La perte d’autonomie causée par une amputation du membre supérieur peut être restaurée partiellement ou presqu’entièrement par l’utilisation d’une prothèse myoélectrique adaptée à l’utilisateur. Ce dispositif utilise l’activité électrique des muscles du moignon au moyen de l’électromyographie de surface (sEMG) pour activer les divers mouvements. Il s’agit de la meilleure solution pour offrir le contrôle naturel recherché par les amputés, soit un contrôle qui requiert peu d’effort physique ou mental de la part de son utilisateur. Particulièrement pour les amputés transhuméraux (TH – amputation au-dessus du coude), les prothèses actuellement sur le marché n’offrent pas un tel contrôle alors que leur utilisation est frustrante et mène souvent à l’abandon du dispositif. Dans l’objectif de rendre la commande plus naturelle, la classification des intentions de mouvement au moyen de méthodes d’apprentissage machine (ML) classiques a été investiguée durant les dernières décennies. Malgré des études qui rapportent des performances élevées, le besoin pour un contrôle naturel est toujours présent et les méthodes ML classiques ne semblent pas être capable d’améliorer davantage la précision de classification. Afin d’améliorer les méthodes de classifications de mouvement, un nombre significatif d’études se tournent vers l’apprentissage profond (DL).

Grâce à leur capacité d’abstraction plus élevée que les méthodes ML classiques, les méthodes DL sont potentiellement mieux adaptées à la complexité entourant la classification des intentions de mouvements chez un amputé TH. En effet, les plus récentes applications de DL impliquant des signaux provenant des muscles démontrent des résultats très prometteurs et qui surpassent ceux obtenus avec des méthodes ML classiques. Dans le but de satisfaire le besoin des amputés TH pour une prothèse myoélectrique avec un contrôle naturel, cette thèse introduit une méthode DL capable de reconnaître les intentions de mouvements à partir de signaux sEMG. Les objectifs de 85 % en précision de classification et d’un temps de prédiction en dessous de 250 ms doivent être atteints pour obtenir un contrôle en temps réel qui soit satisfaisant tel que perçu par l’amputé TH.

La méthode DL sélectionnée est le réseau de neurones récurrents à longue mémoire courte (RNNLSTM) pour sa capacité à utiliser des observations passées afin d’influencer sa décision. Cette capacité lui permet de profiter de l’aspect séquentiel des données et d’être mieux adapté à travailler avec des signaux sEMG. Dans un premier article, une méthode RNN-LSTM est implémentée pour classifier six intentions de mouvements à partir de signaux sEMG. Une précision de classification moyenne de 79.7% est obtenue pour trois amputés TH avec un temps de prédiction de 6.7 ms. La méthode RNN-LSTM est statistiquement plus précise et plus rapide que les deux meilleures méthodes ML classiques de la littérature.

Dans le but d’améliorer la précision de classification tout en maintenant un temps de prédiction faible, un deuxième article aborde l’optimisation de huit hyperparamètres de la méthode RNNLSTM. La précision de classification moyenne augmente à 93.20 % avec un temps de prédiction de 10.8 ms. À l’issue de cet article, les trois amputés TH atteignent les objectifs de 85 % de précision de classification tout en maintenant un faible temps de prédiction de 10.8 ms.

L’optimisation des hyperparamètres est un processus qui nécessite un temps de calcul, une puissance de traitement et une mémoire qui sont considérables afin de trouver la meilleure configuration possible. Sans expertise préalable, il est possible de gaspiller ces ressources de calcul en investiguant des hyperparamètres qui ont peu d’impact sur la précision de classification. Afin d’aider les futures études impliquant un tel processus, l’article 2 propose aussi une configuration de référence et 12 recommandations pour l’obtention d’une optimisation efficiente des hyperparamètres d’une méthode RNN-LSTM pour la reconnaissance de mouvement avec des signaux sEMG.

The loss of autonomy caused by upper limb amputation can be partially or almost entirely restored using a myoelectric prosthesis adapted to its user. This device uses the electric activity of the stump muscles through surface electromyography (sEMG) to activate various movements. This is the best solution to provide the natural control sought by the amputees, i.e. a control that requires little physical or mental effort from its user. Especially for transhumeral amputees (TH – above elbow amputation), the prostheses currently on the market do not offer such control. Their use can be frustrating which often leads to the rejection of the device. To make their control more natural, movement intent classification using classical machine learning (ML) methods have been investigated during the last decades. Despite studies reporting high performance, the need for natural control is still present in the literature and classical ML methods do not seem to be the right solution to further increase classification accuracy. To improve motion classification, a significant number of studies are turning to deep learning (DL).

With a higher abstraction capacity than classical ML methods, DL methods are potentially better suited to the complexity of classifying movement intentions in a TH amputee. Indeed, the most recent DL applications involving muscle signals show very promising results that surpass those obtained with classical ML methods. To satisfy the need of TH amputees for a myoelectric prosthesis with natural control, this thesis introduces a DL method capable of recognizing movement intentions from sEMG signals. The objectives of 85 % classification accuracy and a prediction time below 250 ms must be achieved to obtain a real-time control that is satisfactory as perceived by the TH amputee.

The selected DL method is the Recurrent Neural Network Long Short-Term Memory (RNNLSTM) for its ability to use past observations to influence its decision. This ability allows it to take advantage of the sequential aspect of the data and is better suited to work with sEMG signals. In a first paper, a RNN-LSTM method is implemented to classify six motion intentions from sEMG signals. An average classification accuracy of 79.7 % is obtained for three TH amputees with a prediction time of 6.7 ms. Additionally, the RNN-LSTM is statistically more accurate and faster than the two best classical ML methods in the literature.

To improve the classification accuracy while maintaining a low prediction time, a second paper discusses the optimization of eight hyperparameters of the RNN-LSTM method. The average classification accuracy increases to 93.20 % with a prediction time of 10.8 ms. At the end of this article, the three TH amputees achieve the objectives of 85 % classification accuracy while maintaining a low prediction time of 10.8 ms.

Hyperparameter optimization is a process that requires considerable computing time, processing power, and memory to find the best possible configuration. Without prior expertise, it is possible to waste these computational resources by investigating hyperparameters that have little to no impact on classification accuracy. To help future studies involving such a process, article 2 also proposes a reference configuration and 12 guidelines for efficient hyperparameters optimization of a RNN-LSTM method for gesture recognition with sEMG signals.