Académique Documents
Professionnel Documents
Culture Documents
Mémoire de Master
No. Réf. : ………./……/2015
Réalisé par :
Mr.Sadmi Sidhoum
Thème
Caractérisation du signal EMG de surface via une interface graphique sous matlab
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.
Enfin, je remercie toute personne de près ou de loin qui a rendu ce travail réalisable et
présentable.
Sommaire
Chapitre 01............................................................................................................................. 1
Chapitre 02.......................................................................................................................... 15
Chapitre 03.......................................................................................................................... 27
Chapitre 04.......................................................................................................................... 34
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 4-4 Représentation de l’ARV à 20% et 60% MVC du sujet 2 en extension et en flexion. .............................36
Figure 4-5 Représentation de la RMS à 20% et 60% MVC du sujet 3 en extension et en flexion. ...........................37
Figure 4-6 Représentation de l’ARV à 20% et 60% MVC du sujet 3 en extension et en flexion. .............................37
Figure 4-7 Représentation de la RMS à 20% et 60% MVC du sujet 4 en extension et en flexion. ...........................38
Figure 4-8 Représentation de l’ARV à 20% et 60% MVC du sujet 4 en extension et en flexion. .............................38
Figure 4-9 Représentation de la RMS à 20% et 60% MVC du sujet 5 en extension et en flexion. ...........................39
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
neuvième seconde. ........................................................................................................................................................45
Figure 4-22 Représentation de DSP à 60% MVC du sujet 8 en extension et en flexion durant la première et la
neuvième seconde. ........................................................................................................................................................46
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
ix
INTRODUCTION GENERALE
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
x
INTRODUCTION GENERALE
INTRODUCTION GENERALE
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
INTRODUCTION GENERALE
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
1.1. Introduction
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)
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
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
a. La force électrostatique
p. 3
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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
La création de différence potentielle au niveau de cette cellule s‟obéit à l‟activité des 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
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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].
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].
p. 5
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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].
Le potentiel d'action est le terme technique pour décrire l'influx nerveux. Il s'agit d'une
p. 6
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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)
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).
p. 7
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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).
p. 8
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
électrodes de surface.
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
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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).
p. 10
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
p. 11
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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].
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].
p. 12
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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].
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
CHAPITRE 01 LES NOTIONS FONDAMENTALES SUR L’ELECTROMYOGRAPHIE
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
On appelle bruit (en anglais : noise) tout phénomène perturbateur (interférence, bruit de fond,
etc.) gênant la perception ou l'interprétation d'un signal [11].
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
Les signaux déterministes sont les signaux dont l'évolution en fonction du temps peut être
parfaitement prédite par un modèle mathématique approprié [11].
Les signaux aléatoires sont des signaux dont le comportement temporel est imprévisible et
pour lesquels la description est basée sur des calculs statistiques.
Figure 2.1. Classification selon la nature profonde de l'évolution du signal en fonction du temps
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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.
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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)
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)
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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 :
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 2ft
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
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
G x(f) R x(m)exp(j2fm)
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 .
N m 1
Rˆ x (m) 1
N x(n)x(n m )
n 0
(2.12)
2
X(f)
Sˆ(f) ( 2.13)
N
N 1
X(f) x(n)e
j2fn
Avec ( 2.14)
n0
X(f) est la transformée de Fourier de la suite de données réelles x(n) , n0,1,...N 1. La densité
spectrale de l‟équation (2.14) est appelée périodogramme dénoté X(f)
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
j2fm
(2.15)
N m M
p. 20
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
N m 1
Où Rˆ x (m) 1
N x(n)x(n m )
n 0
m =0, 1,...,( N 1). ( 2.16)
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
p. 21
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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.
p. 23
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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
CHAPITRE 02 ESTIMATION TEMPORELLE ET SPECTRALE
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.
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
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
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.
Cette étude a pour but d´investiguer l´activité 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
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
p. 28
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
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 d´entrainement, 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.
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
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
Figure 3.3. Illustration schématique du système de détection et de son positionnement sur le muscle
gastrocnémien latéral
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
L‟accès à la fenêtre d‟affichage permet le chargement d‟un signal donné parmi les 224
p. 30
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
signaux des 8 sujets. La Figure 3.5 montre cette fenêtre et ses différents push boutons.
p. 31
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
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.
p. 32
CHAPITRE 03 LE PROTOCOLE EXPERIMENTAL ET DEVELOPPEMENT DU LOGICIEL
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).
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
Figure 4.5. Représentation de la RMS à 20% et 60% MVC du sujet 3 en extension et en flexion
Figure 4.6. Représentation de l‟ARV à 20% et 60% MVC du sujet 3 en extension et en flexion
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
CHAPITRE4 APPLICATION ET DISCUSSION
Figure 4.7. Représentation de la RMS à 20% et 60% MVC du sujet 4 en extension et en flexion
Figure 4.8. Représentation de l‟ARV à 20% et 60% MVC du sujet 4 en extension et en flexion
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
CHAPITRE4 APPLICATION ET DISCUSSION
Figure 4.9. Représentation de la RMS à 20% et 60% MVC du sujet 5 en extension et en flexion
Figure 4.10. Représentation de l‟ARV à 20% et 60% MVC du sujet 5 en extension et en flexion
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
CHAPITRE4 APPLICATION ET DISCUSSION
Figure 4.11. Représentation de la RMS à 20% et 60% MVC du sujet 6 en extension et en flexion
Figure 4.12. Représentation de l‟ARV à 20% et 60% MVC du sujet 6 en extension et en flexion
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
4.3.1. 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.
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
CHAPITRE4 APPLICATION ET DISCUSSION
moyennes des échantillons est sensiblement différente des autres. Les niveaux de signification
ordinaires sont de 0,05 ou 0,01.
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.
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
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
CHAPITRE4 APPLICATION ET DISCUSSION
p. 52
CONCLUSIONS GENERALES ET PERSPECTIVES
Conclusion générale
p. 52
ANNEXES
Annexe A- ………………………………….
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
Résumé :
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.