon F., Gueguen C., Hasler M., Moreau N.,
Vetterli M. Techniques modernes de traitement numrique des signaux. Presses
polytechniques et universitaires romandes, Lausanne, 1991.
[Lai98] Lai T. L. Information bounds and quick detection of parameter changes in
stochastic systems. IEEE Trans. Information Theory, vol. 44, no. 7, 1998, pp.
2917-2929.
[Lam95] T. Lammotte, A. Priez, E. Lepoivre, J. Duchne, Tarriere C. Dtection et

caractrisation en temps diffre de sauts de Dynamique: application la
Segmentation de lEMG. 15me Colloque GRETSI, Juan-Les-Pins, France,
Septembre 1995, pp. 1189-1192.
[Lav98] Lavielle M. Optimal segmentation of random process. IEEE Trans. on signal.

processing, vol. 46, 1998, pp. 1365- 1373.
[Lut99a] Luttman A., Jager M., Witsher K., Vorgerd M., Tegenthoff M. Fatigue- induced
EMG changes during low- level isometric contractions. SENIAM- Deliverable 7,
state of the art on signal processing methods for SEMG, 1999, pp. 141-150.
[Lut99b] Luttman A., Jager M., Laurig W. Evaluation of long term EMG recordings for the
determination of muscle strain and fatigue in occupational health. SENIAM-
Deliverable 7, State of the art on signal processing methods for SEMG, 1999, pp.
146-156.
[Mat99] Matei M., Delfosse N., Staroswiecki M., Darkhovski B. Une nouvelle approche
pour la dtection en prsence de paramtres inconnus. Dixseptime Colloque
GRETSI sur le traitement du signal et des images, Vannes, France, 1999.
Bibliographie 145
[Mar87] Marple S. L. Digital spectral analysis with applications. Prentice-Hall,

Englewood Cliffs, NJ, USA, 1987.
[Mer99a] Merletti R. The traditional Fourier approach to EMG analysis during voluntary or
evoked sustained contractions. SENIAM- Deliverable 7, State of the art on signal
processing methods for SEMG, 1999, pp. 65-78.
[Mer99b] Merletti R., Hermens H. J., Freriks B., Hagg G., Disselhorst-Klug C. Conclusions
of the SENIAM signal processing task. SENIAM- Deliverable 7, State of the art
on signal processing methods for SEMG, 1999, pp. 245 250.
[Mer99c] Merletti R., Farina D., Hermens H., Freriks B., Harlaar J. European
recommendation for signal processing methods for surface electromyography.
SENIAM- Deliverable 8, European recommendation for surface
electromyography, 1999, pp. 57-68.
[Mer01] Merletti R., Rainoldi A., Farina D. Surface electromyography for noninvasive
characterization of muscle. Exercise and Sport Sciences Reviews, vol. 29, no. 1,
2001, pp. 20-25.
[Nik86] Nikiforov I. Sequential detection of changes in stochastic systems. Lecture notes
in Control and information Sciences, NY, USA, 1986, pp. 216-228.
[Nik95] Nikiforov I. Diagnostic squentiel optimal de ruptures dans les systmes

stochastiques .15me colloque GRESTSI, Juan-Les-Pins, France,1995, pp. 113-
116.
[Nik00] Nikiforov I. A simple recursive algorithm for diagnosis of abrupt changes in

random signals. IEEE Trans. Information Theory, vol. 46, November 2000, pp.
2740 2746.
[Obr97] Obrecht R. A., Jacob B., Parlangeau N. Audio visual speech recognition and
segmental master slave HMM. Proc. AVSP'97, Rhodes, Greece, September 1997.
[Obr88a] Obrecht R. A., Su H. Y. Three acoustic label lings for phoneme based continuous
speech recognition. Proc. Speech'88, Edinburgh, 1988, pp. 943-950.
[Obr88b] Obrecht R. A. A New statistical approach for the automatic segmentation of

continuous speech signals, IEEE Trans. Acoustic Speech Signal Process, vol. 36,
no.1, 1988, pp. 29-40.
[Orf90] Orfandis S. J. Optimum Signal Processing an Introduction, McGraw-Hill

international editions, Singapore, 1990.
146 Bibliographie
[Pai87] Paiss O., Inbar G.F. Autoregressive modeling of Surface EMG and Its Spectrum
with Application to Fatigue. IEEE Transactions On Biomedical Engineering, vol.
34, 1987, pp. 761-770.
[Pag54] Page E. S. Continuous inspection schemes. Biometrika, vol. 41,1954, pp. 100-115.
[Pap00] Papalambros P. Y, Wilde J. D. Principles of optimal design. Modeling and

computation. Cambridge university press, USA, 2000.
[Pon98] Ponnet H., Spaepen A., Hermans V., Wouters, M. Simulation and validation of
fatigue induced changes in the electromyographic signal. Proc. of the Third
general SENIAM workshops, Aachen, Germany, May1998, pp. 87- 93.
[Pop96] Popescu T. D. Comparative study of some sequential detection methods for digital
signals, Studies in information and control, vol. 5, December 1996, pp. 345-351.
[Pro96] Proakis J. G., Manolakis D. G., Digital signal processing principles, Algorithms,
and Applications. Englewood Cliffs, Prentice- Hall, NJ, 1996.
[Rar98] Rardin L. R. Optimization in operation research. Prentice-Hall, NJ, USA, 1998.
[Red79] Reddi S. S. Multiple source location A digital approach. IEEE Trans. Aero.
Electro. Syst., vol. AES 15, 1979, pp. 95-105.
[Rou87] Rouge A., Basseville M., Benveniste, A., Moustakides G. Optimum robust
detection of changes in the AR part of a multivariable ARMA Process. IEEE
Transactions on Automatic Control, vol. 32, 1987, pp. 1116-1120.
[Rus94] Rustagi S. J. Optimization techniques in statistics. Academic press, USA, 1994.
[Sap90] Saporta G. Probabilits, analyse des donnes et statistiques, ditions Technip,

1990.
[Sar95] Saric Z. M., Turajilic S. R. A new approach to speech segmentation based on the
maximum likelihood. Circuits Systems Signal Process, vol. 14, 1995, pp. 615-632.
[Sch86] Schmidt R. O. Multiple emitter location and signal parameter estimation, IEEE
Trans. Antennas Propagation, vol. AP- 34, 1986, pp. 276-280.
[Sei87] Seidel H., Beyer H., Brauer D. Electromyographic evaluation of back muscle
fatigue with repeated sustained contractions of different strengths. Eur. J. Appl.
Physiol., vol. 56, 1987, p 592
Bibliographie 147
[Sek91] Seki K., Miyazaki Y., Watanabe M., Nagata A., Narusawa M. Surface
electromyogram spectral characterization and motor unit activity during voluntary
ramp contraction in men, Eur. J. Appl. Physiol., vol. 63, 1991, pp. 165
[Shw75] Shwedyk E., Balasubsubramanian R., Scott R. N. A nonstationary model for the
electromyogram. IEEE Transactions on Biomedical Engineering and signal
processing. vol. 24, no. 5, 1977, pp. 417-424.
[The92] Therrien W. C. Discrete random signals and statistics signal processing.
Englewood Cliffs, Prentice- Hall, NJ, 1992.
[Ton75] Tong H. Autoregressive model fitting with noisy data by Akaike information
criterion. IEEE Transactions On Information Theory, vol. IT 21,1975, pp. 476-
480.
[Ton77] Tong H. More on Autoregressive model fitting with noisy data by Akaike
information criterion, IEEE Transactions On Information Theory, vol. IT 23,1977,
pp. 409-410.
[Tur96] Turajilic S. R., Saric Z. M. Sequential speech segmentation based on the spectral
ARMA transition measure. Circuits Systems Signal Process, vol. 15,1996, pp. 71-
92.
[Van98] Van Dieen J.H., De Looze M.P. Trunk muscle activity in anticipation of lifting
loads with known and unknown inertial properties. Proc. of the Third general
SENIAM workshops, Aachen, Germany, May1998, pp. 132- 140.
[Van00] Van der Vaart A.W. Asymptotic statistics. Cambridge university press, NY, USA,
2000.
[Voz94] Vozel B. Etude comparative dalgorithmes rcursifs de dtection de ruptures

spectrales. Thse de Doctorat de lUniversit de Nantes, France, Fvrier 1994.
[Wes99] Westgaard R.H. SEMG in ergonomics: possibilities and limitations , Proc. of the
fourth general SENIAM workshops, Hertogenbosh, the Netherlands, September
1999, pp. 43- 48.

These Wassim El Falou PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

These Wassim El Falou PDF

Transféré par

Droits d'auteur :

Formats disponibles

Universit de Technologie de Troyes (UTT)

Une approche de la segmentation dans des signaux de

Thse prsente pour de lobtention du grade de Docteur de

Soutenue le 19 Dcembre 2002 devant le jury compos de :

M. Herv Rix Rapporteur

M. Paul Gaillard Prsident du jury

Discipline : Sret des Systmes

A ma famille, Racha et Mazen

Table des matires

3-3 Mthode automatique du choix des seuils ........................................................................... 68

Annexe B..................................................................................................................................... 132

1 : vecteur paramtre de lhypothse H1

E1 [ s ] : esprance du logarithme de vraisemblance sous H1

f 0 : densit de probabilit correspondant H0

f 1 : densit de probabilit correspondant H1

KL : coefficient multiplicatif pour le seuil bas

Le chapitre 1 dbute par une prsentation gnrale du problme tudi et du protocole

dtection. Une procdure automatique du choix du seuil de dtection, fonde sur la

1-2 Objectifs de ltude

1-3 Elments de description des signaux

1-3-1 Origine de lEMG

1-3-2 Le SEMG utilis en fatigue musculaire et ergonomie

1-4 Exprimentation et description des signaux

1-4-1 Dispositif exprimental et protocole

FIG. 1.1 Exemple dun sujet lors de lexprimentation

La dtection de lactivit lectrique des muscles a t ralise en drivation bipolaire, ce qui

FIG. 1.2 Positionnement des lectrodes

Le choix des muscles a t effectu la suite de diffrentes pr-exprimentations qui ont t

travail de thse a t de crer des algorithmes de segmentation efficaces et rapides (avec un

1-5 Les diffrentes tapes du traitement des signaux SEMG

Le problme majeur li lenregistrement de lactivit de muscles posturaux est le fait que le

Le pr-traitement permet un premier filtrage des signaux et llimination dartefacts de spectre

Ce chapitre constitue une introduction la physiologie des signaux SEMG, et lutilisation de

2-2 Mthodes de dtection des ruptures dans le cas d'un changement

2-2-1 Formulation mathmatique lmentaire

pourrons procder, chaque instant, au test d'hypothse suivant:

On va prsenter ici deux algorithmes pour rsoudre ce problme de dtection : l'algorithme de

2-2-2 Algorithme de Neyman - Pearson

La rgle de dcision est la suivante:

Linstant darrt est :

2-2-3 Algorithme de somme cumule CUSUM

La somme S1j fournit un test squentiel de logarithme du rapport de vraisemblance. Lintrt de

- On calcule alors la fonction de dtection suivante:

g j = S1j min S1i (2.9)

Au vu de la proprit prcdente de la somme cumule, la fonction de dtection est construite en

FIG. 2.1 a) Signal b) Evolution de la somme cumule c) Evolution de la fonction de dtection.

- Linstant de changement est dfini alors par :

2-2-3-2 CUSUM en cas de changement de variance

2-2-3-3 CUSUM en cas de changement dans un modle ARMA ou AR

o f 0 ( xi / xi1,..., x1 ) et f 1 ( xi / xi1,..., x1 ) sont les densits de probabilit conditionnelle.

La probabilit conditionnelle scrit alors [Bas93]:

Dans le cas o q=0, le modle sappelle un modle autorgressif AR dordre p, et alors :

1 = (a11,..., a1p , 12 ) (2.22)

2-2-3-4 Proprit de dtectabilit de CUSUM

La dtectabilit reprsente la capacit dun algorithme dtecter un changement. De ce point de

2-2-3-5 Proprits asymptotiques de CUSUM

2-3 Mthodes de dtection des ruptures dans le cas dhypothses

2-3-1 Mthode du rapport de vraisemblance gnralis

Linstant de changement est estim par k au sens du maximum de vraisemblance :

k = arg max S nj (2.25)

2-3-2 Mthode de Brandt

Lalgorithme de Brandt est un moyen simplifi pour limplantation de lalgorithme de maximum

N longueur de la fentre test.