La perte d’un membre supérieur engendre de nombreux déficits fonctionnels pour l’amputé dans sa vie de tous les jours. En effet, la plupart des activités de la vie quotidienne, telles qu’attacher ses souliers ou ouvrir une bouteille, sont complexes et difficiles à réaliser avec un seul bras fonctionnel. Les impacts de ces déficits augmentent à mesure que le niveau d’amputation est plus haut au niveau du bras. Pour toutes ces personnes, les nombreuses avancées dans le domaine des prothèses myoélectriques, c’est à dire commandées par l’activité musculaire des muscles restants après l’amputation, sont encourageantes parce qu’elles permettent d’entretenir l’espoir d’une prothèse à la commande intuitive.

Un phénomène particulier, présent chez la majorité des amputés, est celui des sensations au membre fantôme. Ces sensations peuvent se manifester sous plusieurs formes :​ thermiques, douleurs, mobilités. Les mobilités du membre fantôme sont particulièrement intéressantes pour le développement des prothèses myoélectriques étant donné qu’il a été démontré que les mouvements fantômes produisent une activité électromyographique (EMG) au niveau du membre amputé. Cependant, les études s’intéressant à la détection des mouvements fantômes ont enregistré l’activité EMG provenant de muscles difficilement intégrables dans l’emboiture d’une prothèse myoélectriques, tels que ceux du dos, du torse et de l’épaule. La présente étude se concentre sur la classification des mouvements fantômes chez les amputés huméraux à l’aide de l’EMG dans l’optique de développer une prothèse myoélectrique commandée par reconnaissance de formes.

Cinq adultes ayant subi une amputation unilatérale humérale suite à un trauma ont participé à cette étude. L’activité EMG des participants a été enregistrée exclusivement autour de leur moignon. Durant les enregistrements, il était demandé aux participants de réaliser l’un des principaux mouvements fantômes du membre supérieur :​ la flexion ou l’extension du coude, la pronation ou la supination de l’avant-bras, la flexion ou l’extension du poignet, l’ouverture ou la fermeture de la main et le repos. Chaque mouvement fantôme devait être réalisé symétriquement à l’aide du bras sain et la cinématique de ce dernier a été enregistrée à l’aide d’un système d’analyse du mouvement. Dix caractéristiques (ou « features » en anglais) temporels ont été extraites des signaux EMG et utilisées pour entrainer un réseau de neurones permettant de classifier les mouvements fantômes du membre supérieur. La performance du classificateur a été évaluée en fonction du nombre de mouvements étudiés et un ensemble optimal de quatre caractéristiques EMG a été déterminé. L’impact de l’information cinématique sur la performance de la classification a également été évalué.

La précision de la classification varie d’un amputé à l’autre, mais certaines tendances sont communes :​ la performance diminue plus le nombre de degrés de liberté est élevé et plus les mouvements fantômes sont distaux. De plus, l’ensemble optimal de quatre caractéristiques EMG permet d’obtenir une performance équivalente à celle obtenue avec l’ensemble des dix caractéristiques EMG. L’ajout de l’information cinématique améliore la précision de la classification pour tous les amputés.

Ces résultats confirment le potentiel d’un contrôleur myoélectrique basé sur les mouvements fantômes pour commander une prothèse myoélectrique. De plus, l’extraction de l’information cinématique d’une prothèse à l’aide d’accéléromètres pourrait améliorer la performance du contrôleur.

Upper limb amputation creates substantial functional deficits for the amputee. Indeed, most activities of daily living, such as tying shoelaces or opening a bottle, are complex and hard to achieve with only one functional arm. These functional impairments increase as the level of amputation is higher up the arm. For these people, recent advances in the field of myoelectric prostheses, i.e. controlled by the activity of the remaining muscles after amputation, are encouraging because they help maintain the hope of an intuitive prosthesis.

A particular phenomenon, occurring in the majority of amputees, is the presence of phantom limb sensations. Phantom limb sensations are of many types:​ thermal, pain, and mobility. Phantom limb mobilities are particularly interesting for the development of myoelectric prostheses since it has been shown that they produce an electromyographic (EMG) activity in the amputated limb. However, the studies focusing on the detection of phantom movements recorded EMG from muscles that are hard to integrate into the socket element of a myoelectric prosthesis, such as the back, chest and shoulder muscles. This study focuses on the classification of phantom movements in transhumeral amputees using EMG in the context of developing a myoelectric prosthesis controlled by pattern recognition.

Five adults who underwent unilateral humeral amputation following a trauma participated in this study. The EMG activity of the participants was recorded exclusively around their stump. During the recordings, participants were asked to perform one of the main upper limb phantom movements:​ flexion or extension of the elbow, pronation or supination of the forearm, flexion or extension of the wrist, opening or closing the hand and rest. Each phantom movement was to be made symmetrical with the unaffected arm and the kinematics of the latter was recorded using a motion analysis system. Ten time-domain features were extracted from the EMG signals and used to train a neural network to classify the phantom limb movements. The performance of the classifier was evaluated based on the number of movements studied and an optimal set of four EMG features was determined. The impact of kinematic information on the classification performance was also evaluated.

The accuracy of the classification varies from one amputee to another, but some trends are common:​ performance decreases if the number of degrees of freedom considered in the classification increases and/or if the phantom movements become more distal. Moreover, the optimal set of four EMG features provided a performance equivalent to that obtained with all ten EMG features. The addition of the kinematic information improved classification accuracy for all amputees.

These results confirm the potential of a myoelectric controller based on phantom movements to control a myoelectric prosthesis. In addition, extraction of the kinematic information of a prosthesis using accelerometers could improve the performance of the controller.