Entraînement d’un réseau de neurones BiLSTM pour estimer la cinématique des trois axes de rotation du genou à partir de données issues de centrales inertielles : étude préliminaire

Résumé

L’analyse du mouvement du genou est essentielle pour comprendre la dynamique de la marche et optimiser le diagnostic et la rééducation des patients. Actuellement, les courbes cinématiques sont obtenues via des systèmes optoélectroniques précis, mais coûteux et contraignants. Les centrales inertielles (IMUs) apparaissent comme une alternative prometteuse, permettant une acquisition en temps réel dans des environnements non contrôlés. Toutefois, assurer un référentiel anatomique stable reste un défi majeur pour garantir la précision clinique des mesures. L’apprentissage machine, notamment les réseaux de neurones, offre une solution efficace pour exploiter les données IMU sans référentiel et réduire les erreurs d’estimation. Cependant, leur fiabilité reste perfectible, notamment dans les plans anatomiques où les amplitudes de mouvement sont faibles. De plus, si l’ajout de plusieurs IMUs améliore la précision, il complexifie également le protocole expérimental. Cette étude propose un algorithme fondé sur un réseau de mémoire longue à court terme bidirectionnel (BiLSTM), conçu pour estimer avec précision les courbes cinématiques du genou dans les trois plans anatomiques, en utilisant seulement deux IMUs. L’objectif est d’allier précision et praticité, en visant une généralisation à une population plus hétérogène. Une analyse préliminaire a démontré la cohérence des facteurs biomécaniques obtenus, indépendamment du choix des cycles de marche, éliminant ainsi la nécessité d’un prétraitement supplémentaire. L’évaluation du modèle BiLSTM a révélé que la séparation des couches de sortie par axes limite la propagation des erreurs, améliorant ainsi la précision des mesures sur les axes de rotation tibiale interne/externe et de flexion/extension. Comparée aux approches existantes, la méthode proposée atteint des performances élevées tout en réduisant le nombre d’IMUs nécessaires. Cependant, un phénomène de surapprentissage a été observé, malgré un partitionnement des données respectant la distribution des niveaux pathologiques. Cette observation interroge la reproductibilité des résultats présentés dans la littérature et souligne la nécessité d’adapter le partitionnement et la complexité du modèle. L’approche développée se révèle particulièrement prometteuse, et plusieurs optimisations restent envisageables afin d’améliorer sa robustesse et sa capacité de généralisation.

Date	5 mai 2025
langue originale	Français
Établissement diplômant	École de technologie supérieure
Superviseur	Nicola Hagemeister (Directeur(-trice)) & Neila Mezghani (Codirecteur(-trice))