Modélisation et évaluation expérimentale de la relation entre le signal EMG de surface et la force musculaire. - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2010

Modelisation and experimental evaluation of the relationship between surface EMG signal and muscle force.

Modélisation et évaluation expérimentale de la relation entre le signal EMG de surface et la force musculaire.

Résumé

The estimation of the force generated by a muscle is important in biomechanical studies and clinical applications. As this force cannot be measured directly, the surface electromyography signal (SEMG), reflecting the level of muscle activation, is used to quantify the force developed. However, all the factors controlling an isometric contraction do not influence the force and the SEMG simultaneously. The aim of this study is to develop a simulation model of SEMG and force in order to study the EMG-force relationship. For this purpose, we first developed a new method to simulate the muscle force from an existing EMG model. We tested the complete model with two recruitment strategies and studied the influence of target force duration. Then we used a Monte Carlo method to study the sensitivity of the model to various input physiological parameters. Two existing criteria (EMG-force and force-force variability relationships) and a new criterion (error between the target force and the generated force) were used to optimize the parameters in constant target force contractions. This new criterion was then used in variable target force contractions (sinusoidal or triangular target) in order to obtain the optimum parameter ranges. Finally, to evaluate our model, we performed experiments and simulations for the biceps. The results have shown that our EMG-force model can qualitatively simulate the behaviour of the biceps for isotonic and anisotonic contractions.
L'estimation de la force générée par un muscle est importante dans les études biomécaniques et pour les applications cliniques. Puisque cette force ne peut pas être mesurée directement, le signal électromyographique de surface (SEMG), reflétant le niveau d'activation musculaire, est utilisé pour quantifier la force développée. Cependant, tous les facteurs, contrôlant une contraction isométrique, n'influencent pas la force et le SEMG simultanément. Le but de ce travail de thèse est donc de développer un modèle de simulation conjointe du SEMG et de la force, afin d'étudier la relation EMG-force. Dans ce but, nous avons d'abord développé une nouvelle méthode de simulation de la force musculaire à partir d'un modèle d'EMG existant. Le modèle complet a été testé pour le choix de la stratégie de recrutement et l'influence de la durée de la consigne. Puis, nous avons utilisé une méthode de Monte Carlo pour étudier la sensibilité du modèle aux différents paramètres physiologiques d'entrée. Deux critères existants (relations EMG-force et force-variabilité de force) ainsi qu'un nouveau critère (erreur entre la consigne de force et la force générée), ont été utilisés pour optimiser les paramètres avec une consigne de force constante. Ce nouveau critère a ensuite été utilisé avec une consigne de force variable (sinusoïdale ou triangulaire), afin d'obtenir les plages optimales des paramètres. Enfin, pour évaluer notre modèle, nous avons réalisés des expérimentations et une simulation pour le biceps. Les résultats montrent que notre modèle EMG-force est capable de simuler qualitativement les comportements réels du biceps pour les contractions isotoniques et anisotoniques.
Fichier principal
Vignette du fichier
These_HuaCAO.pdf (4.53 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00460446 , version 1 (01-03-2010)

Identifiants

  • HAL Id : tel-00460446 , version 1

Citer

H. Cao. Modélisation et évaluation expérimentale de la relation entre le signal EMG de surface et la force musculaire.. Sciences de l'ingénieur [physics]. Université de Technologie de Compiègne, 2010. Français. ⟨NNT : ⟩. ⟨tel-00460446⟩
1427 Consultations
20589 Téléchargements

Partager

Gmail Facebook X LinkedIn More