Sid Hom These Corr

‫وزارة التعـليــــم العالـــي والـبحـــث العلـمـــــــــي‬
MINISTERE DE L‟ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE FERHAT ABBAS –SETIF-1 1-‫جامعـــح فزحاخ عثاس سطٍــــف‬

Faculté de Technologie ‫كهٍـح انرـكىــىنــىجٍــــا‬
Département d’électrotechnique ‫اإلنكرزوذقىٍح‬: ‫قسم‬
Mémoire de Master
No. Réf. : ………./……/2015
Présenté au Département d‟électrotechnique
Domaine : Sciences et Technologie

Filière : Automatique
Spécialité : Commande des processus industriel
Réalisé par :
Mr.Sadmi Sidhoum
Thème
Caractérisation du signal EMG de surface via une interface graphique sous matlab
Soutenu le 17/06/2015 devant la commission d’examen composée de :
M. Sait Belkacem MCA à l‟Université de Sétif Président

Meme Mebarkia Aicha MCA à l‟Université de Sétif Directeur du Mémoire
Meme Nouar Embarka MAA à l‟Université de Sétif Examinateur
Dédicaces
Grace à Dieu voilà notre travail terminé et il est temps pour moi de partager
ma joie avec tous ceux qui m’ont soutenu et encouragé.
En signe d’amour, de gratitude et de respect, je dédie ce modeste travail:
A ma chère mère et mon cher père
A mes frères et mes sœurs
A toute ma famille
A tous mes amis et proches
A mes collègues de promotion 2014 et 2015
A mes amies qui sont absents
A tous ceux qui m’aiment
Que dieu accepte notre travail.
Remerciements
Je tiens à remercier, en tout premier lieu, Dr. Mebarkia Aicha Directeur de ce mémoire
pour avoir accepté de m‟encadrer.
Je remercie également tous les membres du jury pour l‟intérêt qu‟ils ont porté à mon travail :
 Mr Sait Belkacem.
 Meme Mebarkia Aicha.
 Meme Nouar Embarka.
Je pense en particulier à mes amis pour m‟avoir encouragé dans les moments critiques, et
pour l‟esprit d‟équipe qu‟ils ont montré et qui m‟a permis d‟échanger avec eux des idées dans le
même axe de recherche.
Je ne serai terminer mes remerciements sans mentionner les membres de ma famille et

spécialement ma mère et mon père, qui, sur le plan humain, m‟ont soutenu par leurs
encouragements tout au long de mes études.
Enfin, je remercie toute personne de près ou de loin qui a rendu ce travail réalisable et
présentable.
Sétif, le17 /06/2015

SOMMAIRE
Sommaire
INTRODUCTION GENERALE ......................................................................... XI
Chapitre 01............................................................................................................................. 1
LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE ................. 1

1.1. Introduction ........................................................................................................................................................... 1
1.2. Unité motrice ........................................................................................................................................................ 1
1.3. Génération du signal EMG ............................................................................................................................... 3
1.3.1. Création de la différence de potentiel ............................................................................................................... 3
1.3.2. Création de différence potentiel au niveau de l‟axone ................................................................................ 4
1.4. Détection du signal EMG ................................................................................................................................10
1.4.1. Préparation de la peau ..........................................................................................................................................10
1.4.2. Placement des électrodes ....................................................................................................................................11
1.4.3. Les modes de détection .......................................................................................................................................12
1.5. Conclusion ...........................................................................................................................................................14
Chapitre 02.......................................................................................................................... 15
ESTIMATION TEMPORELLE ET SPECTRALE ...............................................15

2.1. Introduction .........................................................................................................................................................15
2.2. Généralités sur les signaux ...........................................................................................................................15
2.2.1. Définition signal ...................................................................................................................................................15
2.2.2. Définition du bruit...............................................................................................................................................15
2.2.3. Définition du rapport signal sur bruit.........................................................................................................15
2.3. Le signal électomyographique ....................................................................................................................16
2.4. Paramètres d'amplitude ................................................................................................................................17
2.4.1. Définition de la RMS ...........................................................................................................................................17
2.4.2. Définition de l’ARV ..............................................................................................................................................18
2.5. Paramètres spectraux ....................................................................................................................................18
2.5.1. Fréquence médiane ............................................................................................................................................18
2.5.2. Fréquence moyenne ...........................................................................................................................................18
2.6. Estimation spectrale par les méthodes basées sur la FFT ...............................................................18
2.6.1. Transformation de Fourier..............................................................................................................................19
2.6.2. Méthode du périodogramme pour l’estimation spectrale..................................................................19
.2.6.3 Méthode du corrélogramme : (Blackman -Tukey) .................................................................................20
2.6.4. Fenêtres de pondération ..................................................................................................................................21
2.7. Algorithmes et organigrammes ..................................................................................................................22
SOMMAIRE
2.7.1. Algorithme de calcul des variables temporels ........................................................................................22

2.7.2. Algorithme du périodogramme .....................................................................................................................23
2.7.3. Algorithme de calcul des variables spectrales ........................................................................................24
2.7.4. Logiciel .....................................................................................................................................................................25
2.8. Conclusion ..........................................................................................................................................................26
Chapitre 03.......................................................................................................................... 27
LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU

LOGICIEL .............................................................................................................27
3.1. Introduction, utiliser style (Titre 3) ..............................................................................................................27

3.2. Le protocole expérimental ...........................................................................................................................27
3.2.1. Recueil du signal EMG .......................................................................................................................................28
3.2.2. L'enregistrement EMG.......................................................................................................................................29
3.3. Développement du logiciel ...........................................................................................................................30
3.3.1. Fenêtre ‘d’affichage’ ..........................................................................................................................................30
3.3.2. Fenêtre ‘Analyse’ ................................................................................................................................................32
3.4. Conclusion ..........................................................................................................................................................33
Chapitre 04.......................................................................................................................... 34
APPLICATION ET DISCUSSION ........................................................................34

4.1. Introduction .......................................................................................................................................................34
4.2. Méthode d’analyse ...........................................................................................................................................34
4.2.1. Analyse temporelle .............................................................................................................................................34
4.2.2. Analyse spectrale.................................................................................................................................................43
4.3. Analyse statistique ANOVA ........................................................................................................................46
4.3.1. Définition ................................................................................................................................................................46
4.3.2. One-Way ANOVA .................................................................................................................................................46
4.3.3. Tableau ANOVA standard ..................................................................................................................................47
4.3.4. Box- plot ..................................................................................................................................................................47
4.4. Conclusion ..........................................................................................................................................................51
CONCLUSIONS GENERALES ET PERSPECTIVES ....................................53
SOMMAIRE
Liste des figures
Figure ‎1-1 La représentation de l’unité motrice ................................................................................................................... 1

Figure ‎1-2 Représentation de l’ensemble des fibres dans l’unité motrice. ....................................................................... 2
Figure ‎1-3 Schéma illustratif d’un neurone. .......................................................................................................................... 3
Figure ‎1-4 La force électrostatique ......................................................................................................................................... 4
Figure ‎1-5 Le potentiel de repos. ............................................................................................................................................ 5
Figure ‎1-6 La pénétration des ions N+. ................................................................................................................................ 5
Figure ‎1-7 La sortie ions K+ ................................................................................................................................................... 6
Figure ‎1-8 Fonction de la pompe Na-K ................................................................................................................................ 6
Figure ‎1-9 Un potentiel excitateur qui n’atteint pas le seuil d’excitation.......................................................................... 7
Figure ‎1-10 Un potentiel excitateur qui n’atteint pas le seuil d’excitation ....................................................................... 7
Figure ‎1-11 Le potentiel d’action............................................................................................................................................ 8
Figure ‎1-12 Potentiel d'action d'une unité motrice (PAUM) résultant de la somme des potentiels d'action des
fibres singulières (PAFS) ................................................................................................................................................9
Figure ‎1-13 Principe de génération de signal EMG. .........................................................................................................10
Figure ‎1-14 La détection monopolaire ................................................................................................................................12
Figure ‎1-15 La détection bipolaire........................................................................................................................................12
Figure ‎1-16 La détection bipolaire double ..........................................................................................................................13
Figure ‎1-17 Spectre de fréquence du signal d'EMG la contraction maximum volontaire à 50%. .............................14
Figure ‎2-1 Classification selon la nature profonde de l'évolution du signal en fonction du temps ...........................16
Figure ‎2-2 Représentation des fenêtres de pondérations..................................................................................................21
Figure ‎2-3 Représentation de la DSP par la méthode de corrélogramme......................................................................22
Figure ‎2-4 Organigramme de calculer de RMS et ARV....................................................................................................23
Figure ‎2-5 Organigramme du périodogramme...................................................................................................................24
Figure ‎2-6 Organigramme de calculer de fréquence médiane..........................................................................................25
Figure ‎2-7 Organigramme d’exécution du programme.....................................................................................................26
Figure ‎3-1 Genou étendu GE (position d’extension) .......................................................................................................28
Figure ‎3-2 Genou fléchi GF(Position de flexion) ..............................................................................................................28
Figure ‎3-3 Illustration schématique du système de détection et de son positionnement sur le muscle
gastrocnémien latéral. .................................................................................................................................................. 30
Figure ‎3-4 Fenêtre du menu principal. ................................................................................................................................30
Figure ‎3-5 Fenêtre d’affichage...............................................................................................................................................31
Figure ‎3-6 Fenêtre analyse .....................................................................................................................................................32
SOMMAIRE
Figure ‎4-1 Représentation da la RMS à 20% et 60% MVC du sujet 1 en extension et en flexion ............................35
Figure ‎4-2 Représentation de l’ARV à 20% et 60% MVC du sujet 1 en extension et en flexion. .............................35
Figure ‎4-3 Représentation de la RMS à 20% et 60% MVC du sujet 2 en extension et en flexion. ...........................36
Figure ‎4-10 Représentation de l’ARV à 20% et 60% MVC du sujet 5 en extension et en flexion. ..........................39
Figure ‎4-11 Représentation de la RMS à 20% et 60% MVC du sujet 6 en extension et en flexion. .........................40
Figure ‎4-12 Représentation de l’ARV à 20% et 60% MVC du sujet 6 en extension et en flexion. ...........................40
Figure ‎4-13 Représentation RMS à 20% et 60% MVC du sujet 7 en extension et flexion. ........................................41
Figure ‎4-14 Représentation ARV à 20% et 60% MVC du sujet 7 en extension et en flexion. ..................................41
Figure ‎4-15 Représentation RMS à 20% et 60% MVC du sujet 8 en extension et en flexion....................................42
Figure ‎4-16 Représentation ARV à 20% et 60% MVC du sujet 8 en extension et en flexion. ..................................42
Figure ‎4-17 Représentation de la RMS à 20% et 60% MVC des huit sujets en extension et en flexion. .................43
Figure ‎4-18 Représentation de l’ARV à 20% et 60% MVC des huit sujets en extension et en flexion ....................43
Figure ‎4-19 Représentation de la MDF à 20% et 60% MVC des huit sujets en extension et en flexion. ................44
Figure ‎4-20 Représentation de la DSP à 60% MVC du sujet 1 en extension et en flexion durant la première et la
neuvième seconde. ........................................................................................................................................................45
Figure ‎4-21 Représentation de DSP à 60% MVC du sujet 3 en extension et en flexion durant la première et la
Figure ‎4-22 Représentation de DSP à 60% MVC du sujet 8 en extension et en flexion durant la première et la
Figure ‎4-23 Représentation de la RMS avec l’Anova1 à 20% MVC du sujet 8 en extension et en flexion. ..........48
Figure ‎4-24 Représentation de RMS avec l’Anova1 à 60% MVC du sujet 8 en extension et en flexion.................48
Figure ‎4-25 Représentation de la MDF avec l’Anova1 à 20% MVC des 8 sujets en extension et en flexion. .....49
Figure ‎4-26 Représentation de la MDF avec l’Anova1 à 60% MVC des 8 sujets en extension et en flexion. .....49
Figure ‎4-27 Représentation RMS à 20% du sujet 6 en extension . ................................................................................50
Figure ‎4-28 Représentation RMS à 20% du sujet 6 en extension. .................................................................................50
Figure ‎4-29 Représentation de la RMS avec l’Anova1 à 20% MVC du sujet 6 en extension et en flexion. ..........51
SOMMAIRE
Liste des tableaux
Tableau ‎2.1. Classification des turbines éoliennes....................................Erreur ! Signet non défini.

Tableau ‎3.1. Classification des turbines éoliennes....................................Erreur ! Signet non défini.
Tableau ‎4.1. Classification des turbines. ...................................................Erreur ! Signet non défini.
ix
INTRODUCTION GENERALE
Listes des Acronymes et Symboles
Acronymes
MVC Contraction volontaire maximale
EMG Electromyographie
DSP Densité spectrale de puissance
FMD Fréquence médiane
PAUM Potentiel d‟action de l‟unité motrice
TPAUM Train du potentiel d‟une unité motrice.
IPIs Inter-impulsions
RMS Root Mean Square
SEMG Electromyographie de surface
MU unité motrice
UMs Somme de l‟unité motrice
ARV Average Rectified value
GE Genou Etendu
GF Genou Fléchi
SD Signal Différentiel
PS puissances respectives du signal
Pn puissances bruit
MG gastrocnemius médial
LG gasctrocnemius latéral
FFT Transformé de Fourier rapide
PAFS les potentiels d'action des fibres singulières
TFD Transformation de Fourier Discrète
Symboles
ξ rapport de la puissance du signal et puissance du bruit
ξdB rapport de la puissance du signal et puissance du bruit en décibel
 Le noyau qui met en évidence une classe de caractéristiques du signal

w(m) La fenêtre réelle paire
x
Dans la vie humaine, la plupart des activités sont effectuées par des éléments importants qui
sont les muscles. Les mouvements et la locomotion sont initiés par l'excitation électrophysiologique
d'un groupe d'unités motrices (UMs) tout en contractant volontairement ou involontairement un
muscle. Le signal électrophysiologique généré lors de l'excitation/contraction peut être détecté et
utilisé pour étudier la fonction musculaire. Ce dernier procédé est connu sous le nom
d'électromyographie (EMG). Donc, d'une manière simple, l'électromyographie est l'étude de la
fonction musculaire grâce à l'analyse des signaux électriques générés durant les contractions
musculaires.
La détection du signal EMG peut s'effectuer soit par la technique invasive basée sur l'insertion
des aiguilles dans le muscle soit par la technique non invasive qui consiste à placer des électrodes à
la surface du muscle. Le signal EMG résultant dans les deux situations, représente la somme de tous
les potentiels d'action des unités motrices actives impliquées dans la contraction. En raison des
avantages de la technique non invasive ou l'EMG de surface (sEMG), les chercheurs ont réalisé de
nombreux travaux durant ces dernières décennies et ont développé de nombreuses approches afin de
mieux exploiter les signaux sEMG. La technique sEMG est plus commode car elle ne cause ni
douleur, ni risque d'infection contrairement à la technique de l'aiguille EMG. Cependant,
l'information portée par le signal sEMG est globale et n'est pas directement adaptée à certaines
applications telles que le diagnostic de troubles neuromusculaires, dans lequel l'unité motrice doit
être étudiée à travers son potentiel d‟action [3].
Durant des contractions musculaires, des altérations de l‟amplitude du potentiel d‟action, de
sa forme peuvent être quantifiés au moyen de ses variables d‟amplitude comme la valeur rectifiée
„Average Rectified value‟ (ARV), et la valeur efficace „Root Mean Square„ (RMS). Les altérations
spectrales peuvent être quantifiées par des variables fréquentielles comme la fréquence médiane
(MDF).
De nombreux travaux ont mis en évidence l‟augmentation de l‟amplitude (paramètres
temporels) du signal EMG et la compression spectrale de fréquence durant des contractions
soutenues.
L‟augmentation des valeurs RMS est caractéristique d‟une augmentation de la sollicitation du
muscle en vue de produire une tension supérieure ou pour maintenir cette tension en condition de
fatigue.
xi
Le traitement fréquentiel est basé sur le calcul de la (DSP) du signal. Le calcul des „déciles‟
est une approche classique qui divise le spectre de 10 secondes en dix parties égales de 1 seconde
autour d‟une bande de fréquence.
La relation entre les modifications des valeurs de la fréquence médiane (MDF) et le niveau de force
n‟est pas admise par tous les auteurs, les travaux sont contradictoires sur ce point (Bigland-
ritchie,1981 ; Moritani & al ,1987).
En revanche cette fréquence est l‟indice fiable de la fatigabilité du muscle. La fatigue
entraîne un glissement du spectre vers la basse fréquence, responsable de la baisse des valeurs des
variables spectrales.
Notre travail consiste à estimer aussi bien les paramètres temporels (ARV, RMS) ainsi que
les paramètres spectraux (MDF, DSP) par le développement d‟un logiciel de calcul qui permet de
traiter n‟importe quel signal qu‟il soit réel ou simulé à deux niveaux de contraction 20% et 60%
MVC.
Durant notre étude, sept signaux bipolaires (SD) ont été considérés à partir des 8 électrodes
disposées à la surface du muscle mollet (partie latérale du muscle gastrocnemien).
Ce travail est organisé en quatre chapitres :
Le premier chapitre englobe les notions fondamentales sur l‟électromyographie, la
compréhension du phénomène de génération du signal EMG, sa nature et ses méthodes de
détection.
Le deuxième chapitre présente les différentes notions de traitement du signal utiles pour le
calcul des différents paramètres qu'ils soient temporels ou spectraux ainsi que les algorithmes
développés pour leur programmation.
Dans le troisième chapitre, nous expliquerons le protocole expérimental et le logiciel
développé pour des applications données.
Le quatrième chapitre fera l‟objet d‟une application directe de toutes les estimations.
Nous terminerons ce présent de travail par une conclusion.
xii
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
Chapitre 01
LES NOTIONS FONDAMENTALES SUR

L’ELECTROMYOGRAPHIE
1.1. Introduction
L‟électromyographie (EMG) est le signal qui représente l‟activité électrique durant la

contraction du muscle. Ce signal est contrôlé par le système nerveux et dépend des prospérités
anatomiques et physiologiques du muscle.
Dans ce chapitre on va étudier la source de ce signal, sa génération, sa détection et sa nature.
1.2. Unité motrice
Une unité motrice (UM) est un ensemble des fibres musculaires et d‟un neurone dont
l‟axone est situé dans la moelle épinière (Figure 1.1)
Figure ‎1.1. La représentation de l‟unité motrice
Les fibres musculaires sont des cellules longues de formes cylindriques contenant noyaux,
mitochondries, réticulum endoplasmique et myofibrilles (Figure 1.2) [1]. Les fibres sont disposées
p. 1
parallèlement. Elles mesurent de 10 à 100 μm de diamètre et peuvent atteindre 30 cm de longueur.

Chaque fibre musculaire est située dans une membrane transparente fine appelée sarcolemme[1].
Figure ‎1.2 .Représentation de l‟ensemble des fibres dans l‟unité motrice
Le système nerveux est formé de deux types de cellules : les cellules gliales et les neurones, chaque
neurone possède une membrane qui entoure un cytoplasme et un noyau qui contient les gènes. Il a
aussi les petits organites qui lui permettent de produire son énergie et de fabriquer des protéines
(Figure 1.3).
Le neurone a le rôle de transmettre l'information, il possède deux types de prolongements bien
particuliers qui les distinguent des autres cellules.
 Les dendrites, qui se divisent comme les branches d'un arbre, recueillent l'information et
l'acheminent vers le corps de la cellule.
 l'axone, généralement très long et unique. Cet axone conduit l'information du corps
cellulaire vers d'autres neurones avec qui il fait des connexions appelées synapses. Les
axones peuvent aussi stimuler directement d'autres types de cellules, comme celles des
muscles ou des glandes.
p. 2
Figure ‎1.3. Schéma illustratif d‟un neurone
1.3. Génération du signal EMG
1.3.1. Création de la différence de potentiel
Derrière la conduction nerveuse, il y a essentiellement des forces électriques et chimiques

qui sont le moteur du mouvement des ions. Chaque ion subit en effet deux forces bien distinctes.
Celle de son gradient de concentration chimique qui tend à bouger l'ion de la région la plus
concentrée vers la moins concentrée et celle de la force électrostatique due à la charge de cet ion qui
l'éloigne des charges semblables et le rapproche des charges opposées.
1.3.1.1. La relation entre la force électrostatique et le potentiel
a. La force électrostatique
L‟intensité de la force électrostatique entre deux charges électriques est proportionnelle au

produit des deux charges et est inversement proportionnelle au carré de la distance entre les deux
charges. La force est portée par la droite passant par les deux charges selon la Figure 1.4.
p. 3
Figure ‎1.4. La force électrostatique
b. Le potentiel électrique
Le potentiel électrique est l'une des grandeurs définissant l'état électrique d'un point
de l'espace. Il correspond à l'énergie potentielle électrostatique selon la relation (1.1) [4][3].
 q1V2  p1   q2V1  p2 
1 q1q2
Eint  (‎1.1)
4 0 p1 p2
V1 : Le potentiel électrique au point p1

V2 : Le potentiel électrique au point p2
q1 : La charge électrique au point p1
q 2 : La charge électrique au point p2
Eint : Énergie potentielle électrostatique d‟interaction entre deux charges
 0 : Constante diélectrique du vide
Le potentiel électrique et la force électrostatique sont deux grandeurs lies à énergie électrostatique.
1.3.2. Création de différence de potentiel au niveau de l’axone
La création de différence potentielle au niveau de cette cellule s‟obéit à l‟activité des canaux
sensibles au voltage .
1.3.2.1. Canaux sensibles au voltage
 Les ions chlore (Cl-) que l‟on retrouve surtout à l‟extérieur de la cellule tendent à pénétrer à
l‟intérieur, mais ils sont freinés par les anions négatifs qui s‟y trouvent. De même, les ions
p. 4
potassium (K+) plus concentrés à l‟intérieur tendent à sortir de la cellule mais comme
l‟extérieur est aussi chargé positivement, leur sortie s‟en trouve freinée. Donc un équilibre
va s‟établir : c‟est le potentiel de repos (Figure 1.5)[2].
Figure ‎1.5. Le potentiel de repos
 Il en va différemment pour le sodium (Na+), les deux forces vont dans le même sens : il est
moins concentré à l‟intérieur, et cet intérieur est chargé négativement (alors que lui l‟est
positivement) (Figure 1.6). Il y a donc constamment des ions sodium, qui entrent dans la
cellule amenant aussitôt la sortie d‟un ion potassium, ce qui maintient le potentiel de repos.
Mais ceci n‟empêche pas l‟accumulation de Na+ et la diminution de K+ à l‟intérieur du
neurone.
Les canaux sodiques seront sensibles à ce potentiel de membrane atteignant un seuil de
déclenchement généralement situé autour de -55 mV, il dépolarise alors davantage la région,
amenant ainsi les canaux semblable à s‟ouvrir. De cette façon, le potentiel d‟action se recrée
dans la région voisine et se propage de proche en proche [2].
Figure ‎1.6. La pénétration des ions N+
p. 5
 la dépolarisation est quant à elle assurée par des canaux potassique sensibles au potentiel de
membrane qui s‟ouvrent quand la dépolarisation atteint son maximum vert +35 mV (Figure
1.7)[2].
Figure ‎1.7. La sortie ions K+
 Si la sortie de K+ rétablit l‟équilibre électrique du potentiel de repos, il n‟en va pas de même

pour le gradient de concentration du Na+ et du K+, qui doit être restauré activement par
neurone. Celui-ci s‟acquitte de cette tâche grâce à des protéines transmembranaires appelées
pompes Na-K (Figure 1.8). Les pompes Na-K ressortent activement les ions Na+ et font
rentrer tout aussi activement les ions K+. Pour 2 ions K+ qui reviennent à l‟intérieur, 3 ions
Na+ sont expulsés [2].
Figure ‎1.8. Fonction de la pompe Na-K
1.3.2.2. Potentiel d’action
Le potentiel d'action est le terme technique pour décrire l'influx nerveux. Il s'agit d'une
p. 6
dépolarisation brève et réversible qui se propage le long de l'axone. Il diffère du potentiel récepteur
(ou potentiel synaptique) à plusieurs égards.
Les potentiels d'action sont aussi d'amplitude et d'intensité invariables. Leur génération fonctionne
sur le mode " tout ou rien ". Sous le seuil d'excitation du neurone, rien ne se passe. Par contre, que
l'intensité du stimulus déclencheur soit à peine au-dessus du seuil ou le dépassant largement, cela ne
fait aucune différence : un potentiel d'action, toujours pareil pour une cellule donnée, est produit.
Par conséquent, un neurone ne peut transmettre de l'information qu'en variant la fréquence de ses
potentiels d'action, c'est-à-dire par le nombre de potentiels d'action émis en une seconde. Les figures
suivantes montrent trois situations possibles de communication entre neurones. Il s'agit de
l'enregistrement intracellulaire des variations du potentiel de membrane du neurone [2].
 le neurone reçoit un potentiel excitateur qui n‟atteint pas le seuil d‟excitation du neurone et
ne peut donc pas générer un nouvel influx nerveux (Figure1.9)
Figure ‎1.9. Un potentiel excitateur qui n‟atteint pas le seuil d‟excitation
 le neurone reçoit un potentiels excitateur dans la somme ne permet pas d‟atteindre le seuil
d‟excitation du neurone et de générer un nouvel influx nerveux (Figure 1.10).
Figure ‎1.10. Un potentiel excitateur qui n‟atteint pas le seuil d‟excitation
p. 7
 le neurone reçoit deux potentiels excitateurs dont la somme permet d‟atteindre le seuil
d‟excitation du neurone et de générer un nouveau potentiel d‟action est brièvement décrite
(Figure 1.11).
Figure ‎1-11. Le potentiel d‟action
Pour l‟étape de la Figure 1.11. Chaque alphabet signifie une situation :
A)-potentiel récepteur qui dépolarise le neurone au-delà du seuil.

B)-les canaux sodiques sensibles au voltage s‟ouvrèrent.
C)-entrée massive d‟ion sodium qui dépolarise encore le neurone.
D)-fermeture des canaux sodiques et ouverture des canaux potassique.
E)-les ions potassium chargés positivement sorte du neurone.
F)-période réfractaire.
G)-le potentiel de repos est restauré.
H)-le sodium est pompé vers l‟extérieur et le potassium vers l‟intérieur restaurant ainsi la
distribution originale des ions.
Si un certain niveau de seuil est dépassé dans le flux Na+, la dépolarisation de la membrane
provoque un potentiel d'action qui change rapidement de - 80 mV à + 30 mV [3]. Il s'agit d'un
éclatement électrique monopolaire qui est immédiatement rétablie par la phase de repolarisation et
suivie d'une période d'hyperpolarisation de la membrane. A partir des plaques motrices, ce potentiel
d'action se propage le long de la fibre musculaire dans les directions opposées avec une vitesse de 2
à 5 m/s et à l'intérieur de la fibre musculaire grâce à un système tubulaire.
En raison de la nature du tissu musculaire qui est considéré comme un volume conducteur, le
potentiel d'action résultant, se propageant dans les deux directions de la fibre et atteignant les
tendons, crée un courant dans le voisinage de la fibre. Ce dernier crée un champ électrique dans tout
le volume conducteur, qui est à l'origine des signaux EMG détectés par aiguilles ou par des
p. 8
électrodes de surface.
1.3.2.3. Potentiel d'action d'une unité motrice (PAUM)
Quand une unité motrice est activée via le α-motoneurone à partir de la moelle épinière vers
la jonction neuromusculaire, les fibres appartenant à cette (UM) sont toutes excitées ensemble et
contractées. Les potentiels d'action se propageant le long des fibres créent une activité électrique qui
peut être détectée aussi bien par les techniques invasive ou non invasive. Le potentiel détecté
reflétant les activités de toutes les fibres est une combinaison de tous les potentiels d'action des
fibres singulières (PAFS) appartenant à une même unité motrice et fournissant ainsi le potentiel
d'action de l'unité motrice (PAUM) [5].
La Figure 1.12 représente le potentiel d'action d'une unité motrice comme la superposition des
potentiels générés par chacune de ses fibres Chaque fibre musculaire à l'intérieur de l'UM (sur le
coté gauche de la figure) contribue au potentiel détecté (sur la droite de la figure). Comme le
PAUM constitue la base du signal EMG, il joue un rôle important dans l'analyse et la
compréhension des propriétés des signaux myoélectriques [5].
Figure ‎1.12. Potentiel d'action d'une unité motrice (PAUM) résultant de la somme des
potentiels d'action des fibres singulières (PAFS)
Afin de maintenir une contraction musculaire, les unités motrices doivent être activées de
manière répétitive et chaque unité motrice génère (PAUMs) multiples. La collection de tous les
PAUMs générés par une unité motrice, positionnés en leur temps d'apparition ou séparés par les
intervalles inter-impulsions(IPIs) est appelé train du potentiel d‟une unité motrice (TPAUM). La
superposition des TPAUMs de toutes les unités motrices recrutées et le bruit de fond constitue un
signal EMG (Figure 1.13) [5].
p. 9
Figure ‎1.13. Principe de génération du signal EMG
Le signal EMG peut être affectée par des paramètres physiologiques (recrutement des unités
motrices, température du muscle, épaisseur du tissu cutané, sueur) et par des paramètres techniques
(électrodes, filtres, amplification).
1.4. Détection du signal EMG
1.4.1. Préparation de la peau
Lorsque l‟on utilise des électrodes de surface (détection non-invasive); la résistance

électrique, l‟impédance des tissus jouent un grand rôle. Si ces dernières sont élevées, comme cela se
rencontre au niveau des tissus adipeux, des peaux grasses et sales, ou d‟une peau sénile, elles
atténuent le signal et accroissent le niveau des bruits parasites.
Préalablement à la pose des électrodes, il faut éliminer l‟imprégnation graisseuse éventuelle de la
peau, les cellules desquamées et une pilosité anormalement élevée. De plus il faut écarter tout ce qui
peut produire un champ statique.
Les techniques de réduction de l‟impédance cutanée peuvent être de trois ordres :
 Rubéfaction à l‟alcool
 Frottement avec une pate abrasive mais il faut faire attention à bien éliminer les reste
éventuels de pate.
 Nettoyage des peaux sèches dans le sens de la direction de la croissance des poils.
Toutefois, le problème de l‟impédance excessive a été résolu en partie dans les appareils modernes
dont l‟impédance d‟entrée est comparée à celle de la peau, ce qui n‟empêche pas d‟apporter un soin
p. 10
particulier à la préparation de la peau.

Pour visualiser un signal de bonne qualité, il importe de :
 Parfaitement préparer la peau.
 Placer les électrodes sur le muscle dans le sens des fibres musculaires.
 Régler l‟amplification (gain) de l‟appareillage de l‟EMG de manière à obtenir le
maximum d‟activité électrique.
1.4.2. Placement des électrodes
 Il est préférable de placer les électrodes parallèlement à l‟orientation des fibres

musculaire de part et d‟autre du point moteur.
 Le plus grand effet de signal détecté provient des fibres musculaires, les plus proches
des électrodes. Il en est de même pour une détection sélective.
 Les électrodes doivent être fixées, lorsque cela est possible, par rapport à la position
que le muscle aura durant sa phase de contraction, qui ne coïncide pas forcément
avec la position de repos.
 La distance inter électrodes doit être calculée de telle manière que le volume
conducteur (volume de tissu capté par les électrodes) ne fasse pas intervenir des
muscles étrangers au but recherché. En effet, une distance trop grande augmente le
volume conducteur
 En règle général, les électrodes détectent des signaux mesurables jusqu'à une
profondeur égale à celle de la distance inter électrodes, plus la distance entre les
deux électrodes augmente, plus les signaux captés proviennent de la profondeur des
tissus.
 Des électrodes rapprochées ont un effet superficiel, sélectif du point de vue clinique,
on peut jouer sur le caractère du volume conducteur en fonction du but recherché.
A titre d‟exemples :
 Au cours d‟un entrainement à la relaxation d‟un groupe musculaire spastique,
la distance inter électrode sera d‟abord étroite. Puis cette distance sera
progressivement augmentée afin de dériver un nombre plus important de
structures musculaire.
 Inversement, s‟il s‟agit de la rééducation des muscles parénétiques, la
distance inter électrodes sera grande afin de détecter une activité électrique
étendue, puis elle sera progressivement réduite pour devenir plus spécifique.
p. 11
1.4.3. Les modes de détection
La détection du signal EMG s‟effectue selon trois techniques de détection :
1.4.3.1. Détection monopolaire
Quand la tension est mesurée entre un point au-dessus du muscle et un autre de référence, à
un emplacement non relié électriquement, la détection est dite monopolaire (Figure 1.14). Dans ce
cas le volume de détection est grand [6].
Figure ‎1.14. La détection monopolaire
1.4.3.2. Détection bipolaire
Quand un amplificateur différentiel est utilisé pour détecter les signaux présents entre deux
points sur un même muscle toujours dans la direction de la fibre, la détection est dite bipolaire
(Figure 1.15). Ce système, qui prélève la tension en deux position spatiales et calcule leur
différence, est la forme la plus simple du filtre spatial. La surface des électrodes de détection affecte
le bruit de contact (petite électrode, bruit élevé) et a un effet de lissage sur le signal à cause du
moyennage du potentiel en dessous de la région de contact (électrodes plus larges, effet de lissage
plus grand)[6].
Figure ‎1.15 .La détection bipolaire
p. 12
1.4.3.3. Détection bipolaire double
Quand trois amplificateurs différentiels sont utilisés pour détecter les signaux présents entre
trois points sur un même muscle toujours dans la direction de la fibre, la détection est dite bipolaire
double (Figure 1.16). Ce système, qui prélève la tension en trois positions spatiales et calcule leur
différence, réduit l‟effet du crosstalk et fournit des mesures plus crédibles [6].
Figure ‎1.16. La détection bipolaire double
A l‟état actuel des recherches [8], [7] la détection de surface fournit une information seulement sur
les muscles superficiels. Les signaux de surface ont des amplitudes variant à partir du niveau de
bruit jusqu‟à quelques millivolts avec une puissance comprise entre 10Hz à 400 Hz. La détection de
surface fournit une information globale avec des détails morphologiques pauvres. De grandes
portions mais distantes peuvent fournir une contribution du signal comparable à celle des portions
plus petites et plus proches.
Quand ces contributions parviennent des muscles différents et de celui sur lequel les électrodes sont
placées, celles-ci se portent au crosstalk. Que ce soit l‟EMG élémentaire ou globale, les électrodes
sont reliées à un amplificateur et les variations de potentiel sont enregistrées.
Il est bien établi que l‟amplitude du signal EMG est de nature stochastique et peut être représentée
par une fonction de distribution Gaussienne [9]. Les signaux utilisables dont les fréquences sont
entres 0 et 20 Hz, sont particulièrement instables car elles sont affectées par la nature quasi-aléatoire
du taux de décharge des unités motrices. A cause de la nature instable de ces composantes
fréquentielles, il est judicieux de les considérer comme un bruit non désiré et de les enlever du
signal [10]. Un exemple du spectre de fréquence du signal EMG est représenté dans la Figure 1.17.
p. 13
Figure ‎1.17. Spectre de fréquence du signal d'EMG la contraction maximum volontaire à 50%.
1.5. Conclusion
Dans ce chapitre nous avons donné les notions fondamentales sur l‟électromyographie de
surface permettant au lecteur une compréhension du phénomène de génération du signal EMG, de
sa nature et des méthodes de sa détection.
p. 14
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
Chapitre 02
ESTIMATION TEMPORELLE ET SPECTRALE
2.1. Introduction
L'outil d'analyse et de synthèse de systèmes de traitement est la théorie du signal. C‟est un

ensemble de concepts et de modèles mathématiques inspirés de l'analyse fonctionnelle de l'algèbre
linéaire et du calcul des probabilités. Son point de départ est le développement orthogonal des
fonctions, dont le cas particulier le plus intéressant est le modèle de Fourier. Il conduit aux concepts
féconds de dualité temps-fréquence et de spectre fréquentiel qui s'appliquent aussi bien à l'étude des
signaux déterministes que des signaux aléatoires, continus ou échantillonnés, moyennant
l'introduction de la notion de corrélation et de modèles statistiques appropriés[11].
2.2. Généralités sur les signaux
2.2.1. Définition signal
Un signal est la représentation physique de l'information, qu'il convoie de sa source à son

destinataire [11].
2.2.2. Définition du bruit
On appelle bruit (en anglais : noise) tout phénomène perturbateur (interférence, bruit de fond,
etc.) gênant la perception ou l'interprétation d'un signal [11].
2.2.3. Définition du rapport signal sur bruit
Le rapport signal sur bruit est une mesure du degré de contamination du signal par le bruît. Il
s'exprime sous la forme du rapport ξ des puissances respectives du signal ps
et du bruit p(2.1).
n
  ps / pn (‎2.1)
Il est souvent indiqué selon une échelle logarithmique mesurée en décibels (2.2).
 dB  10 log10  (‎2.2)
p. 15
2.2.1 Les signaux déterministes
Les signaux déterministes sont les signaux dont l'évolution en fonction du temps peut être
parfaitement prédite par un modèle mathématique approprié [11].
2.2.2 Les signaux aléatoires
Les signaux aléatoires sont des signaux dont le comportement temporel est imprévisible et
pour lesquels la description est basée sur des calculs statistiques.
La première classification est obtenue en considérant la nature profonde de l'évolution du signal en

fonction du temps (Figure 2.1). Elle fait apparaître deux types fondamentaux de signaux [11] :
Figure ‎2.1. Classification selon la nature profonde de l'évolution du signal en fonction du temps
2.3. Le signal électomyographique
Le signal myoélectrique détecté durant les contractions volontaires isométriques à forces

constantes, peut être considéré comme un processus stochastique avec une distribution gaussienne à
valeur moyenne nulle.
Il est généralement considéré qu‟il vérifie la condition de stationnarité à large sens sur des
intervalles de temps variant entre 0,25 s et 2 s dépendant de la force contractile exercée et les
propriétés du muscle [16]. Duchene a montré que les aspects non stationnaires du signal EMG sont
localisés dans la bande de fréquence (0-10 Hz) [12].
Les paramètres temporels caractérisent l‟énergie et/ou la puissance électrique du signal, le plus
communément admis à l‟heure actuelle pour établir une relation entre EMG/Force est le “Root
Mean Square” (RMS). Il est utilisé comme un indirect mesurage de la force du muscle. Son calcul
p. 16
est basé sur le calcul d‟une moyenne du débit du signal électrique dans une fenêtre d'une seconde. Il
est considéré comme le paramètre temporel reflétant le mieux le comportement des unités motrices.
Il existe un autre paramètre temporel qui est l‟ARV (Average Rectified value). Son calcul est basé
sur le calcul de l‟intégral du signal électrique dans une fenêtre d'une seconde.
Le paramètre utilisé pour détecter et quantifier le changement du spectre est : la fréquence médiane
de puissance (MDF). Elle est essentiellement basée sur l‟estimation de la densité spectrale de
puissance du signal sur un intervalle de temps durant lequel il est considéré stationnaire à large
sens. La densité spectrale peut être estimée par différentes méthodes d‟analyse spectrale.
Dans cette section nous détaillerons la méthode d‟estimation que nous avons utilisée dans ce travail,
qui est la méthode du périodogramme. Nous rappelons que cette méthode est essentiellement basée
sur le calcul de la transformation de Fourier.
2.4. Paramètres d'amplitude
De nombreux chercheurs ont tenté d'utiliser l'augmentation de l'amplitude du signal EMG

pour étudier les variations de ce dernier. Cependant, l'amplitude varie selon le type d'électrodes
utilisé pour la détection du signal, de leur emplacement et dépend des propriétés des gels de
conduction utilisés à l'interface électrodes-surface de la peau. Ces limitations techniques ne
permettent pas une mesure totale du contenu énergétique du signal EMG.
Les paramètres d‟amplitudes standard souvent utilisés pour quantifier les changements énergétiques
du signal sont la RMS et l‟ARV.
2.4.1. Définition de la RMS
La RMS (Root Mean Square) est obtenue par la division de l‟énergie de signal durant un
intervalle de temps de durée T, par la valeur de T, fournissant ainsi, une valeur de puissance
moyenne dont la racine carrée est la valeur RMS. L‟expression mathématique de RMS est donnée
par l‟équation suivante :
T /2
1
RMS (t )  
2
v (t )dt (‎2.3)
T T / 2
p. 17
2.4.2. Définition de l’ARV
L‟ARV (Average Rectified value) est la surface entre le signal rectifiée et l‟axe des temps,
calculé durant un intervalle de temps T et divisée par T, fournissant ainsi une valeur de tension
moyenne. L‟expression mathématique de la RMS est donnée par l‟équation suivante :
T /2
1
T T/ 2
ARV  v(t ) dt ( ‎2.4)
2.5. Paramètres spectraux
Depuis le travail historique de Piper (1912), les caractéristiques fréquentielles du signal

myoélectrique sont connues par leur décroissance durant une contraction soutenue. Ces mesures
spectrales sont plus appropriées car la densité spectrale de puissance exprime son contenu
énergétique comme une fonction rationnelle de la fréquence et permettent de quantifier la
compression spectrale du signal EMG. Les caractéristiques les plus utilisées sont les fréquences
médianes et moyennes.
2.5.1. Fréquence médiane
La fréquence médiane est la fréquence qui partage la densité spectrale de puissance en deux régions
de puissances égales. Elle est définie par :
 
P f df  P f df  0 P f df
f med 1
0 f med 2
(‎2.5)
2.5.2. Fréquence moyenne
La fréquence moyenne est la fréquence qui donne la position moyenne de la densité

spectrale sur l‟axe des fréquences. Elle est définie par :

 fP  f df
f moy  
0
(‎2.6)
0 P f df
2.6. Estimation spectrale par les méthodes basées sur la FFT
La densité spectrale de puissance peut être trouvée pour des signaux qui sont limités dans le
temps, non stationnaires et contaminés par le bruit.
Cependant, une estimation de la (DSP) peut être réalisée par les méthodes d‟estimation du
p. 18
périodogramme et de Blackman-Tukey. Ces méthodes sont essentiellement basées sur la

transformation de Fourier.
2.6.1. Transformation de Fourier
Il est évident que, pour des signaux d‟allure complexe, l‟information pertinente n‟est pas
contenue dans la forme d‟onde x(t ) elle-même. De très nombreuses transformations sont
disponibles, qui produisent chacune une représentation différente du signal ; elles mettent mieux en
évidence l‟information ‘pertinente’ contenue dans le signal (la notion de pertinence est, bien sûr
liée à l‟application considérée). La plupart de ces représentations reposent sur des transformations
intégrales, ou leur contrepartie discrète. Elles prennent une forme générale :
F (u, v, w,...)   x(t )   ' (t , u, v, w,...)dt (‎2.7)
où le noyau (t,u,v, w,...) est choisi justement pour mettre en évidence une classe de
caractéristiques du signal. Parmi les représentations classiques, citons tout d‟abord la transformée
de Fourier, et ses généralisations :
X (u )   x(t ). (u, t )dt (‎2.8)

où (u,t) est une famille de fonctions orthogonales. La famille qui donne le nom générique de
Transformation de Fourier (TF) est évidemment celle des exponentielles complexes :
 x(t ).e
 j 2ft
X ( f )  TF[ x(t )]  dt (‎2.9)

Pour les systèmes à temps discret (échantillonnés), les transformations décrites par l‟équation (2.9)
admettent une écriture similaire (en remplaçant  par  ). La Transformation de Fourier
Discrète (TFD) a la définition exacte suivante :


X(f )   x(n).e
n  
 j 2fTE
(‎2.10)
Où TE est la période d‟échantillonnage
2.6.2. Méthode du périodogramme pour l’estimation spectrale
Cette méthode et basée sur le théorème de Wiener- KHITCHINE, qui démontre que la
densité spectrale est la transformée de Fourier de la fonction d‟autocorrélation [11].
p. 19
G x(f) R x(m)exp(j2fm)
n  
(‎2.11)
L‟équation (2.11) suppose que la suite de données x(n) , n 0,1,…, N 1 , est issue d‟un processus
aléatoire stationnaire .
Si en plus le processus aléatoire est ergodique et le nombre d‟échantillons de la suite de données

réelles est limité à N , alors la fonction d‟autocorrélation estimée et donnée par :
N  m 1
Rˆ x (m) 1
N  x(n)x(n m )
n 0
(‎2.12)
En effectuant un changement de variable nmk et en remarque pour une suit de données

réelles que x (n)  x(n) , l‟équation (2.9) se met sous la forme :
2
X(f)
Sˆ(f) ( ‎2.13)
N
N 1
X(f)  x(n)e
 j2fn
Avec ( ‎2.14)
n0
X(f) est la transformée de Fourier de la suite de données réelles x(n) , n0,1,...N 1. La densité
spectrale de l‟équation (2.14) est appelée périodogramme dénoté X(f)
2.6.3. Méthode du corrélogramme : (Blackman -Tukey)
Cette méthode est proposée par Blackman et Tukey (1958) et comprend deux étapes. La
première consiste à multiplier la fonction d‟autocorrélation Rˆ x (m) estimée par une fenêtre
temporelle  (m) appropriée (où  est une fenêtre de taille 2M + 1 dont la TF est non négative et
M le nombre de points considéré pour l‟autocorrélation).
La deuxième consiste à calculer la transformée de Fourier du résultat obtenu, la densité spectrale de
puissance estimée par le corrélogramme est donc la transformée de Fourier du produit Rˆ x (m) (m) .
Dans ce cas, la densité spectrale s‟écrit :
M
Gˆ BT (f) 1  Rˆ x (m)w(m)e
 j2fm
(‎2.15)
N m  M
Où w(m) est une fenêtre réelle paire définie pour m  M et M N 1 .
p. 20
N  m 1
Où Rˆ x (m) 1
N  x(n)x(n m )
n 0
m =0,  1,...,( N  1). ( ‎2.16)
2.6.4. Fenêtres de pondération
Les estimations spectrales par la méthode du périodogramme contiennent beaucoup de

fluctuations aléatoires et par conséquent possèdent une variance élevée.
Pour une longue suite de données N   , l‟évaluation du spectre s‟approchera du spectre vrai si le
périodogramme était un estimateur consistant, mais en pratique, quand N   , la variance de
l‟estimation ne tend pas vers zéro bien que la moyenne converge vers la (DSP) vrai.
Pour réduire l‟effet des fluctuations aléatoires, l‟introduction des fenêtres de pondération pourrait
améliorer les caractéristiques du spectre d‟estimation.
Des fenêtres avec des changements soudains en valeurs, par exemple la fenêtre rectangulaire,
produit un spectre avec de lobes principaux étroits et des lobes secondaires élevés.
Plusieurs fenêtres ont étaient proposées dans le but de présenter un spectre fréquentiel avec de lobes
principaux étroits et avec un minimum de lobes secondaires tout en conservant les particularités de
la densité spectrale. Nous présentons les types de fenêtres que nous avons utilisées : la fenêtre
rectangulaire, la fenêtre de Hamming, la fenêtre de Hanning et la fenêtre de Blackman (Figure 2.2)
Rectangulaire Hamming
2 1
0.8
1.5
0.6
1
0.4
0.5
0.2
0 0
0 200 400 600 0 200 400 600
N=512 N=512
Hanning Blackman
1 1
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 200 400 600 0 200 400 600
N=512 N=512
Figure ‎2.2. Représentation des fenêtres de pondérations
p. 21
Le choix de chaque type de fenêtre dépend essentiellement de l‟application considérée. Un exemple
de calcul de la densité spectrale de puissance par la méthode du corrélogramme est illustré sur la
Figure 2.3.
rectangulaire hamming
4 4
3 3
2 2
1 1
0 0
0 200 400 600 0 200 400 600
hanning blackman
4 3
3 2
2 1
1 0
0 -1
0 200 400 600 0 200 400 600
Figure ‎2.3 . Représentation de la DSP par la méthode de corrélogramme
2.7. Algorithmes et organigrammes
2.7.1. Algorithme de calcul des variables temporels
L‟algorithme de calcul des ces variables comporte les étapes suivantes (Figure 2.4) :
 Saisir le signal d‟entée
 Lire la fréquence d‟échantillonnage
 Calculer les caractéristiques temporelles :
La RMS, l‟ARV
p. 22
Figure ‎2.4 .Organigramme de calcul de la RMS et de l‟ARV.
Afin de mettre en évidence les altérations spectrales, l‟estimation des caractéristiques fréquentielles
telles que la fréquence médiane doit être une étape nécessaire et parfois suffisante pour expliquer
les variations qui affectent le spectre de puissance.
2.7.2. Algorithme du périodogramme
L‟organigramme permettant d‟estimer la densité spectrale par la méthode du périodogramme est

donné par la figure suivante :
p. 23
Figure ‎2.5. Organigramme du périodogramme
2.7.3. Algorithme de calcul des variables spectrales
L‟algorithme de calcul des ces variables comporte les étapes suivantes (Figure 2.6) :
 Saisir le signal d‟entée
 Lire la fréquence d‟échantillonnage
 Calculer les caractéristiques fréquentielles :
Fréquence médiane
p. 24
Figure ‎2.6. Organigramme de calcul de la fréquence médiane
2.7.4. Logiciel
Les estimateurs de la densité de puissance ont été programmés en Matlab11, le logiciel est
présenté sous forme d‟une fenêtre graphique qui possède un menu « appelé Menu principal » dans
la barre de menu. Il permet à l‟utilisateur d‟avoir l‟estimation des paramètres d‟amplitudes et
spectraux des signaux myoélectriques réels mesurés aux différents niveaux de la contraction
volontaire maximale.
Les différentes étapes d‟exécution de notre logiciel sont données par le schéma de la Figure 2.7
Nous détaillerons les fonctions principales de ce logiciel dans le troisième chapitre.
p. 25
Figure ‎2.7. Organigramme d‟exécution du programme
2.8. Conclusion
Nous avons abordé dans ce chapitre les notions de traitement du signal utiles pour la réalisation de
notre travail ainsi que les algorithmes développés pour calculer les différents paramètres aussi bien
temporels que spectraux.
p. 26
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
Chapitre 03
LE PROTOCOLE EXPERIMENTAL
ET DEVELOPPEMENT DU LOGICIEL
3.1. Introduction
Dans ce chapitre nous allons expliquer le protocole expérimental par lequel sont enregistrés
des signaux réels qui ont fait l‟objet de notre étude. D‟autres détails seront fournis au lecteur pour
comprendre les conditions d‟enregistrements des signaux et le but des différentes applications
présentées dans ce travail. Nous allons également décrire les différentes étapes de réalisations de
notre interface graphique par le GUIDE de Matlab pour mettre en évidence les applications
choisies.
3.2. Le protocole expérimental
Ce travail a été réalisé en collaboration avec le laboratoire LISiN (Laboratory for

Engineering of the Neuromuscular System and motor rehabilitation of Politecnico di Torino). Les
objectifs étaient :
 De mettre en place un protocole permettant déffectuer des mesures
électromyographiques sur le muscle gastrocnemiem latéral.
 D´évaluer les contractions musculaires isométriques exercées á 20% et á 60% de la
contraction volontaire maximale de la flexion plantaire. Deux positions du genou ont
été considérées : La position allongée du sujet (genou étendu á 180 degré) et la
position sur les mains et les genoux avec la hanche et l'épaule fléchis à 90 ° (genou
fléchi á 90 degré).
 Dénregistrer des signaux à partir d'une rangée de 8 électrodes.
Le protocole expérimental est basé sur la détection des signaux EMG à partir du muscle
mollet (partie latérale du muscle gastrocnemien). Les muscles du mollet incluent les muscles
jumeaux gastrocnémiens (gastrocnemien médial (MG) et gasctrocnemien latéral (LG)) et le
muscle soléaire.
Ils sont situés à l'arrière de la jambe inférieure, et forment une partie du mollet. Le bout du
p. 27
gastrocnémien rejoint le tendon d'Achille, qui descend vers le talon et est attaché au calcanéum. Le
muscle gastrocnémien est un puissant fléchisseur plantaire du pied, qui aide à pousser le corps vers
l'avant lorsque la personne marche ou court. Il travaille également pour faire fléchir la jambe au
niveau du genou.
3.2.1. Recueil du signal EMG
Cette étude a pour but dínvestiguer láctivité musculaire du muscle gastrocnémien latéral.
Huit sujets droitiers de sexe masculin ont participé à cette expérimentation. Aucun sujet n‟avait de
problème neuromusculaire. Chaque sujet effectue une flexion plantaire de la jambe droite à 20% et
60% de sa contraction volontaire maximale (MVC) dans deux positions articulaires du genou :
En position couchée (genou étendu GE) Figure 3.1
Figure ‎3.1. Genou étendu GE (position d‟extension)
Sur les mains et les genoux, la hanche, les articulations du genou et de l'épaule en flexion de 90 °
(genou fléchi GF) Figure 3.2
Figure ‎3.2. Genou fléchi GF(Position de flexion)
p. 28
Dans un premier temps, les sujets ont effectué la flexion plantaire volontaire maximale dans les
deux positions du genou (GE et GF) trois fois avec l'encouragement des participants. La plus grande
force des trois tentatives de 5 s chacune a été considérée comme la force la plus représentative de la
contraction maximale du sujet : contraction maximale volontaire (MVC).
Après cette période déntrainement, le sujet a été invité à se détendre complètement et à effectuer
ensuite une contraction isométrique soutenue pendant 10s à 20% et 60% de sa contraction
volontaire maximale où l'ordre des niveaux de force a été aléatoirement varié.
Une rétroaction en temps réel (real-time feedback) de la production de force et une ligne indiquant
le niveau cible de la contraction ont été mis à disposition pour les sujets afin de contrôler leurs
contractions.
3.2.2. L'enregistrement EMG
Avant de placer la rangée d'électrodes, la peau a été rasée, abrasée et nettoyée avec de
l'alcool. Du gel conducteur a été inséré dans les cavités des électrodes d'assurer un bon contact
peau-électrode. Une électrode de référence est placée sur la septième vertèbre cervicale spinale.
La rangée des 8 électrodes est placée sur la surface du muscle dans la position longitudinale de telle
manière qu‟elle soit parallèle aux fibres musculaires. Cette rangée d‟électrodes couvre toute la
longueur de la partie latérale (LG) comme le montre la Figure 3.3. Les signaux EMG sont détectés
en configuration monopolaire, les électrodes sont circulaires de diamètre 1 mm et espacées d‟une
distance de 0.5 mm. Les signaux sEMG monopolaires obtenus sont filtrés avec une bande passante
allant de 20 à 400Hz. Les signaux monopolaires EMG ont été échantillonnés avec une fréquence de
2048 Hz convertis sous forme numérique par un convertisseur analogique-numérique á 12-bits.
Tous les signaux ont été filtrés par un filtre Butterworth du 4ème ordre (20-400 Hz fréquences de
coupure).
Durant cette étude, sept signaux bipolaires (SD) ont été considérés à partir des électrodes de surface
pour chaque sujet et ce dans les deux niveaux de contraction et dans les deux situations
biomécaniques. La séquence résultante contient 28 signaux pour chaque sujet et au total 224
signaux sont fournis pour les différentes estimations choisies.
p. 29
Figure ‎3.3. Illustration schématique du système de détection et de son positionnement sur le muscle
gastrocnémien latéral
3.3. Développement du logiciel
Notre logiciel comporte une fenêtre principale qui permet à l‟opérateur soit d‟explorer les différents
signaux des huit sujets aux différents niveaux de contraction et aux différentes positions du genou
soit de faire une analyse d‟un signal choisi d‟un sujet donné. En effet, cette fenêtre contient deux
Pusch boutons qui permettent l‟accès aussi bien à l‟affichage qu‟à l‟analyse Figure 3.4
Figure ‎3.4. Fenêtre du menu principal
3.3.1. Fenêtre ‘d’affichage’
L‟accès à la fenêtre d‟affichage permet le chargement d‟un signal donné parmi les 224
p. 30
signaux des 8 sujets. La Figure 3.5 montre cette fenêtre et ses différents push boutons.
Figure ‎3.5. Fenêtre d‟affichage
: Ce ‘Pop-up menu‟ permet de charger un des huit sujets.
: Deux boutons „radio‟ désignent la position du muscle en flexion ou en extension.
: Deux boutons „radio‟ désignent les deux contractions volontaires maximales.
: Cet „Edit text‟ permet de choisir le numéro du canal de détection.
: Ce „Push‟ bouton affiche le signal sélectionné sur l‟axe 1.
p. 31
: Ce „Push‟ bouton permet le retour au menu principal.
3.3.2. Fenêtre ‘Analyse’
Cette fenêtre permet l‟analyse du signal choisi en calculant les paramètres temporels (RMS,
ARV) et fréquentiels (MDF et DSP). La Figure 3.6 représente cette fenêtre.
Figure ‎3.6. Fenêtre analyse
: ‟ Bouton Push‟ pour afficher le signal.

: „Edit text‟ pour montrer le nom du signal sélectionné englobant toutes les
spécifications choisies à savoir le type du signal enregistré, le numéro du canal, la position

biomécanique, le niveau de contraction exercé et le sujet choisi.
Après la segmentation du signal de 10s en 10 segments de 0.25s, il est possible à travers cet „Edit
text‟ de fixer la durée de segment.
: „Edit text‟ pour entrer la duré du segment.

: „Pop-up menu‟ pour charger un segment donné.
: Ces trois ‟ bouton radio‟ permettent d‟afficher les paramètres RMS,
p. 32
ARV et MDF des signaux de durées de 1 seconde.
:‟ Bouton Push‟ permet d‟afficher la densité spectrale sur l‟axe 3.

: ‟ Bouton Push‟ permet de revenir au menu principal.
3.4. Conclusion
Nous avons présenté dans ce chapitre le protocole expérimental effectué pour enregistrer les
signaux électromyographiques à partir du muscle gastrocnémien latéral. Nous avons aussi expliqué
l‟interface qui a été développée pour mettre en évidence quelques applications du traitement du
signal, notamment le calcul des paramètres temporels et spectraux du signal EMG sélectionné à
partir de la base de données des signaux réels enregistrés.
p. 33
CHAPITRE4 APPLICATION ET DISCUSSION
Chapitre 04
APPLICATION ET DISCUSSION
4.1. Introduction
Dans ce chapitre nous représenterons les résultats obtenus dans deux domaines (temporel et
spectral) par les différentes méthodes d‟estimation que nous avons introduites. Les modifications en
amplitude des signaux seront quantifiées par les paramètres temporels (la valeur efficace et la valeur
rectifiée) et les modifications spectrales seront quantifiées par le calcul de la fréquence médiane
(MDF) de la densité spectrale (DSP).
4.2. Méthode d’analyse
4.2.1. Analyse temporelle
Les variations de l'amplitude du signal EMG qui reflète l‟activité musculaire sont
quantifiées par les variations des paramètres temporels (RMS, ARV) correspondant aux deux
niveaux de contraction (20% et 60% MVC) et dans les deux situations biomécaniques. Dans ce qui
suit, nous montrerons les variations de ces paramétres pour chaque sujet et ce à travers les différents
canaux.
 Sujet 1
Dans le cas de la contraction volontaire 20% MVC, on remarque d‟après la Figure 4.1.(a) et
la Figure 4.2.(a) que l‟activité musculaire quantifiée aussi bien par la RMS que l‟ARV en flexion
est supérieure à l‟activité musculaire en extension dans la majorité des canaux sauf dans les cas du
6 iéme et du 7 iéme canal.
De même pour la contraction volontaire 60% MVC, tous les canaux confirment ce résultat sauf le
7iéme canal (Figure 4.1.(b) et Figure 4.2.(b)).
p. 34
Figure ‎4.1. Représentation da la RMS à 20% et 60% MVC du sujet 1 en extension et en flexion
Figure ‎4.2. Représentation de l‟ARV à 20% et 60% MVC du sujet 1 en extension et en flexion
 Sujet 2
Dans le cas de la contraction volontaire 20% MVC, on remarque d‟après la Figure

4.1.(a) et la Figure 4.2.(a) que l‟activité musculaire quantifiée aussi bien par la RMS que l‟ARV en
flexion est supérieure à l‟activité musculaire en extension dans la majorité des canaux sauf dans le
cas du 7 iéme canal.
De même pour le cas de la contraction volontaire 60% MVC, tous les canaux confirment ce résultat
sauf le 7iéme canal (Figure 4.1. (b) et Figure 4.2. (b)).
p. 35
Figure ‎4.3. Représentation de la RMS à 20% et 60% MVC du sujet 2 en extension et en flexion
Figure ‎4.4 .Représentation de l‟ARV à 20% et 60% MVC du sujet 2 en extension et en flexion
 Sujet 3
Nous remarquons que l‟activité musculaire quantifiée en flexion est inférieure à l‟activité
musculaire en extension dans tous les canaux pour les deux niveaux de contractions (Figure 4.5.
(a)(b) et Figure 4.6. (a)(b)).
p. 36
 Sujet 4
Durant la contraction volontaire 20% MVC, l‟activité musculaire en flexion est supérieure à
l‟activité musculaire en extension dans la majorité des canaux sauf pour le 7 iéme canal (la Figure
4.7.(a) et la Figure 4.8.(a)) .
Contrairement à l‟activité durant le niveau 20% MVC, la contraction volontaire à 60% MVC
montre que l‟activité musculaire en flexion est supérieure à l‟activité musculaire en extension
seulement pour trois canaux (Figure 4.7. (b) et Figure 4.8. (b)).
p. 37
 Sujet 5
Pour ce sujet, durant la contraction 20% MVC, l‟activité musculaire en flexion est
supérieure à l‟activité musculaire en extension dans les canaux situés dans le coté proximal (Figure
4.9.(a) et Figure 4.10.(a)). Par contre, durant la contraction 60% MVC, tous les canaux montrent
que la flexion est supérieure à l‟extension (Figure 4.9. (b) et Figure 4.10. (b)).
p. 38
 Sujet 6
Ce sujet présente la particularité de montrer que la flexion est supérieure à l‟extension dans
tous les canaux pour les deux contractions (Figure 4.11. (a)(b) et Figure 4.12. (a)(b)).
p. 39
 Sujet 7
Ce sujet montre que la flexion est inférieure à l‟activité musculaire en extension seulement
pour les deux premiers canaux proximaux dans le cas de la contraction 20% MVC ( la Figure
4.13.(a) et Figure 4.14.(a)). Durant la contraction volontaire 60% MVC, tous les canaux montrent
que la flexion est inférieure à l‟activité musculaire en extension (Figure 4.13. (b) et Figure 4.14.
(b)).
p. 40
Figure ‎4.13. Représentation RMS à 20% et 60% MVC du sujet 7 en extension et flexion
Figure ‎4.14. Représentation ARV à 20% et 60% MVC du sujet 7 en extension et en flexion
 Sujet 8
Dans le cas de la contraction volontaire 20% MVC, l‟activité en flexion est inferieure dans
les quatre premiers canaux distaux (Figure 4.15.(a) et Figure 4.16.(a)) et reste inférieure dans tous
les canaux en cas de la contraction 60% MVC (Figure 4.15. (b) et Figure 4.16. (b)).
p. 41
Figure ‎4.15 Représentation RMS à 20% et 60% MVC du sujet 8 en extension et en flexion
Figure ‎4.16 .Représentation ARV à 20% et 60% MVC du sujet 8 en extension et en flexion
L‟activité moyenne à travers tous les canaux, de tous les sujets a été estimée pour les deux
contractions et durant les deux situations biomécaniques. Les figures montrent que pour la plus part
des sujets l‟activité en flexion est supérieure à l‟activité en extension (Figure 4.17. (a), Figure 4.18.
(a) et Figure 4.17. (b), Figure 4.18.(b)).
p. 42
Figure ‎4.17. Représentation de la RMS à 20% et 60% MVC des huit sujets en extension et en flexion
Figure ‎4.18. Représentation de l‟ARV à 20% et 60% MVC des huit sujets en extension et en flexion
4.2.2. Analyse spectrale
La densité spectrale de puissance du signal d‟interférences EMG pour des modèles d‟unités
motrices est la somme des densités spectrales des trains de potentiel d‟action de l‟unité motrice
générant les signaux. Plusieurs études ont investigué la relation entre les caractéristiques
fréquentielles du signal EMG de surface et la force [13]. En particulier, il a été montré que la
fréquence médiane reflète le recrutement des unités motrices, plus des unités motrices sont recrutées
plus l‟activité augmente. Ainsi cette caractéristique spectrale est exploitée pour refléter l‟activité
musculaire. En outre, d‟autres études ont montré que cette caractéristique diminue en cas du
phénomène de fatigue [14].
p. 43
4.2.2.1. Fréquence médiane (MDF)
L‟activité musculaire quantifiée par le paramètre spectral MDF, montre d‟après les figures
ci-dessous que l‟activité musculaire en flexion est inférieure à l‟activité musculaire en extension
pour presque la moitié des sujets (Figure 4.19. (a) et (Figure 4.19.(b) ).
Figure ‎4.19. Représentation de la MDF à 20% et 60% MVC des huit sujets en extension et en flexion
4.2.2.2. Densité spectrale (DSP)
Les densités spectrales de puissance du signal EMG détecté au niveau du canal 3 d‟un sujet
donné, ont été estimées par la méthode du périodogramme dans le cas du niveau de contraction 60%
MVC en flexion et en extension durant la première et la neuvième seconde.
Les résultats obtenus ont montré qu‟il y a présence d‟une compression spectrale vers les basses
fréquences pour les sujets 1, 3 et 8 ((Figure 4.20, Figure 4.21 et Figure 4.22)(a)(b)). Ce
phénomène manifeste la présence de la fatigue musculaire. Cette remarque n‟est pas valable pour
les autres sujets, ce qui prouve que les sujets ne se comportent pas tous de la même manière.
p. 44
Figure ‎4.20. Représentation de la DSP à 60% MVC du sujet 1 en extension et en flexion durant la première
et la neuvième seconde
Figure ‎4.21. Représentation de la DSP à 60% MVC du sujet 3 en extension et en flexion durant la
première et la neuvième seconde
p. 45
Figure ‎4.22. Représentation de la DSP à 60% MVC du sujet 8 en extension et en flexion durant la première
et la neuvième seconde
4.3. Analyse statistique ANOVA
4.3.1. Définition
L'analyse de la variance (terme souvent abrégé par le terme anglais ANOVA : analysis of
variance) est un test statistique permettant de vérifier que plusieurs échantillons sont issus d'une
même population. Ce test s'applique lorsque l'on mesure une ou plusieurs variables explicatives
catégorielles (appelées alors facteurs de variabilité, leurs différentes modalités étant parfois
appelées « niveaux ») qui ont de l'influence sur la distribution d'une variable continue à expliquer.
On parle d'analyse à un facteur, lorsque l'analyse porte sur un modèle décrit par un facteur de
variabilité, d'analyse à deux facteurs ou d'analyse multifactorielle. L'objectif d'une analyse de
variance (ANOVA) vise à tester les différences significatives entre les moyennes.
4.3.2. One-Way ANOVA
Le but de One-Way ANOVA (Anova1) est de déterminer si les données de plusieurs groupes
(niveaux) d'un facteur ont une moyenne commune. Ce que One-Way Anova1 nous permet de savoir
si les différents groupes d'une variable indépendante a des effets différents sur la variable de
réponse.
L‟Anova1 renvoie la valeur p et affiche également un tableau Anova1 standard et un box-plot des
colonnes de la matrice y (matrice constituant la réponse des groupes).
Une valeur p qui est plus petite que le niveau de signification, indique qu'au moins l'une des
p. 46
moyennes des échantillons est sensiblement différente des autres. Les niveaux de signification
ordinaires sont de 0,05 ou 0,01.
4.3.3. Tableau Anova standard
 La source de la variabilité.
 La somme des carrés (SS) en raison de chaque source.
 Les degrés de liberté (df) associés à chaque source
 Les carrés moyens (MS) pour chaque source, qui est le rapport SS / df.
 La statistique F, qui est le rapport des carrés moyens.
 La valeur de p, qui est dérivée de la fonction de répartition de F.
4.3.4. Box- plot
L'Anova1 renvoi le box- plot des observations sous forme d'une matrice ou d'un vecteur
dénommé y, et fournit une comparaison visuelle des paramètres de localisation du groupe. Si y est
un vecteur, le graphique montre une case pour chaque valeur du groupe. Si y est une matrice, le
graphique montre une case pour chaque colonne de y, dans chaque boîte, une marque centrale est la
médiane et les bords de la boîte sont les percentiles [15].
Pour voir s‟il y a une différence significative de l‟activité musculaire entre les différents sujets dans
les deux positions de contraction, nous avons fait appel à l‟analyse statistique Anova1 pour mettre
en évidence la différence.
L‟exemple que nous allons présenter considère la moyenne du paramètre RMS des huit sujets
comme le facteur de l‟Anova1 et les deux groupes sont les activités musculaires des huit sujets
exercées en cas de l‟extension et de la flexion pour un niveau de contactions donné.
D‟après la Figure 4.23(a) et Figure 4.24 (a) nous remarquons que il n y a pas de différence
significative de l‟activité musculaire entre les deux groupes de sujets soit à 20% MVC ou à 60%
MVC puisque la valeur p de l‟Anova1 est supérieure à 0.05.
p. 47
Figure ‎4.23. Résultats fournis par l‟Anova1 à 20% MVC des 8 sujets en extension et en flexion
Figure ‎4 .24. Résultats fournis par l‟Anova1 à 60% MVC des 8 sujets en extension et en flexion
Nous avons également appliquer l‟analyse sataistique ANOVA1 pour voir s‟il y a une différence
significative de l‟activité musculaire dans le domaine spectral en utilisant la fréquence médiane
MDF. Selon les figures obtenues (Figure 4.25(a) et Figure 4.26(a)), il n‟y a pas de différence
significative vue que la valeur de p est supérieure à 0.05.
p. 48
Figure ‎4 .25 .Résultats fournis par l‟Anova1 à 20% MVC des 8 sujets en extension et en flexion
Figure ‎4.26. Résultats fournis par l‟Anova1 à 60% MVC des 8 sujets en extension et en flexion
L‟absence de la différence significative concernant l‟activité musculaire sur l‟ensemble des sujets,
nous a incités à chercher cette différence au niveau des canaux d‟enregistrement. Des signaux du
sixième sujet enregistrés au cours des deux contractions en extension sont montrés dans les Figures
4.27(a) et 4.28(a) comme un cas d‟exemple. Les résultats que nous avons obtenus après
l‟application de l‟Anova1 pour chaque sujet, ont révélé que seulement deux sujets répondaient à
l‟hypothèse non nulle (sujet 2 et sujet 6). Un exemple de ces résultats est illustré à la Figure 4.29.
p. 49
Figure ‎4-27 (a) Représentation des signaux enregistrés des 7 canaux à 20% du sujet 6 en extension
(b) Représentation de l‟activité musculaire correspondant à chaque canal
Figure ‎4.28. (a) Représentation des signaux enregistrés des 7 canaux à 60% du sujet 6 en extension
(b) Représentation de l‟activité musculaire correspondant à chaque canal
p. 50
Figure ‎4.29. Résultats fournis par l‟Anova1 à 20% MVC du sujet 6 en extension et en flexion
4.4. Conclusion
Dans ce chapitre nous avons étudié le comportement des paramètres temporels et spectraux
pour déterminer la variabilité de l‟activité musculaire de tous les sujets qui ont participé à
l‟expérimentation.
Nous avons mis en évidence la relation de ces paramètres avec l‟activité dans deux cas de
contraction (20% et 60% MVC) et dans les deux cas de position biomécaniques (genou étendu et
genou fléchi).
Nous avons également utilisé l‟analyse statique Anova1 pour voir s‟il y a une différence
significative entre les deux groupes considérés selon le facteur „RMS‟ ou „FMD‟ et si elle existe
entre les canaux d‟un même sujet.
p. 51
p. 52
CONCLUSIONS GENERALES ET PERSPECTIVES
CONCLUSIONS GENERALES ET PERSPECTIVES
Conclusion générale
Le but de ce travail est de se familiariser avec la programmation MATLAB par le 'GUIDE

de MATLAB' et de découvrir un nouveau domaine qui utilise les signaux réels bioélectriques pour
des applications pratiques comme l'analyse de la marche.
Nous avons défini le signal EMG en expliquant toutes les étapes qui mènent à sa génération
ainsi que les méthodes de sa détection.
Au cours de ce travail, nous avons utilisé quelques notions acquises en traitement du signal
pour quantifier l'activité musculaire et pour mettre en évidence un phénomène important au cours
des exercices physiques qui est le phénomène de fatigue.
En outre nous avons eu la chance de travailler pour la première fois avec une méthode
d'analyse statistique qui est l'analyse de la variance ANOVA.
p. 52
ANNEXES
Annexe A- ………………………………….
Bienquenécessairesàlacompréhension dutravailderecherche,certainsdocuments peuventalourdirle

texte. Ilestdoncpréférablede les présenterenannexeetde les séparer
lesunsdesautrespardespagesdetitreappropriées.
p. 54
REFERENCES BIBLIOGRAPHIQUES
Références Bibliographiques
[1] Hua CAO '' Modélisation et _évaluation expérimentale de la relation entre le signal MEG de
surface et la force musculaire ,'' thèse de doctorat, Spécialité Bio-ingénierie, Biomécanique,
Biomatériaux, Université de Technologie de Compiègne, 8 Janvier 2010.
[2] http://lecerveau.mcgill.ca/flash/a/a_01/a_01_m/a_01_m_fon/a_01_m_fon.html
[3] http://fr.wikipedia.org/wiki/Loi_de_Coulomb_%28%C3%A9lectrostatique%29
[4] http://fr.wikipedia.org/wiki/Potentiel_%C3%A9lectrique#cite_ref-1
[5] Mebarkia Kamale '' Paramétrisation des potentiels d'action d'une unité motrice détectés
non-invasivement ''Département d‟Electronique. Université de Sétif, 6 Novembre 2014.
[6] Benamara Hichem, Tahir Salah Eddine ''Estimation des paramètres spectraux des signaux
Electromyographie,'' de surface mémoire fin d‟étude thème mémoire fin d‟études, Département
d‟Électrotechnique, Université de sétif, promotion 2003/2004.
[7] E. J. Perreault, I. W. Hunter, R. E. Kearney, ’’Quantitative analysis of four AMG amplifiers
'',J. Biomed .ENG.,Vol. 15,PP.413-419,September 1993.
[8] A .Sostaric, D .Zagula, M.Strelec,’EMG analysis using wavelet transform ''
[9] N. K. Vollestad,'' Measurement of human muscle fatigue,'' Journal of Neuroscience Methods,
74:219-227,1997
[10] Reffad Aicha, ''Indice de la fatigue musculaire ''thèse de magister. Université Sétif.2001
[11] Frédéric de coulon '' Théorie et traitement des signaux '' . Volum4, Suisse, 1996.
[12] G.M Hägg,'' Electromyographique fatigue analyse based on the number of zero crossing
'',pflugers Archiv 399.pp.78-80,1991.
[13] Bernardi, M., M. Solomonow, G. Nguyen, A. Smith, and R. Baratta, ''Motor unit
recruitment strategies changes with skill acquisition,'' Eur J Appl Physiol 74, 52–59 (1996).
[14] Lago, P., and N. B. Jones, ''Effect of motor unit firing time statistics on EMG spectra,'' Med
Biol Eng Comput 15, 648–655 (1977).
[15] Hogg, R. V., J. Ledolter,'' Engineering Statistics,'' MacMillan, 1987.
[16] w.Li ,K.Sakamoto,'' Ditribution of muscle fiber conduction velocity of m biceps brachii
during voluntary isometric contraction whith use of surface array electrodes'' applied human
science , jounal of physiological northropology,15(1):41-53,1996
p. 53
REFERENCES BIBLIOGRAPHIQUES
p. 53
:‫ملـخـص‬
)ARV( ‫ ٌمكه ذكمٍم شكهها عه طزٌق مرغٍزاخ انعرثح كانقٍمح‬, ً‫ذحذز ذغٍزاخ فً شذج انرىذز انحزك‬, ‫أثىاء انرقهصاخ انعضهٍح‬
‫انرغٍزاخ انطٍفٍح ٌمكه إن ذكمم مه طزف انمرغٍزاخ انرىذزٌح كانرىذز انىسطى و انكثافح انطٍفٍح‬. (RMS ( ٌ‫وانقٍمح انفعانح‬
‫ ٌرضمه عمهىا أٌضا ذقٍم انمعاٌٍز انزمىٍح و انطٍفٍح تاسرعمال تزوامج انحساب انمرطىر انذي ٌسمح تمعانجح أٌح إشارج‬.‫نالسرطاعح‬
‫ أقطاب مىضىعح عهى سطح انعضهح انزخى(انجزء‬8 ‫) معرثزج مه‬SD( ‫ لسثع إشاراخ ثىائٍح انقطة‬,‫ أثىاء دراسرىا‬.‫حقٍقٍح أو محاكٍح‬
‫فً حانرٍه انثٍىمكىكٍرٍه‬MVC%60, MVC % 20‫ين إراديذًن‬ ‫ذقهصان لعضهد‬, ‫انجاوثً نعضهح غاسرزوكىىمىٍح لثماوٍح عٍىاخ‬
ً‫)المذخهح نفحص انفزضٍح انالمىعذمح انر‬Anova1 (ً‫انرحهٍم اإلحصائ‬,‫واعرمادا عهى وضعٍح انزكثح انمسرزخٍح وانزكثح انمىجذتح‬
.‫ذخص مخرهف انرقهصاخ انعضهٍح‬
Anova1 ،ً‫انرقهص انعضه‬،‫ انكشف تثىائً انقطة‬،‫ اال نكرزومٍىغزافٍح‬:‫كلمـات مفتاحيه‬
Résumé :
Durant des contractions musculaires, des altérations de l‟amplitude du potentiel d‟action, de sa

forme peuvent être quantifiés au moyen de ses variables d‟amplitude comme la valeur rectifiée „
(ARV), et la valeur efficace (RMS). Les altérations spectrales peuvent être quantifiées par des
variables fréquentielles comme la fréquence médiane (MDF) et la densité spectrale de puissance.
Notre travail consiste à estimer aussi bien les paramètres temporels (ARV, RMS) ainsi que les
paramètres spectraux (MDF, DSP) par le développement d‟un logiciel de calcul qui permet de traiter
n‟importe quel signal qu‟il soit réel ou simulé. Durant notre étude, sept signaux bipolaires (SD) ont
été considérés à partir des 8 électrodes disposées à la surface du muscle mollet (partie latérale du
muscle gastrocnemien) de huit sujets. Deux contractions volontaires ont été considérées 20%MVC
et 60%MVC dans deux situations biomécaniques à savoir la position genou étendu et genou fléchi.
L‟analyse statistique Anova1 a été introduite pour vérifier l‟hypothèse non nulle concernant les
différentes contractions musculaires dans les différentes situations.
Mots Clés : Electromyographie, Détection bipolaire, Contraction, Anova1.
Abstract:
During muscular contractions, the amplitude variations of the action potential and the variation of its
form can be quantified by means of its temporal parameters like the rectified value (ARV), and the
effective value (RMS). The spectral variations can be quantified by frequency variables like the
median frequency (MDF) and the power spectral density. Our work consists as well of considering
the temporal parameters (ARV, RMS) as well as the spectral parameters (MDF, PSD) by the
development of computation software which makes possible the treatment of any signal that is real
or simulated. During our study, seven bipolar signals (SD) were considered from the 8 electrodes
placed on the surface calf muscle (the lateral part of the gastrocnemius muscle) of eight subjects.
Two voluntary contractions were considered 20%MVC and 60%MVC in two biomechanical
situations of knee extended and knee flexed. Analyze of variance ANOVA1 was introduced in this
work to compare the muscular activity between subjects and across the channels.
Key Words: Electromyography, Bipolar detection, Contraction, Anova1

Sid Hom These Corr

Transféré par

Informations du document

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

Sid Hom These Corr

Transféré par

Droits d'auteur :

Formats disponibles

‫وزارة التعـليــــم العالـــي والـبحـــث العلـمـــــــــي‬

MINISTERE DE L‟ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE FERHAT ABBAS –SETIF-1 1-‫جامعـــح فزحاخ عثاس سطٍــــف‬

Présenté au Département d‟électrotechnique

Domaine : Sciences et Technologie

Soutenu le 17/06/2015 devant la commission d’examen composée de :

M. Sait Belkacem MCA à l‟Université de Sétif Président

Je ne serai terminer mes remerciements sans mentionner les membres de ma famille et

Sétif, le17 /06/2015

INTRODUCTION GENERALE ......................................................................... XI

LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE ................. 1

ESTIMATION TEMPORELLE ET SPECTRALE ...............................................15

2.7.1. Algorithme de calcul des variables temporels ........................................................................................22

LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU

3.1. Introduction, utiliser style (Titre 3) ..............................................................................................................27

APPLICATION ET DISCUSSION ........................................................................34

Liste des figures

Figure ‎1-1 La représentation de l’unité motrice ................................................................................................................... 1

Liste des tableaux

Tableau ‎2.1. Classification des turbines éoliennes....................................Erreur ! Signet non défini.

Listes des Acronymes et Symboles

ξ rapport de la puissance du signal et puissance du bruit

ξdB rapport de la puissance du signal et puissance du bruit en décibel

 Le noyau qui met en évidence une classe de caractéristiques du signal

LES NOTIONS FONDAMENTALES SUR

L‟électromyographie (EMG) est le signal qui représente l‟activité électrique durant la

1.2. Unité motrice

Figure ‎1.1. La représentation de l‟unité motrice

parallèlement. Elles mesurent de 10 à 100 μm de diamètre et peuvent atteindre 30 cm de longueur.

Figure ‎1.2 .Représentation de l‟ensemble des fibres dans l‟unité motrice

Figure ‎1.3. Schéma illustratif d‟un neurone

1.3. Génération du signal EMG

1.3.1. Création de la différence de potentiel

Derrière la conduction nerveuse, il y a essentiellement des forces électriques et chimiques

1.3.1.1. La relation entre la force électrostatique et le potentiel

L‟intensité de la force électrostatique entre deux charges électriques est proportionnelle au

Figure ‎1.4. La force électrostatique

V1 : Le potentiel électrique au point p1

1.3.2. Création de différence de potentiel au niveau de l’axone

1.3.2.1. Canaux sensibles au voltage

Figure ‎1.5. Le potentiel de repos

Figure ‎1.6. La pénétration des ions N+

Figure ‎1.7. La sortie ions K+

 Si la sortie de K+ rétablit l‟équilibre électrique du potentiel de repos, il n‟en va pas de même

Figure ‎1.8. Fonction de la pompe Na-K

1.3.2.2. Potentiel d’action

Figure ‎1.9. Un potentiel excitateur qui n‟atteint pas le seuil d‟excitation

Figure ‎1.10. Un potentiel excitateur qui n‟atteint pas le seuil d‟excitation

Figure ‎1-11. Le potentiel d‟action

Pour l‟étape de la Figure 1.11. Chaque alphabet signifie une situation :

A)-potentiel récepteur qui dépolarise le neurone au-delà du seuil.

1.3.2.3. Potentiel d'action d'une unité motrice (PAUM)

Figure ‎1.13. Principe de génération du signal EMG

1.4. Détection du signal EMG

1.4.1. Préparation de la peau

Lorsque l‟on utilise des électrodes de surface (détection non-invasive); la résistance

particulier à la préparation de la peau.

1.4.2. Placement des électrodes

 Il est préférable de placer les électrodes parallèlement à l‟orientation des fibres

1.4.3. Les modes de détection

La détection du signal EMG s‟effectue selon trois techniques de détection :

1.4.3.1. Détection monopolaire

Figure ‎1.14. La détection monopolaire

1.4.3.2. Détection bipolaire