À mesure que les gens vieillissent, le déclin de la force musculaire, de la coordination et des fonctions sensorielles rend souvent les activités de la vie quotidienne, comme faire la lessive, s’habiller, cuisiner, transporter des objets et utiliser des outils, de plus en plus difficiles. Ces difficultés réduisent non seulement le confort de la vie quotidienne, mais limitent également l’autonomie des personnes âgées. Pour répondre au besoin croissant d’assistance aux personnes âgées, les technologies d’assistance telles que les fauteuils roulants électriques, les prothèses et les exosquelettes souples ont continué à se développer, tandis que permettre à ces dispositifs de comprendre naturellement l’intention motrice humaine est devenu un enjeu clé pour améliorer la collaboration homme-robot. Les signaux électromyographiques reflètent l’activité musculaire et le contrôle neuromusculaire et apparaissent généralement avant le mouvement visible des membres, ce qui en fait une interface intuitive et naturelle pour le contrôle des robots d’assistance. Cependant, l’intégration du contrôle basé sur l’EMG dans une utilisation quotidienne en temps réel se heurte encore à plusieurs défis.

Premièrement, une cartographie fiable entre les signaux EMG et l’intention motrice dépend d’un étiquetage précis, alors que les systèmes d’annotation manuelle traditionnels ou de capture de mouvement externes augmentent la complexité et la charge de travail du système. Deuxièmement, de nombreuses méthodes existantes se concentrent encore sur la reconnaissance d’une articulation unique ou modélisée indépendamment, ce qui rend difficile la capture de mouvements multiarticulaires coordonnés tels que ceux impliquant la main et le coude dans les activités quotidiennes. Troisièmement, les signaux EMG varient selon les tâches, les postures et les scénarios d’application, de sorte que les modèles ont souvent du mal à se généraliser à de nouvelles tâches et peuvent oublier les capacités précédemment acquises. Par conséquent, pour l’assistance aux personnes âgées dans le monde réel, il existe un besoin évident d’un cadre de contrôle EMG intelligent et unifié qui puisse traiter conjointement l’étiquetage des signaux physiologiques, le décodage fonctionnel des intentions multiarticulaires et l’adaptation des tâches comportementales.

Par conséquent, pour l’assistance aux personnes âgées dans le monde réel, il existe un besoin clair d’un cadre de contrôle EMG intelligent et unifié qui puisse traiter conjointement l’étiquetage des signaux physiologiques, le décodage fonctionnel des intentions multiarticulaires et l’adaptation comportementale des tâches.

Jiaqi Xue, auteur, chercheur, City University of Hong Kong

Cette étude a proposé un cadre de contrôle EMG à 3 niveaux piloté par l’IA pour l’assistance des membres supérieurs chez les personnes âgées, traduisant les signaux EMG en actions d’assistance robotiques à tous les niveaux physiologiques, fonctionnels et comportementaux. Les chercheurs ont collecté des données EMG des membres supérieurs auprès de participants plus jeunes et plus âgés, en se concentrant sur 4 muscles liés au mouvement de la main et du coude : le triceps, le biceps, l’extenseur des orteils et le fléchisseur superficiel des orteils. Sur la base de différentes caractéristiques d’activation musculaire, ils ont conçu des méthodes d’étiquetage actif sélectif et d’étiquetage contextuel pour réduire le recours à l’annotation manuelle et aux dispositifs externes de capture de mouvement. Au niveau fonctionnel, un réseau neuronal convolutif unidimensionnel a été construit pour prédire simultanément les états de la main, y compris les états détendus, ouverts et fermés, et les états du coude, y compris détendus, fléchis et étendus, à partir de signaux EMG à 4 canaux, avec un mécanisme de vote utilisé pour stabiliser les sorties en temps réel. Au niveau comportemental, la distillation des connaissances a été introduite afin que le modèle puisse apprendre de nouvelles tâches quotidiennes, telles que cuisiner, soulever un sac et tirer un chariot d’épicerie, tout en conservant les connaissances de base en matière de mouvements articulaires précédemment acquises. Enfin, le framework a été déployé dans un système de contrôle robotique en temps réel combinant acquisition EMG, edge computing et bras robotique collaboratif 6 axes pour valider sa faisabilité dans des scénarios d’assistance quotidiens.

Les résultats ont montré que le cadre de contrôle EMG basé sur l’IA à 3 niveaux améliorait efficacement l’étiquetage EMG, la reconnaissance d’intentions multi-articulaires et l’adaptation aux tâches quotidiennes. Au niveau physiologique, l’étiquetage actif sélectif était plus adapté à l’ouverture et à la fermeture de la main, où les signaux EMG présentaient de courtes et fortes fluctuations, tandis que l’étiquetage contextuel était plus adapté à la flexion et à l’extension du coude, où l’activation musculaire était plus continue. Les deux stratégies ont réduit la charge d’annotation manuelle tout en maintenant la cohérence avec les états de mouvement réels. Au niveau fonctionnel, le réseau neuronal convolutif unidimensionnel a permis d’obtenir une prédiction stable de l’état de la main et du coude, avec des précisions hors ligne de 95,42 % et 93,97 %, respectivement. En coordination multiarticulaire en temps réel, le modèle a atteint une précision globale de 95,34 % sur 9 combinaisons de mouvements main-coude et a permis de conduire avec succès une assistance robotique coordonnée et fluide. Au niveau comportemental, la distillation des connaissances a aidé le modèle à s’adapter à des activités quotidiennes plus complexes, comme cuisiner, soulever un sac et tirer un chariot d’épicerie. Dans la tâche de cuisine, le modèle étudiant a considérablement amélioré la prédiction des mains et des coudes par rapport au modèle enseignant, avec une amélioration maximale de 11,25 %, tout en conservant les connaissances de base sur les mouvements articulaires. Des expériences robotiques en temps réel ont en outre montré que le système pouvait contrôler le bras robotique en fonction des intentions EMG des utilisateurs pour ramasser, déplacer et poser un wok, validant ainsi sa stabilité et son potentiel pratique pour l’assistance quotidienne des personnes âgées.

L’importance de ce travail réside dans la fourniture d’un parcours technique complet depuis le traitement du signal physiologique EMG jusqu’au décodage fonctionnel des intentions multiarticulaires et à l’adaptation comportementale dans les activités quotidiennes. Cela permet aux robots d’assistance aux personnes âgées d’aller au-delà de la reconnaissance de mouvements isolés et de mieux répondre aux besoins réels d’actions coordonnées main-coude et de contextes de tâches changeants. En concevant des méthodes d’étiquetage physiologiquement informées, l’étude a réduit le recours à l’annotation manuelle et aux dispositifs de détection externes ; en construisant un modèle convolutionnel unidimensionnel multi-sorties au niveau fonctionnel, il a obtenu une reconnaissance précise de la coordination multijointe ; et en introduisant la distillation des connaissances au niveau comportemental, le modèle pourrait apprendre de nouvelles tâches quotidiennes tout en conservant les capacités de base précédemment acquises, améliorant ainsi l’adaptabilité et l’évolutivité pour une utilisation à long terme. Dans l’ensemble, le cadre montre que l’assistance basée sur l’EMG ne doit pas être considérée uniquement comme un problème de reconnaissance d’intention, mais comme un mécanisme de collaboration homme-robot stable, transférable et adaptable aux tâches. « À l’avenir, nous combinerons des capteurs flexibles pour améliorer le confort de port, optimiser l’allègement des modèles et la latence du système, et introduire davantage de mécanismes de retour d’information et d’interaction des utilisateurs pour promouvoir l’application pratique de tels systèmes dans l’assistance à domicile, la formation en rééducation et les scénarios de vieillissement en bonne santé. » » dit Jiaqi Xue.

Les auteurs de l’article incluent Jiaqi Xue, Ziqi Li, Xiaoyang Zou, Zijia Qu, Shengjie Yang, Colin Pak Yu Chan, Yanchen Liu, Zhou Zhao, Jing Zhang, Clio Yuen Man Cheng, Haiyang Wang, Kehan ​​​​Zou, Yafei Zhao, Vivian Weiqun Lou, Ning Xi et le roi Wai Chiu Lai.

Ce travail a été partiellement financé par des subventions du Research Grant Council du gouvernement de la région administrative spéciale de Hong Kong (TBRS Grant T42-717/20-R et CRF Grant C7100-22G).