EP4013303A1 - Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique - Google Patents

Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique

Info

Publication number
EP4013303A1
EP4013303A1 EP20775036.5A EP20775036A EP4013303A1 EP 4013303 A1 EP4013303 A1 EP 4013303A1 EP 20775036 A EP20775036 A EP 20775036A EP 4013303 A1 EP4013303 A1 EP 4013303A1
Authority
EP
European Patent Office
Prior art keywords
activity
biomechanical
muscle
signals
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20775036.5A
Other languages
German (de)
English (en)
Inventor
Maxime PROJETTI
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Moten Technologies
Original Assignee
Moten Technologies
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Moten Technologies filed Critical Moten Technologies
Publication of EP4013303A1 publication Critical patent/EP4013303A1/fr
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/002—Monitoring the patient using a local or closed circuit, e.g. in a room or building
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1118—Determining activity level
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4538—Evaluating a particular part of the muscoloskeletal system or a particular medical condition
    • A61B5/4561—Evaluating static posture, e.g. undesirable back curvature
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/486—Bio-feedback
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/10—Athletes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/20—Workers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0223—Magnetic field sensors

Definitions

  • the present invention relates to a method for analyzing the biomechanical activity of a subject and exposure to a biomechanical risk factor in the context of physical activity. It also relates to a system implementing this method.
  • the field of the invention covers in particular physical ergonomics and the ergonomic evaluation of workstations and physical assistance equipment (exoskeletons, cobots, robots).
  • the methods used are essentially based on the analysis of the movement and postures of an operator.
  • the prevention specialist or ergonomist observes the situation and fills out scoring grids according to criteria specific to each company. Some are based on a dated method called RULA (Right Upper Limb Assessment) widely used for lack of better: the observer evaluates the operator's posture at a key moment in the task by estimating the main joint angulations adopted.
  • RULA Light Upper Limb Assessment
  • monitoring the muscle activity of the human body is an important function in many applications related to health, sports and robotics.
  • the characterization of the state of a muscle (such as fatigue), and the evolution of this state according to the movements of the whole body, can give valuable information on the condition of the muscle to, for example, optimize training for an athlete or adapting the physical workload for an industrial operator.
  • recognizing the signs of muscle fatigue helps prevent the risk of injury from physical activity in a sporting or industrial context.
  • EMG electromyography
  • MMG mechanomyographic methods
  • the vibratory activity is produced by the lateral oscillations of the muscle fibers which appear at the resonant frequency of the muscle [3]
  • the MMG signal of a low frequency nature (2-250 Hz), is obtained by means of accelerometers , microphones, piezoelectric sensors or by laser. Scientific research shows that the analysis of MMG signals allows us to examine many characteristics of muscle function such as neuromuscular fatigue [4], the effectiveness of anesthesia [5], or certain syndromes neuromuscular like Parkinson's [6]
  • mechano-myography [7]: acoustic or phonic myography (AMG, PMG) and vibratory myography (VMG).
  • AMG acoustic or phonic myography
  • VMG vibratory myography
  • acoustic myography uses pressure sensors, microphones, or piezoelectric transducers while vibrational myography uses accelerometers almost exclusively.
  • the preferred device of this invention uses MEMS capacitive accelerometers but can be extended to the other sensors mentioned.
  • inertial units made up of three-axis accelerometers, three-axis rate gyros and three-axis magnetometers.
  • the usual designations of inertial units are acronyms from English: Inertial Reference System (1RS), Inertial Navigation System (INS), or Inertial Measurement Unit (IMU).
  • INS Inertial Navigation System
  • IMU Inertial Measurement Unit
  • the instruments used for capturing movements and postures can include optical systems without markers with, in particular, the emergence of so-called depth cameras. They make it possible to resolve the ambiguities inherent in monocular systems (segmentation, auto-occultations and ambiguities induced by planar projection) by directly providing depth images of the scene to estimate a person's posture.
  • Another advantage of this type of camera is that the 3D scene information is provided from a single point of view [9]
  • a limitation of depth cameras comes from their range of less than 5m. This limitation can be overcome by using multiple cameras, but a restrictive calibration or a very controlled environment becomes necessary. An understanding of muscle activity in correlation with whole body movements is therefore critical in contexts with high biomechanical stress outside controlled environments.
  • MSDs musculoskeletal disorders
  • biomechanical stresses are evaluated using three criteria: the intensity of the stress, the frequency of exposure to this stress and the duration of exposure.
  • certain environmental factors can aggravate these biomechanical factors: mechanical pressures, shocks and impacts, vibrations and thermal environments.
  • EMG electrodes The combination of EMG electrodes, MMG sensors and IMU sensors has already been the subject of several patents for various applications.
  • document US20130317648A1 [10] relates to a sleeve integrating an EMG electrode array and an IMU unit for the recognition of movements intended for the control of machines or robotic systems.
  • Document US 10292647 B1 discloses a portable device comprising a contraction sensor and a movement sensor and transmitting signals to a processor which analyzes the signals.
  • the contraction signal determines whether the user's muscle is contracted or relaxed.
  • the contraction and movement data is sent and viewed on the smart device screen along with video of the user performing movement. Simultaneous viewing of video and sensor data provides immediate feedback to the user regarding the timing of trunk contractions with body movements in an athletic, training, or therapeutic motion to allow that user to modify and modify '' improve the coordination of trunk contraction with body movements to improve movement performance and achieve better results.
  • these systems do not allow an analysis of the vibratory behavior of a muscle of a subject aimed at producing indicators of muscle fatigue from portable and autonomous devices.
  • the aim of the present invention is to remedy these drawbacks by proposing a new method for identifying biomechanical risks in an uncontrolled environment, based on objective measurements of the biomechanical factors of a subject, the degree and frequency of exposure of this subject to those same factors.
  • the automation of this process via ultra-portable instrumentation, communicating the biomechanical data wirelessly, over long acquisition periods is also the objective of the invention.
  • a system for analyzing the biomechanical activity of a human subject. and exposure to a biomechanical risk factor in the context of physical activity comprising: a. means for picking up vibratory signals, attached to one or more first body segments of the subject, the measurement of which reflects local muscle activity; b. means for sensing signals representing the movement of the subject, the measurement of which reflects the orientation and movement of one or more second body segments in 2 or 3 dimensions; vs. means for processing these signals so as to extract therefrom indicators representative of the intensity of the biomechanical stress,
  • this analysis system further comprises: d. means for detecting a drift of the vibratory signals with respect to a frame of reference for the vibratory behavior of said muscle or muscles in the context of physical activity, e. means for predicting a physiological pause time necessary for the subject's muscles to recover their reference vibratory behavior.
  • the invention also deals with a method for analyzing the biomechanical activity of a human subject subjected to physical exercise, and the exposure of one or more biomechanical risk factors such as:
  • This method of analysis uses a measurement system, focused on one or a multitude of body segments of interest, in a context of deployment in an uncontrolled environment, comprising: a. capture of vibratory signals by a vibration sensor, attached to one or more first body segments of the subject, the measurement of which reflects local muscle activity; b. a capture of signals representing the movement of the subject, the measurement of which reflects the orientation and movement of one or more second body segments in 2 or 3 dimensions; vs. processing of these signals to extract indicators representative of the intensity of the biomechanical stress, this processing using data fusion techniques.
  • this method further comprises: d. detection of a drift of the vibratory signals with respect to a frame of reference for the vibratory behavior of said muscle or muscles in the context of physical activity, e. a prediction of a physiological pause time necessary for the subject's muscles to recover their reference vibratory behavior.
  • the fusion of MMG and IMU data has the potential to add another dimension to the analysis of human activity by creating a bridge between the dynamics of movement and muscle activity.
  • recovery of joint mobility is based solely on the range of motion that the patient can produce at the time.
  • Information on muscle activity can provide critical information on the progression of recovery from a physiological and biomechanical perspective.
  • these muscle activity tests are done exclusively by EMG, in controlled environments and over very short periods of time.
  • the identification method further comprises capturing the context or the scene in which the human subject is moving by optical capturing means, and processing this context or context information. scene, so as to generate information on the posture and gesture of the human subject in correlation with the signals of vibratory behavior.
  • the posture information can be used to build up a classification of movements in a predetermined frame of reference.
  • the identification method according to the invention can further comprise a cross analysis of the signals of movement and muscle activity, so as to deliver information on the performance and the health of the human subject during a physical activity in a context. work or sports activity.
  • It can also include a fusion of movement data and data on muscle activity, so as to recommend a personalized arrangement of physiological breaks so that the muscle tissues of the human subject regain their rested state in the metabolic and mechanical sense after exertion.
  • the means for picking up movement signals can advantageously comprise a MEMS technology inertial measurement unit IMU (Inertial Measurement Unit).
  • IMU Inertial Measurement Unit
  • the IMU inertial unit can be integrated together with the muscle activity sensor means to obtain co-localized measurements at the level of a body segment of the human subject.
  • the IMU inertial unit can be of the six-axis type measuring rectilinear accelerations (three axes) and rotations (three axes).
  • the means for capturing the movement signals may further include a magnetometer (three axes) to determine the orientation of the body segment with respect to the Earth's magnetic north.
  • the means for capturing muscle activity can advantageously comprise an MMG (mechanical-myographic) accelerometer designed to generate a mechanical-myographic signal.
  • MMG mechanical-myographic
  • This sensor is ideally a high performance capacitive MEMS accelerometer derived from seismic prospecting [16].
  • the analysis system can implement a plurality of measurement nodes firmly attached to body segments of a human subject.
  • Each measurement node comprises means of communication with a receiving station which implement a communication protocol of the Bluetooth Low Energy (BLE) type.
  • BLE Bluetooth Low Energy
  • FIG. 1 illustrates the principle of the method according to the invention, producing information on the degree of exposure to biomechanical risk factors
  • FIG. 2 illustrates an architecture of a measurement node implemented in the method according to the invention
  • FIG. 3 is a block diagram illustrating the operations performed by the method according to the invention.
  • FIG. 4 is an example of data recovery by the analysis method according to the invention.
  • FIG. 5 is an illustration of another type of result produced by the device: the muscular effort and its drift over time are measured in real time during the person's activity and the calculation of the necessary rest time is provided to avoid injuries and prevent the risk of MSDs (after Baillargeon [17]);
  • FIG. 6 is an illustration of the method for calculating a physiological pause time from the processed data of the device.
  • the upper curve shows the evolution of the RMS amplitude obtained from the filtered MMG mechanomyographic signal, and reflecting the intensity of the biomechanical stress.
  • the lower curve shows the average MPF power frequency obtained after mechanomyographic signal processing in the frequency domain. This curve reflects the strategy for recruiting muscle fibers.
  • FIG. 7 illustrates an application of the invention for the ergonomic evaluation of work situations and equipment used by industrial operators.
  • the method according to the invention is used for the ergonomic analysis of an exoskeleton supporting portable power equipment;
  • FIG. 8 shows typical signals collected from industrial operators in the activity shown in Figure 7.
  • the upper curve shows the angular amplitudes in flexion / extension of the right shoulder while the lower curve shows the muscle vibrations of the biceps. rights associated with movements produced;
  • FIG. 10 illustrates another application of the invention for the sports field.
  • a runner is equipped with the measuring system according to the invention at the level of the vastus right lateral;
  • FIG. 11 shows the typical signals collected during a repetitive stride by a runner.
  • the upper curve presents the angular amplitudes in flexion / extension of the right hip while the lower curve presents the muscular vibrations of the right vastus lateralis associated with the movements produced;
  • FIG. 12 shows a time-frequency representation of the stride in a runner from the raw signals of Figure 11.
  • the abscissa is the time
  • Each vertical line represents a stride cycle with its frequency signature, that is, that is, the distribution of the energy of the signal over the frequency band of interest;
  • FIG. 13 illustrates a particular example of the implementation of a process for obtaining a quality mechanomyographic signal (MMG) used for the present invention.
  • FIG. 14 illustrates a particular example of the implementation of a step for extracting parameters of muscle activity.
  • FIG. 1 The principle is illustrated in FIG. 1: the preferred use of the device integrates the IMU sensor and the muscle activity sensor in the same box or measurement node 1. However, these two sensors can be dissociated.
  • the invention also includes an integration of the components directly within a garment, for example, in the form of a compressive band 2 serving to hold the sensor on the body segment, thus providing good mechanical coupling to detect muscle vibrations and limit measurement artefacts.
  • the method according to the invention also extends to measurements of postures and movements using optical systems without markers such as depth cameras 3.
  • This can prove to be an interesting alternative to IMU sensors in an uncontrolled environment. with a restricted movement space, or even offer a redundancy in the measurements in order to validate the postures and movements of the body while offering the elements of context in which the subject evolves (obstacles, objects, etc.).
  • On-board signal processing electronics make it possible to perform certain calculation operations to facilitate wireless communication to an external receiver 4 (smartphone type).
  • This receiver can then perform complex operations on the data and / or communicate them to a computer / server 5 via a mobile data network.
  • the cross-analysis of movement and muscle activity data provides key information about a person's performance and health in their daily activity.
  • the fusion of movement data and muscle activity allows in particular a personalized arrangement of physiological breaks so that muscle tissue returns to its rested state in the metabolic and mechanical sense after exertion.
  • IMU sensor available on the market
  • MEMS sensitive element for integration into a connected device (clothing or object)
  • depth cameras for detecting movements and postures.
  • the external IMU sensor can be chosen as a fully integrated IMU sensor for 3D motion capture, for example the MTw Awinda [18] motion tracker from the company XSENS.
  • the specifications of this sensor are summarized in Table 1:
  • a MEMS technology IMU inertial unit can be integrated together with the muscle activity sensor to obtain co-localized measurements at a given body segment.
  • This unit can be six axes measuring rectilinear accelerations (three axes) and rotations (three axes).
  • We can also associate a magnetometer (three axes) to determine the orientation of the body segment with respect to the Earth's magnetic North.
  • Components from Invensense were selected for their performance and cost. Their characteristics are summarized in Table 2:
  • the Microsoft® Kinect® is a low cost system consisting of a color camera (RGB), an infrared camera and an infrared projector. This system was used to capture the movements and postures of industrial operators by Plantard in [9] The characteristics of the Kinect VI and V2 are presented in table 3:
  • the preferred use of the device integrates the IMU sensor and the MMG sensor in one housing.
  • these two sensors can be separated, with one system for measuring posture and another for measuring muscle activity.
  • the system according to the invention also extends to measurements of postures and movements using optical systems without markers such as depth cameras. This can prove to be an interesting alternative to IMU sensors in situations where the workstations are part of a well-defined environment, or to offer information on the context of the scene and redundancy in the measurements in order to validate the postures. and body movements.
  • Electronics embedded in the sensors make it possible to perform certain calculation operations to facilitate wireless communication to an external receiver 4 (for example a smartphone or a data collector).
  • This receiver can then perform complex operations on the data (synchronization, segmentation, processing) and communicate analysis results to a computer 5, a smartphone or a cloud.
  • the results produced concern, for example, the level of exposure to certain biomechanical risk factors (postures, intensity of muscle activity) and the monitoring of these factors during physical activity.
  • alerts may possibly be produced to warn the person when exposed to a demanding situation from a biomechanical point of view: - Too strong: intense muscle activity obtained via the mechanomyographic signal
  • One embodiment of this invention provides a second level of analysis after post data processing.
  • the movement and muscle activity data are processed on a PC by an algorithm that calculates the biomechanical efficiency of the subject’s gestures and characterizes their physiological and biomechanical impact on the body.
  • Another result expected by the data fusion is the calculation of a physiological pause time so that the subject's muscles recover their reference vibratory behavior, thus avoiding exposure to the risks of accidents or occupational diseases.
  • MEMS accelerometer ensuring the performance requirements for measuring MMG signals.
  • the motion sensor can integrate:
  • MEMS 9D inertial unit for joint integration with the MMG sensor.
  • the data collector (receiver) can integrate:
  • Merging inertial and mechanomyographic data can include:
  • an algorithm for calculating the biomechanical efficiency from the data of the source file comprising the data from the synchronized movement and mechanomyographic sensors.
  • the researchers For the conditioning of the mechanomyographic signal, under laboratory conditions, the researchers have generally oversampled the signals with a frequency of the order of 1 kHz or 2 kHz while the characteristic frequencies of the MMG signal are below 250 Hz. With a view to a field deployment with wireless data communication, a compromise between volume of data to be transmitted and sampling was found by fixing the sampling frequency at 500 Hz according to the Nyquist criterion.
  • the raw signals from the accelerometer are then digitized and then conditioned.
  • the digitized MMG signal has two components: a static component (DC) and a dynamic component (AC).
  • the DC component is not useful for assessing muscle activity and therefore should be filtered.
  • body movements are low frequency components that pollute the information of muscle activity.
  • the cut-off frequency of the high pass filter is included in a band between 2 Hz and 50 Hz with a preference for 20 Hz in order to clean the parasitic components mentioned above.
  • the application of a low-pass filter cuts high-frequency noise and limits the band of interest to frequencies characteristic of muscle micro-contractions.
  • a preferred value of 250 Hz has been established.
  • a five-pole Butterworth filter is ideal for the makes its gain constant in its passband despite a lower roll-off compared to Chebyshev or elliptical filters.
  • the ADXL355 digital accelerometer offers programmable low-pass and high-pass filters to select the frequency band of interest.
  • Mechanomyographic signal processing is based on the same developments as its electromyographic counterpart. We can divide the methods into four groups: the temporal and frequency methods (the most classic) then the time-frequency and time-scale methods (more recent). Choosing an appropriate processing method is therefore crucial for the objective analysis of MMG signals. Indeed, during an isometric contraction (contraction of a muscle without changing the length of the muscle), the signal can be assumed to be stationary (that is to say that its statistical properties are invariant over time) and the classical signal processing methods based on the Fourier transform are therefore applicable. However, during movements with varying dynamics, a muscle can change its length or recruit more motor units, giving rise to so-called non-stationary signals. In this type of muscle activity, the use of time-frequency or time-scale methods becomes necessary.
  • the MMG signal has three components (MMGX, MMGY and MMGZ), representing the accelerations induced by the vibrations of the muscle fibers along the three directions of space (X, Y, Z).
  • MMGX, MMGY and MMGZ representing the accelerations induced by the vibrations of the muscle fibers along the three directions of space (X, Y, Z).
  • a “total” acceleration signal is calculated by the following operation:
  • the RMS Root Mean Square amplitude of the “total” MMG signal then makes it possible to obtain information on the force developed by a muscle.
  • N the observation window equal to the characteristic period of the movement sequence divided by 2.
  • This characteristic period is defined by a cycle of the movement studied, for example, a step in the case of walking, a stride in the case of a run, or the period of handling an object.
  • a window of 1 second makes it possible to establish an RMS amplitude with sufficient attributes on the physiological and biomechanical behavior of the underlying muscles.
  • PSD power spectral density
  • FFT Fast Fourier Transform
  • AR autoregressive
  • the mean frequency (MPF for Mean Power Frequency) can be determined by the following formula: with PSD in g ⁇ / Hz, the power spectral density of the MMG signal and fs in Hz, the sampling frequency. MPF is an important metric for examining changes in muscle condition and detecting characteristic signs of fatigue.
  • the disadvantage of such a method is the selection of an adequate data range which can introduce a resolution defect in the frequency domain.
  • One of the innovative features of this invention is the use of the orientation measurements of the IMU sensor to segment the MMG signal appropriately.
  • WT wavelet transform
  • WVT Wigner-Ville transform
  • a method used in particular in McLeod's invention [15] is the decomposition into wavelet packets (WPA for Wavelet Packet Analysis). This differs from other time-frequency methods because of the multi-scale decompositions of the starting signal which are separated into low frequency (approximation levels) and high frequency (detail levels) coefficients. These coefficients then form a “wavelet packet.”
  • WPA Wavelet Packet Analysis
  • This method is very efficient for the analysis of MMG signals but requires heavy post processing and does not lend itself to automation of the estimation of muscle fatigue in real time. In addition, complex calculation operations are required, which seems incompatible with integration into a connected object that must communicate wirelessly for several hours, and in uncontrolled environments.
  • the present invention nevertheless allows a multi-resolution analysis based on the decomposition into maximum overlapping wavelets (Maximum Overlap Discrete Wavelet Transform: MODWT) within the framework of the post-processing of the raw MMG data. This technique makes it possible to extract movement artefacts from the muscle signal with more precision than with a conventional filtering technique.
  • MODWT Maximum Overlap Discrete Wavelet Transform
  • a measurement node 1 the architecture of which is shown in FIG. 2, is positioned on one or more body segments of a person in order to estimate the level of biomechanical stress during his activity. Each node is attached firmly to the body segment via elastic bands, compressing the sensor lightly against the skin and thus providing good mechanical coupling to detect muscle vibrations and limit measurement artifacts.
  • each node can communicate to and / or receive information from a receiving station (eg a smartphone).
  • a receiving station eg a smartphone.
  • the communication protocol chosen for this invention uses Bluetooth Low Energy (BLE).
  • BLE Bluetooth Low Energy
  • the advantage of BLE is reduced energy consumption and allowing the slave device to remain "discoverable" by a master organ while minimizing its consumption.
  • a slave device can remain connected to a master organ and exchange data at periodic times.
  • BLE there is no limit to the number of devices supported by a single master, as opposed to conventional Bluetooth limited to seven devices.
  • the standard gross throughput in BLE is theoretical 1 Mbps but remains capped at 250 kbps in practice, to be shared between all the slave nodes.
  • a feature of the method according to the invention is to allow an analysis of the various biomechanical risk factors, by communicating a multitude of sensors simultaneously, while supporting a range of use of 8 hours.
  • the data is also stored in a micro-SD type memory.
  • the measuring node supports wired communication via a USB port.
  • the receiving station using near field communication (NEC), can activate the sensors and associate them with a body position.
  • the detection of the position of the sensor on the body makes it possible to adjust certain signal acquisition parameters such as the template of certain filters.
  • the acquisition can then begin with a simple command at the receiving base.
  • the raw motion data from the IMU sensor will then be processed and merged by the microcontroller of the measurement node in order to send information on the orientations and positions of each segment and articulation to the receiving base.
  • the internal processing of the movement data allows the output signal to be downsampled in order to optimize the battery consumption and the volume of information to be transmitted.
  • the sampling of the output IMU data is conventionally between 50 Hz and 120 Hz.
  • the receiving station then performs calculation operations: counting and detection of excessive amplitudes of movement, etc. Alerts on the postures and repeated movements can be sent to an external computer or be produced on a smartphone.
  • the use of depth cameras or other optical systems without markers allows access to the movement data necessary for the biomechanical analysis and further helps to capture the contextual elements of the scene.
  • the MMG sensor integrated into the device, provides indicators on the force exerted by the muscles and muscle fatigue as well as the distribution of stress over all the body segments analyzed.
  • FIG. 3 A block diagram describing all the operations and analyzes carried out by the method according to the invention is proposed in FIG. 3.
  • the IMU sensor characterizes certain parameters such as the number of technical movements per minute, the speed of the movements. gestures and joint angulations.
  • the vibratory signals from the MMG sensor are broken down into 1 second segments at which the RMS amplitude level and the average frequency of the MPF power spectrum are calculated. It is commonly accepted in the art that the RMS amplitude of the MMG signal reflects the level of force exerted by the muscles.
  • the analysis of the MPF makes it possible to highlight changes in muscle activation (muscle fiber recruitment strategy, muscle fatigue, etc.), which makes it possible to give an index of fatigue.
  • An example of the restitution of biomechanical risk factors is given in figure 4.
  • the analysis of the drifts over time of these biomechanical risk factors by linear regression can be carried out in order to calculate the linear regression coefficient (method of Pearson). This indicator is useful for extrapolating the level of physical strain over time and predicting the physiological pause time required for the subject's muscles to recover their reference mechanical state (see Figure 5, after Baillargeon [17]).
  • the method of the present invention as well as the associated measurement system can be used to calculate the pause time necessary for the muscles of the lumbar zone to return to a reference state, corresponding to a low level. physical strain, illustrated in FIG. 6.
  • the level of muscular activity is characterized by the amplitude RMS 61 obtained from the filtered MMG mechanomyographic signal. It is associated with the average power frequency MPF 62, the variations of which indicate the change in the muscle fiber recruitment strategy.
  • a maximum on-call threshold 63 is first of all determined, taken for example at 30% of the maximum value of the filtered mechanomyographic signal.
  • this on-call threshold can be envisaged, for example by taking the maximum voluntary force (FMV) at the level of the muscle group of interest.
  • FMV maximum voluntary force
  • a minimum on-call threshold 64 is then determined, taken for example at 10% of the maximum value of the filtered mechanomyographic signal.
  • the objective is to calculate the break time to bring the level of physical strain on the lumbar muscles to the minimum threshold.
  • An average value of the RMS amplitude and the average power frequency MPF is calculated for the segment of interest 65. The calculation is reproduced for each activity segment and a linear interpolation is performed for the average RMS amplitude and the Average MPF 66. It is noted that the RMS profile increases during the activity, demonstrating an activity more and more demanding for the lumbar muscles, as well as a decrease in the MPF, demonstrating the recruitment of a greater number of muscle fibers.
  • the technique used in the present invention uses the linear regression coefficient calculated previously to determine a profile of linear decrease in the average RMS amplitude towards the threshold. minimum physical strain. Conversely, a linear growth profile is determined to bring the MPF back to a reference state, called non-tired.
  • the method of the present invention as well as the associated measurement system can be used to carry out ergonomic ratings at the level of a workstation or an item of equipment.
  • a worker illustrated in FIG. 7, carrying an exoskeleton 71 in order to facilitate the wearing of a portable power instrument 72.
  • the movements and vibratory activity are measured at the level of the right shoulder and the arm. right by the measurement system 1 to determine whether F exoskeleton is beneficial to the health and safety of the worker (correction of postures, distribution of the load carried at arm's length, etc.).
  • FIG. 8 A typical example of data collected is presented in FIG. 8.
  • Another innovative mode of operation of this invention lies in the use of movement data to segment physical activity into different states (maintaining a position, recognizing cyclic gestures, etc.).
  • This segmentation makes it possible to determine the optimum acquisition parameters of the MMG sensor (acquisition window, filter template and sampling) in order to analyze the impact on the muscles of a specific gesture or series of gestures.
  • This method is used in particular for the segmentation of squat activity by Woodward in [22]
  • the microcontroller of the measurement node calculates the level of RMS amplitude to detect the level of strain on the muscle, and gives an estimate of the PSD with each acquisition.
  • the data extracted from the MMG sensor is transmitted back to the receiving station which determines a time-frequency representation of the activity.
  • This method makes it possible to correlate very specific gestures or series of gestures with vibratory signatures of muscle activity.
  • the segmentation can be done a posteriori by manual action or automatically by the receiving station thanks to gesture recognition methods combined with machine learning techniques.
  • This mode of operation can find applications in the field of sport where an athlete seeks to develop his performance by the perfection of the technical gesture.
  • a runner 101 is equipped with the measurement system 1 in order to analyze the muscle fatigue produced by repeated gestures such as striding.
  • the IMU and MMG signals typical of the right hip joint are presented in figure 11 in which the stride is characterized by the pattern 111.
  • the duration of this pattern (less than 1 second) makes it possible to determine a window d acquisition for post-processing of the MMG signal.
  • the knot of measurement proceeds to the estimation of the PSD which is then processed by the receiving station to give the STFT representation of figure 12.
  • the power spectral density PSD is estimated by the Burg or Yule-Walker algorithm and can be observed on a frequency band between 20 Hz and 250 Hz.
  • Each vertical line represents an acquisition with its frequency signature, that is to say the distribution of the energy of the signal on the frequency band of interest.
  • the variation of the MPF over time reflects the change in the strategy for recruiting muscle fibers, in particular by the ratio between the high and low frequency components of the MMG signal. High frequencies are caused by fast twitch fibers while low frequencies are caused by slow twitch fibers.
  • a drop in the ratio between high and low frequency (and therefore a decrease in MPF) over a long period makes it possible to objectify peripheral fatigue.
  • the fast fibers will have a tendency to block and will then be partially supplemented by the activation of the slow fibers.
  • the phases of intense contractions for short times will mobilize more rapid muscle fibers and therefore increase the MPF.
  • the mechanomyographic signal obtained by a 3-axis accelerometer, can detect behavioral changes in muscle activity due to fatigue and intensity of exertion.
  • the filtering of movement artefacts is a real issue since they will have changing characteristics related to the subject's activity. Indeed, for the analysis of the quadriceps during a classic walk, the movements of the leg have a frequency of around 1 Hz, and go up to 4 Hz during a fast run. In addition, the shocks transmitted by the impact of the foot will, for their part, transmit vibrations along the leg with a spectrum comprising components up to 20 Hz, to then be attenuated by the abdominal lumbar belt.
  • the movement signals coming from the inertial units, make it possible to identify static postures, abrupt gestures, or pauses between different series of movements and will thus isolate "sequences" in the body. mechanomyographic signal.
  • the identification of these sequences is the result of a physical activity segmentation operation which will facilitate the choice of signal processing operations to be applied to the mechanomyographic signal (MMG).
  • MMG mechanomyographic signal
  • a 3-pole digital Butterworth high-pass filter with a 0.5 Hz cutoff is a good candidate for mechanomyographic signal processing.
  • Other types of filters can be used such as Chebyshev or elliptical filters, which have steeper slopes in the rejected band at the expense of ripples in the passband and / or rejected.
  • the use of the acceleration signal of the IMU sensor can be used in an adaptive filtering process using, for example, the LMS (Least Mean Square) algorithm.
  • LMS Least Mean Square
  • Another technique employing multi-resolution analysis (MRA) by the application of 7-level "db6" Daubechies wavelets can reconstruct the mechanomyographic signal deprived of motion components.
  • a low pass filter also cuts out high frequency noise.
  • a cutoff between 200 Hz and 250 Hz is ideal for analysis of the mechanomyographic signal.
  • the use of a digital Butterworth low pass filter or a Savitzky-Golay filter are common practices in the art today.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

Procédé pour analyser l'activité biomécanique d'un sujet humain et l'exposition à un facteur de risque biomécanique dans un contexte d'activité physique, comprenant une captation de signaux issus de capteurs d'un ou plusieurs muscles du sujet, une captation de signaux représentant le mouvement du sujet, et un traitement de ces signaux pour extraire des signaux représentatifs du comportement vibratoire du ou des muscles du sujet. Ce procédé comprend en outre une détection d'une dérive des signaux vibratoires par rapport à un référentiel du comportement vibratoire du ou desdits muscles dans le contexte d'activité physique, et une prédiction d'un temps de pause physiologique nécessaire pour que les muscles du sujet recouvrent leur comportement vibratoire de référence.

Description

PROCEDE ET SYSTEME POUR L’ANALYSE DE L’ACTIVITE BIOMECANIQUE ET L’EXPOSITION A UN FACTEUR DE RISQUE BIOMECANIQUE SUR UN SUJET HUMAIN DANS UN CONTEXTE D’ACTIVITE PHYSIQUE
DOMAINE DE G INVENTION
La présente invention concerne un procédé d’analyse de l’activité biomécanique d’un sujet et l’exposition à un facteur de risque biomécanique dans un contexte d’activité physique. Elle vise également un système mettant en œuvre ce procédé.
Le domaine de l’invention couvre en particulier l’ergonomie physique et l’évaluation ergonomique des postes de travail et des équipements d’assistance physique (exosquelettes, cobots, robots).
ETAT DE LA TECHNIQUE
En ergonomie physique, les méthodes employées reposent essentiellement sur l’analyse du mouvement et des postures d’un opérateur. Le préventeur ou l’ergonome observe la situation et remplit des grilles de cotation selon des critères propres à chaque entreprise. Certaines se basent sur une méthode datée dénommée RULA (Right Upper Limb Assessment) largement utilisée à défaut de mieux : l’observateur évalue la posture de l’opérateur à un instant clé de la tâche en estimant les principales angulations articulaires adoptées.
Il est communément admis dans l’industrie que certains personnels passent la quasi-totalité de leur temps à remplir ce type de grille. Une autre limite fondamentale de ce type de grille est le critère subjectif pour obtenir un score de force, qui peut alors faire passer le score global d’un niveau acceptable à un niveau critique par le changement d’un seul paramètre de cotation. La cotation doit donc se faire par un œil expert et averti pour obtenir une cotation fiable. Il émerge alors une problématique liée au besoin de quantifier précisément et objectivement l’activité musculaire de l’opérateur pour rendre l’analyse ergonomique fiable.
De plus, le remplissage de la grille s’effectue pendant un temps limité et court, empêchant ainsi de mesurer les effets de la fatigue sur les postures d’un opérateur qui peut déployer différentes stratégies de compensation non identifiables à l’œil nu. Il n’existe aujourd’hui aucun outil permettant de suivre les facteurs de risques biomécaniques d’un opérateur en situation réelle pendant toute une activité de travail.
Un dernier argument concerne l’arrivée des exosquelettes et d’autres équipements robotiques d’assistance physique dans la nouvelle industrie 4.0, dont la validation du point de vue ergonomique est un vrai défi. En effet, un exosquelette peut faire adopter une posture acceptable du point de vue de la méthode RULA tout en surchargeant certains groupes musculaires pouvant alors provoquer l’accident ou la maladie professionnelle sur le long terme.
Par ailleurs, le suivi de l’activité musculaire du corps humain est une fonction importante dans beaucoup d’applications liées à la santé, au sport et à la robotique. La caractérisation de l’état d’un muscle (comme la fatigue), et l’évolution de cet état en fonction des mouvements de l’ensemble du corps, peuvent donner de précieuses informations sur la condition du muscle pour, par exemple, optimiser l’entraînement chez un sportif ou adapter la charge physique de travail chez un opérateur industriel. De plus, la reconnaissance des signes de la fatigue musculaire permet de prévenir les risques de blessures liés à l’activité physique dans un contexte sportif ou industriel.
La capture de l’activité musculaire s’obtient généralement par électromyographie (EMG) [1], c’est à dire par la mesure de l’activité électrique du muscle. Les techniques EMG peuvent être invasives avec l’insertion d’électrodes directement dans le corps du muscle, ou superficielles par l’usage d’électrodes de surface collées à même la peau. Cette dernière technique présente de nombreux désavantages et son utilisation se limite à des environnements contrôlés comme les laboratoires. Elle requiert l’emploi d’électrodes à usage unique pour des raisons d’hygiène et nécessite l’usage de gel conducteur pour assurer un bon couplage avec la peau et ainsi limiter les changements d’impédance en cas de transpiration. De plus, un savoir-faire technique est nécessaire pour le positionnement des électrodes et leur usage. Ceci impose donc des limitations sévères sur le caractère pratique d’une telle mesure hors laboratoire.
Des méthodes dites mécanomyographiques (MMG) impliquant la mesure des micro-vibrations induites lors des contractions musculaires lèvent un grand nombre de limitations imposées par les EMG : immune à la transpiration et donc aux changements d’impédance au contact avec la peau, meilleur rapport signal sur bruit (SNR) et une sensibilité moins forte au positionnement au niveau du muscle à analyser. La notion "d’écouter les sons" produits par les muscles à la surface de la peau remonte au début des années 1800 [2] Cette méthode se caractérise par la capture et l’interprétation de l’activité mécanique vibratoire lors des contractions musculaires. L’activité vibratoire est produite par les oscillations latérales des fibres musculaires qui se manifestent à la fréquence de résonance du muscle [3] Le signal MMG, de nature basse fréquence (2-250 Hz), s’obtient par le biais d’accéléromètres, de microphones, de capteurs piézoélectriques ou encore par laser. La recherche scientifique montre que l’analyse des signaux MMG permet d’examiner de nombreuses caractéristiques de la fonction musculaire comme la fatigue neuromusculaire [4], l’efficacité de l’anesthésie [5], ou certains syndromes neuromusculaires comme celui de Parkinson [6]
A propos de la terminologie, il existe différentes appellations pour qualifier la mécano- myographie [7] : la myographie acoustique ou phonique (AMG, PMG) et la myographie vibratoire (VMG). En règle générale, la myographie acoustique utilise des capteurs de pression, des microphones ou des transducteurs piézoélectriques tandis que la myographie vibratoire utilise des accéléromètres de manière quasi-exclusive. Le dispositif préféré de cette invention utilise des accéléromètres capacitifs MEMS mais peut s’étendre aux autres capteurs cités.
Les instruments utilisés pour la capture des mouvements et des postures utilisent généralement des centrales inertielles composées d’ accéléromètres trois axes, de gyromètres trois axes et de magnétomètres trois axes. Les désignations habituelles des centrales inertielles sont des acronymes issus de l’anglais : Inertial Reference System (1RS), Inertial Navigation System (INS), ou Inertial Measurement Unit (IMU). Cette dernière appellation ne concerne que le bloc capteur (accéléromètre, gyromètre et magnétomètre), sans organe de calcul. Ces systèmes se retrouvent dans bon nombre d’objets connectés grâce notamment à la technologie MEMS qui a permis la miniaturisation des composants. En outre, les évolutions technologiques en matière de batterie et de communication sans fil ont rendu ces systèmes ultra-portables avec une autonomie importante. L’utilisation des centrales inertielles pour des analyses biomécaniques hors laboratoire se heurtent cependant à un obstacle conséquent : la présence de champs magnétiques générant des distorsions et faisant dériver la mesure des magnétomètres [8] Cette dérive se répercute dans les données des mouvements qui deviennent alors inutilisables. Un autre inconvénient pour ce genre de système est la calibration préalable des capteurs pour les aligner avec les segments du corps à analyser.
Les instruments utilisés pour la capture des mouvements et des postures peuvent inclure des systèmes optiques sans marqueurs avec, notamment, l’émergence des caméras dites de profondeur. Elles permettent de résoudre les ambiguïtés inhérentes aux systèmes monoculaires (segmentation, auto-occultations et ambiguïtés induites par la projection planaire) en fournissant directement des images de profondeur de la scène pour estimer la posture d’une personne. Un autre avantage de ce type de caméra est que les informations 3D de la scène sont fournies à partir d’un seul point de vue [9] Une limitation des caméras de profondeur vient de leur portée inférieure à 5m. Cette limitation peut être levée en utilisant plusieurs caméras, mais une calibration contraignante ou un environnement très contrôlé devient alors nécessaire. Une compréhension de l’activité musculaire en corrélation avec les mouvements de l’ensemble du corps est donc critique dans des contextes avec forte sollicitation biomécanique en dehors d’environnements contrôlés. Nous détaillerons ici l’exemple des troubles musculo- squelettiques (TMS) dans l’industrie. En effet, les études épidémiologiques montrent que les TMS résultent de l’exposition aux facteurs biomécaniques suivants :
- Les contraintes posturales
- Les efforts et la force dynamique mobilisée
- Le travail musculaire statique
- Les mouvements répétés sur une longue période d’activité.
Ces sollicitations biomécaniques sont évaluées à l’aide de trois critères : l’intensité de la sollicitation, la fréquence d’exposition à cette sollicitation et la durée d’exposition. De plus, certains facteurs environnementaux peuvent aggraver ces facteurs biomécaniques : les pressions mécaniques, les chocs et les impacts, les vibrations et les ambiances thermiques.
Les techniques utilisées dans les études ergonomiques permettant d’analyser l’activité biomécanique d’un sujet et l’exposition aux facteurs de risque cités plus haut reposent en grande majorité sur les observations d’un expert (ergonome) et sur l’analyse photo ou vidéo. Outre le caractère subjectif d’une telle analyse, il n’est pas possible en l’état d’avoir un suivi en temps réel du sujet sur de très longues durées. On a pu observer récemment l’introduction d’instruments de capture de mouvement comme des centrales inertielles portés sur les segments corporels à analyser, ou des caméras de profondeur. Cependant, ces techniques se limitent par nature aux mouvements et postures et négligent la mesure de l’activité musculaire induite par l’ensemble des mouvements du corps.
La combinaison d’électrodes EMG, de capteurs MMG et de capteurs IMU a déjà fait l’objet de plusieurs brevets pour des applications diverses.
Ainsi, le document US20130317648A1 [10] concerne une manche intégrant un réseau d’électrodes EMG et une unité IMU pour la reconnaissance des mouvements destinée au contrôle de machine ou de systèmes robotiques.
Le document US20170312576A1 [11] traite lui aussi d’une manche intégrant un réseau de capteurs EMG et une unité IMU pour l’entrainement sportif ou l’usage thérapeutique.
Les documents US20150169074 [12] et US20140240103 [13] de Thalmic Labs traitent d’une bande connectée contenant des électrodes EMG, un accéléromètre MMG et une unité IMU pour la reconnaissance des mouvements afin de contrôler des objets connectés, par exemple des lunettes connectées. Le document W02015/063520 Al [14] fusionne les données de mouvement obtenues par une unité IMU avec des données biomécaniques issues d’un capteur MMG ou EMG pour des applications comme : la réhabilitation de patients, la classification des postures et des gestes ou encore le monitoring de la santé d’un fœtus.
Le document US 20110196262 Al [15] donne une méthodologie exhaustive pour traiter les données d’un accéléromètre MEMS (1 ou 2 axes) afin de quantifier en temps réel l’effort musculaire absolu. Le champ d’applications couvre l’analyse de l’activité sportive et la réhabilitation de patients.
Le document US 10292647 B1 divulgue un dispositif portable comportant un capteur de contraction et un capteur de mouvement et transmettant des signaux à un processeur qui analyse les signaux. Le signal de contraction détermine si le muscle de l'utilisateur est contracté ou détendu. Les données de contraction et de mouvement sont envoyées et visualisées sur l'écran du dispositif intelligent avec une vidéo de l'utilisateur effectuant un mouvement. La visualisation simultanée de la vidéo et des données du capteur fournit une rétroaction immédiate à l'utilisateur concernant le moment des contractions du tronc avec les mouvements du corps dans un mouvement athlétique, d'entraînement ou thérapeutique pour permettre à cet utilisateur de modifier et d'améliorer la coordination de la contraction du tronc avec les mouvements du corps pour améliorer les performances de mouvement et obtenir de meilleurs résultats. Toutefois, ces systèmes ne permettent pas une analyse du comportement vibratoire d’un muscle d’un sujet visant la production d’indicateurs de fatigues musculaires à partir de dispositifs portables et autonomes.
Il est en particulier nécessaire de proposer de nouvelles méthodes et instruments pour la cotation objective, fiable et précise des postes de travail ou des équipements d’assistance physique. Ces méthodes doivent être digitalisées pour un déploiement massif et prendre en compte un paramètre clé, insuffisamment caractérisé à ce jour : l’activité musculaire.
Le but de la présente invention est de remédier à ces inconvénients en proposant un nouveau procédé d’identification des risques biomécaniques en environnement non contrôlé, basé sur des mesures objectives des facteurs biomécaniques d’un sujet, le degré et la fréquence d’exposition de ce sujet à ces mêmes facteurs. L’automatisation de ce procédé via une instrumentation ultra-portable, communiquant les données biomécaniques sans fil, sur de longues périodes d’acquisition est aussi l’objectif de l’invention.
EXPOSE DE L’INVENTION
Cet objectif est atteint avec un système pour analyser l’activité biomécanique d’un sujet humain et l’exposition à un facteur de risque biomécanique dans un contexte d’activité physique, comprenant : a. des moyens pour capter des signaux vibratoires, attachés à un ou plusieurs premiers segments corporels du sujet, dont la mesure traduit l’activité musculaire locale ; b. des moyens pour capter des signaux représentant le mouvement du sujet, dont la mesure traduit l’orientation et le mouvement d’un ou plusieurs seconds segments corporels en 2 ou 3 dimensions ; c. des moyens pour traiter ces signaux de façon à en extraire des indicateurs représentatifs de l’intensité de la sollicitation biomécanique,
Suivant l’invention, ce système d’analyse comprend en outre : d. des moyens pour détecter une dérive des signaux vibratoires par rapport à un référentiel du comportement vibratoire du ou desdits muscles dans le contexte d’activité physique, e. des moyens pour prédire un temps de pause physiologique nécessaire pour que les muscles du sujet recouvrent leur comportement vibratoire de référence.
L’invention traite aussi d’un procédé d’analyse de l’activité biomécanique d’un sujet humain soumis à un exercice physique, et de l’exposition de un ou plusieurs facteurs de risques biomécaniques comme :
- Les contraintes posturales
- Les efforts et la force dynamique mobilisée
- Le travail musculaire statique
- Les mouvements répétés sur une longue période d’activité.
Ce procédé d’analyse utilise un système de mesure, porté sur un ou une multitude de segments corporels d’intérêt, dans un contexte de déploiement en environnement non contrôlé, comprenant : a. une captation de signaux vibratoires par un capteur de vibrations, attaché à un ou plusieurs premiers segments corporels du sujet, dont la mesure traduit l’activité musculaire locale ; b. une captation de signaux représentant le mouvement du sujet, dont la mesure traduit l’orientation et le mouvement d’un ou plusieurs seconds segments corporels en 2 ou 3 dimensions ; c. un traitement de ces signaux pour extraire des indicateurs représentatifs de l’intensité de la sollicitation biomécanique, ce traitement mettant en œuvre des techniques de fusion de données.
Suivant l’invention, ce procédé comprend en outre : d. une détection d’une dérive des signaux vibratoires par rapport à un référentiel du comportement vibratoire du ou desdits muscles dans le contexte d’activité physique, e. une prédiction d’un temps de pause physiologique nécessaire pour que les muscles du sujet recouvrent leur comportement vibratoire de référence.
La fusion des données MMG et IMU est susceptible d’apporter une autre dimension dans l’analyse de l’activité humaine en créant un pont entre la dynamique du mouvement et l’activité musculaire. En prenant l’exemple de la réhabilitation de patient, la récupération de la mobilité articulaire se base uniquement sur l’amplitude de mouvement que le patient peut produire sur l’instant. L’information de l’activité musculaire peut apporter des informations critiques sur la progression de la récupération du point de vue physiologique et biomécanique. Cependant, comme il a été évoqué plus haut, ces tests d’activité musculaire se font exclusivement par EMG, dans des environnements contrôlés et sur des temps très courts.
L’utilisation de techniques de fusion des données de mouvement et d’activité musculaire appliquée à l’ergonomie physique conduit au développement algorithmes pour segmenter automatiquement le mouvement humain grâce à des données IMU et d’y associer un impact physiologique via la donnée MMG. Dès lors, il devient possible caractériser le rendement mécanique du geste professionnel et les mécanismes de déperdition de ce rendement par rapport à la fatigue.
Dans un mode particulier de réalisation de l’invention, le procédé d’identification, comprend en outre une captation du contexte ou de la scène dans lequel le sujet humain évolue par des moyens de captation optique, et un traitement ces informations de contexte ou de scène, de façon à générer des informations sur la posture et le geste du sujet humain en corrélation avec les signaux de comportement vibratoire.
Les informations de posture peuvent être utilisées pour la constitution d’une classification de mouvements dans un référentiel prédéterminé.
Le procédé d’identification selon l’invention peut en outre comprendre une analyse croisée des signaux de mouvement et d’activité musculaire, de façon à délivrer des informations sur la performance et la santé du sujet humain lors d’une activité physique dans un contexte de travail ou d’activité sportive.
Il peut aussi comprendre une fusion de données de mouvement et de données sur l’activité musculaire, de façon à préconiser un agencement personnalisé de pauses physiologiques pour que les tissus musculaires du sujet humain retrouvent leur état reposé au sens métabolique et mécanique après un effort.
Les moyens de captation des signaux de mouvement peuvent avantageusement comprendre une centrale inertielle IMU (Inertial Measurement Unit) de technologie MEMS.
La centrale inertielle IMU peut être intégrée conjointement avec les moyens capteurs d’activité musculaire pour obtenir des mesures co-localisées au niveau d’un segment corporel du sujet humain.
La centrale inertielle IMU peut être du type six axes mesurant les accélérations rectilignes (trois axes) et les rotations (trois axes).
Les moyens de captation des signaux de mouvement peuvent comprendre en outre un magnétomètre (trois axes) pour déterminer l’orientation du segment corporel par rapport au Nord magnétique terrestre.
Les moyens pour capter l’activité musculaire peuvent avantageusement comprendre un accéléromètre MMG (mécano-myographique) agencé pour générer un signal mécano- myographique. Ce capteur est idéalement un accéléromètre MEMS capacitif hautement performant issu de la prospection sismique [16].
Le système d’analyse selon l’invention peut mettre en œuvre une pluralité de nœuds de mesure attachés fermement à des segments corporels d’un sujet humain. Chaque nœud de mesure comprend des moyens de communication avec une station réceptrice qui mettent en œuvre un protocole de communication de type Bluetooth Low Energy (BLE).
DESCRIPTION DES LIGURES
On comprendra mieux l’invention en référence aux figures suivantes :
- La figure 1 illustre le principe du procédé selon l’invention, produisant des informations sur le degré d’exposition aux facteurs de risques biomécaniques ;
- La figure 2 illustre une architecture d’un nœud de mesure mis en œuvre dans le procédé selon l’invention ;
- La figure 3 est un schéma bloc illustrant les opérations faites par le procédé selon l’invention;
- La figure 4 est un exemple de restitution des données par le procédé d’analyse selon l’invention;
- La figure 5 est une illustration d’un autre type de résultat produit par le dispositif: l’effort musculaire et sa dérive au cours du temps sont mesurés en temps réel pendant l’activité de la personne et le calcul du temps de repos nécessaire est fourni pour éviter les blessures et prévenir les risques de TMS (d’après Baillargeon [17]) ;
- La figure 6 est une illustration du procédé de calcul d’un temps de pause physiologique à partir des données traitées du dispositif. La courbe supérieure présente l’évolution de l’amplitude RMS obtenue à partir du signal mécanomyographique MMG filtré, et traduisant l’intensité de la sollicitation biomécanique. La courbe inférieure montre la fréquence moyenne de puissance MPF obtenue après un traitement du signal mécanomyographique dans le domaine fréquentiel. Cette courbe traduit la stratégie de recrutement des fibres musculaires.
- La figure 7 illustre une application de l’invention pour l’évaluation ergonomique des situations de travail et des équipements utilisés par des opérateurs industriels. Notamment, le procédé selon l’invention est utilisé pour l’analyse ergonomique d’un exosquelette soutenant un équipement électroportatif ;
- La figure 8 présente des signaux typiques collectés auprès d’opérateurs industriels dans l’activité présentée en figure 7. La courbe supérieure présente les amplitudes angulaires en flexion/extension de l’épaule droite tandis que la courbe inférieure présente les vibrations musculaires du biceps droit associées aux mouvements produits ;
- La figure 9 représente des résultats d’analyse de l’impact d’un exosquelette soutenant un marteau-piqueur sur l’épaule droite d’un opérateur ;
- La figure 10 illustre une autre application de l’invention pour le domaine sportif. Un coureur est équipé du système de mesure selon l’invention au niveau du vaste latéral droit ;
- La figure 11 présente les signaux typiques collectés lors d’une foulée répétitive d’un coureur. La courbe supérieure présente les amplitudes angulaires en flexion/extension de la hanche droite tandis que la courbe inférieure présente les vibrations musculaires du vaste latéral droit associées aux mouvements produits ;
- La figure 12 montre une représentation temps-fréquence de la foulée chez un coureur à partir des signaux bruts de la figure 11. En abscisse est représenté le temps, Chaque ligne verticale représente un cycle de foulée avec sa signature fréquentielle, c’est-à-dire la répartition de l’énergie du signal sur la bande de fréquence d’intérêt ;
- La figure 13 illustre un exemple particulier de mise en œuvre d’un processus pour l’obtention d’un signal mécanomyographique (MMG) de qualité servant à la présente invention ; et
- La figure 14 illustre un exemple particulier de mise en œuvre d’une étape d’extraction des paramètres d’activité musculaire.
DESCRIPTION DETAILLEE
Le principe est illustré sur la figure 1 : l’usage préféré du dispositif intègre le capteur IMU et le capteur d’activité musculaire dans un même boîtier ou nœud de mesure 1. Toutefois, ces deux capteurs peuvent être dissociés. De plus, l’invention inclut aussi une intégration des composants directement au sein d’un vêtement, par exemple, sous la forme d’une bande compressive 2 servant à maintenir le capteur sur le segment corporel, conférant ainsi un bon couplage mécanique pour détecter les vibrations musculaires et limiter les artefacts de mesure.
Par ailleurs, le procédé selon l’invention s’étend aussi à des mesures de postures et de mouvements utilisant des systèmes optiques sans marqueurs comme les caméras de profondeur 3. Ceci peut se révéler être une alternative intéressante aux capteurs IMU dans un environnement non contrôlé avec un espace de mouvement restreint, ou même offrir une redondance dans les mesures afin de valider les postures et mouvements du corps tout en offrant les éléments de contexte dans lequel le sujet évolue (obstacles, objets, etc.). Une électronique embarquée de traitement du signal permet d’exécuter certaines opérations de calcul pour faciliter une communication sans fil vers un récepteur externe 4 (type smartphone). Ce récepteur peut alors exécuter des opérations complexes sur les données et/ou les communiquer vers un ordinateur/serveur 5 via un réseau de données mobiles. L’analyse croisée des données de mouvement et d’activité musculaire permet de délivrer des informations clés sur la performance et la santé d’une personne dans son activité quotidienne. La fusion des données des mouvements et de l’activité musculaire permet notamment un agencement personnalisé des pauses physiologiques pour que les tissus musculaires retrouvent leur état reposé au sens métabolique et mécanique après un effort.
On va maintenant décrire des systèmes de mesure mis en œuvre dans un exemple pratique de réalisation de l’invention. Pour la mesure des mouvements et postures, une distinction est faite entre les instruments permettant de détecter les mouvements et les postures. Trois catégories ont été identifiées : capteur IMU existant dans le commerce, élément sensible MEMS pour intégration dans un dispositif connecté (vêtement ou objet) et les caméras de profondeur.
Le capteur IMU externe peut être choisi sous la forme d’un capteur IMU tout intégré pour la capture 3D des mouvements, par exemple le motion tracker MTw Awinda [18] de la société XSENS. Les spécifications de ce capteur sont résumées dans le tableau 1 :
Table 1 - Spécifications du dispositif MTw Awinda de Xsens Une centrale inertielle IMU de technologie MEMS peut être intégrée conjointement avec le capteur d’activité musculaire pour obtenir des mesures co-localisées au niveau d’un segment corporel donné. Cette centrale peut être six axes mesurant les accélérations rectilignes (trois axes) et les rotations (trois axes). On peut aussi associer un magnétomètre (trois axes) pour déterminer l’orientation du segment corporel par rapport au Nord magnétique terrestre. Des composants delà société Invensense ont été sélectionnés en raison de leur performance et coût. Leurs caractéristiques sont résumées dans le tableau 2:
Table 2 - Spécifications de deux centrales inertielles MEMS
La Kinect® de Microsoft® est un système de faible coût composé d’une caméra couleur (RGB), d’une caméra infrarouge et d’un projecteur infrarouge. Ce système a été utilisé pour capter les mouvements et les postures d’opérateurs industriels par Plantard dans [9] Les caractéristiques de la Kinect VI et V2 sont présentées dans le tableau 3 :
Table 3 - Spécifications de la Kinect VI et V2
Pour la mesure de l’activité musculaire, les composantes constantes d’un accéléromètre trois axes sont supprimées afin de conserver uniquement les variations dues aux micro-vibrations à la surface de la peau. Le capteur requiert un plancher de bruit très faible inférieur à 100 pg/VHz afin de capturer ces phénomènes. Les accéléromètres utilisés en prospection sismique sont de bons candidats pour mesurer les signaux mécanomyographiques. Deux composants préférés pour cette invention ont été sélectionnés : LADXL354 et son équivalent digital ADXL355 [19] avec leurs performances résumées dans le tableau 4.
Table 4 - Spécifications des accéléromètres Analog Devices pour la mesure mécano- myographique
L’usage préféré du dispositif intègre le capteur IMU et le capteur MMG dans un même boîtier. Toutefois, ces deux capteurs peuvent être dissociés, avec un système pour la mesure des postures et un autre système pour la mesure de l’activité musculaire. De plus, on peut prévoir une intégration des composants directement au sein d’un vêtement connecté (par exemple, une bande compressive servant à maintenir en position le capteur sur le segment corporel). Par ailleurs, le système selon l’invention s’étend aussi à des mesures de postures et de mouvements utilisant des systèmes optiques sans marqueurs comme les caméras de profondeur. Ceci peut se révéler être une alternative intéressante aux capteurs IMU dans des situations où les postes de travail s’inscrivent dans un environnement bien délimité, ou pour offrir une information sur le contexte de la scène et une redondance dans les mesures afin de valider les postures et mouvements du corps. Une électronique embarquée dans les capteurs permet d’exécuter certaines opérations de calcul pour faciliter une communication sans fil vers un récepteur externe 4 (par exemple un smartphone ou un collecteur de données). Ce récepteur peut alors exécuter des opérations complexes sur les données (synchronisation, segmentation, traitement) et communiquer des résultats d’analyse vers un ordinateur 5, un smartphone ou un cloud. Les résultats produits concernent, par exemple, le niveau d’exposition à certains facteurs de risques biomécaniques (postures, intensité de l’activité musculaire) et le suivi de ces facteurs pendant une activité physique. En référence à la figure 4, des alertes peuvent éventuellement être produites pour prévenir la personne lorsqu’elle est exposée à une situation astreignante du point de vue biomécanique : - Trop fort : activité musculaire intense obtenue via le signal mécanomyographique
- Trop vite : vitesse de geste importante obtenue via la vitesse et l’accélération des segments corporels
- Trop loin : obtenue via les angulations articulaires - Trop longtemps : la segmentation des données permet de calculer le temps d’exposition
Un mode de réalisation de cette invention prévoit un second niveau d’analyse après post traitement des données. Les données de mouvement et d’activité musculaire sont traitées sur un PC par un algorithme permettant de calculer un rendement biomécanique des gestes du sujet et caractériser leur impact physiologique et biomécanique sur le corps. Un autre résultat prévu par la fusion des données est le calcul d’un temps de pause physiologique afin que les muscles du sujet recouvrent leur comportement vibratoire de référence, évitant ainsi les expositions aux risques d’accidents ou de maladies professionnelles.
On va maintenant décrire quelques exemples de réalisation de briques technologiques essentielles. Ainsi pour le capteur MMG, on peut prévoir :
— un accéléromètre MEMS assurant les besoins en performance pour mesurer les signaux MMG.
— des outils de traitement du signal pour extraire les paramètres MMG relatifs à l’effort musculaire et à la fatigue et filtrer les artefacts de mesure.
Le capteur de mouvement peut intégrer :
— une centrale inertielle MEMS 9D pour une intégration conjointe avec le capteur MMG.
— des algorithmes de fusion de données inertielles pour corriger la dérive des capteurs et leur sensibilité aux champs magnétiques parasites (utilisation d’un filtre de Kalman).
— une méthode de calibration robuste au cours du temps et rapide à mettre en place pour gêner au minimum l’opérateur et le contexte de production. Cette calibration doit synchroniser précisément l’ensemble des capteurs déployés et garantir des signaux de mouvement fiables.
Le collecteur de données (récepteur) peut intégrer :
— des fonctions de réception, synchronisation temporelle des données de mouvement et mécanomyographiques en utilisant une horloge extérieure (horloge du smartphone, horodatage envoyé par le PC, etc.)
— un stockage des données dans un fichier source pour le post-traitement sur un PC ;
— un algorithme de segmentation automatique des mouvements en série de séquences. La fusion des données inertielles et mécanomyographiques peut inclure :
— un calcul du niveau d’exposition aux facteurs de risques biomécaniques et suivi de ces facteurs pendant une activité physique.
— un modèle d’effort pour convertir le signal mécanomyographique en signal de force par des données calibrées d’effort pour chaque groupe musculaire d’intérêt.
— un algorithme de calcul du rendement biomécanique à partir des données du fichier source, comportant les données des capteurs de mouvement et mécanomyographiques synchronisées.
— une implémentation d’algorithmes de machine leaming avec comme mission la reconnaissance automatique des gestes de l’opérateur et leur impact sur l’appareil musculosquelettique.
— un calcul d’un temps de pause physiologique afin que les muscles du sujet recouvrent leur comportement vibratoire de référence
On va maintenant décrire des outils de traitement du signal mis en œuvre dans le procédé selon l’invention. L’utilisation d’algorithmes de fusion des mesures d’orientation est nécessaire pour avoir accès aux paramètres des mouvements et des postures. En règle générale, ces algorithmes reposent sur un filtre de Kalman comme présenté dans [20]
Pour le conditionnement du signal mécanomyographique, en condition de laboratoire, les chercheurs ont généralement sur-échantillonné les signaux avec une fréquence de l’ordre de 1 kHz ou 2 kHz tandis que les fréquences caractéristiques du signal MMG sont en-dessous de 250 Hz. Dans l’optique d’un déploiement sur le terrain avec une communication sans fil des données, un compromis entre volume des données à transmettre et échantillonnage a été trouvé en fixant la fréquence d’échantillonnage à 500 Hz selon le critère de Nyquist. Les signaux bruts de l’accéléromètre sont alors digitalisés puis conditionnés. Le signal MMG digitalisé possède deux composantes : une composante statique (DC) et une composante dynamique (AC). La composante DC n’est pas utile pour l’évaluation de l’activité musculaire et doit donc être filtrée. Par ailleurs, les mouvements du corps sont des composantes basses fréquences qui polluent l’information de l’activité musculaire. De fait, la fréquence de coupure du filtre passe haut est comprise dans une bande entre 2 Hz et 50 Hz avec une préférence pour 20 Hz afin de nettoyer les composantes parasites évoquées plus haut.
L’application d’un filtre passe-bas permet de couper les bruits hautes fréquences et limite la bande d’intérêt aux fréquences caractéristiques des micro-contractions musculaires. Une coupure entre 70 Hz et 250 Hz, plus particulièrement entre 200 Hz et 250 Hz, est idéale pour l’analyse du signal MMG. Une valeur préférentielle de 250 Hz a été établie.
L’utilisation d’un filtre digital passe-bas de Butterworth ou d’un filtre de Savitzky-Golay sont des pratiques communes dans l’art actuel.
En ce qui concerne les opérations de filtrage, un filtre de Butterworth à cinq pôles est idéal du fait de son gain constant dans sa bande passante malgré un roll-off plus faible par rapport aux filtres de Tchebychev ou elliptiques. Par ailleurs, l’accéléromètre digital ADXL355 propose des filtres passe-bas et passe-haut programmables permettant de sélectionner la bande de fréquence d’intérêt.
Le traitement du signal mécanomyographique s’appuie sur les mêmes développements que son homologue électromyographique. On peut diviser les méthodes en quatre groupes : les méthodes temporelles et fréquentielles (les plus classiques) puis les méthodes temps-fréquence et temps-échelle (plus récentes). Le choix d’une méthode de traitement appropriée est alors crucial pour l’analyse objective des signaux MMG. En effet, lors d’une contraction isométrique (contraction d’un muscle sans changement de la longueur du muscle), le signal peut être supposé stationnaire (c’est-à-dire que ses propriétés statistiques sont invariantes au cours du temps) et les méthodes classiques de traitement du signal reposant sur la Transformée de Fourier sont donc applicables. Cependant, lors de mouvements avec des dynamiques variables, un muscle peut changer sa longueur ou recruter plus d’unités motrices, donnant alors lieu à des signaux dits non-stationnaires. Dans ce type d’activité musculaire, l’utilisation de méthodes temps-fréquence ou temps-échelle devient nécessaire. Certains paramètres extraits de [21] sont présentés ci-après avec une attention particulière portée à leur utilisation et leurs limites.
Une fois le signal mécanomyographique segmenté et proprement conditionné, les paramètres d’intérêt peuvent enfin être extraits. Le signal MMG comporte trois composantes (MMGX, MMGY et MMGZ), représentant les accélérations induites par les vibrations des fibres musculaires le long des trois directions de l’espace (X, Y, Z). Un signal d’accélération « totale » est calculé par l’opération suivante :
L’amplitude RMS (Root Mean Square) du signal MMG « total » permet alors d’obtenir des informations sur la force développée par un muscle. L’amplitude RMS varie selon les fluctuations de tension des fibres musculaires et augmente en fonction du niveau de contraction du muscle. C’est le paramètre le plus utilisé dans une analyse temporelle du signal MMG et s’obtient par la formule suivante : RMS =
L
Avec N la fenêtre d’observation égale à la période caractéristique de la séquence de mouvement divisée par 2. Cette période caractéristique se définit par un cycle du mouvement étudié, comme par exemple, un pas dans le cas de la marche, d’une foulée dans le cas d’une course à pied, ou encore la période de manutention d’un objet. Dans le cas de postures statiques, une fenêtre de 1 seconde permet d’établir une amplitude RMS comportant suffisamment d’attributs sur le comportement physiologique et biomécanique des muscles sous-jacents.
Cependant, la sensibilité de ce paramètre aux tremblements physiologiques et aux autres artefacts mécaniques nécessite des méthodes d’analyse complémentaires.
L’analyse de la densité spectrale de puissance (PSD) du signal MMG permet d’observer les fluctuations du contenu fréquentiel afin d’en déduire des informations sur la fatigue musculaire. L’outil standard pour ce type d’analyse est la transformée de Fourier rapide (FFT pour Fast Fourier Transform) pour passer du domaine temporel au domaine fréquentiel. Des méthodes paramétriques utilisant des modèles auto- régressifs (AR) permettent d’estimer la PSD du signal MMG sans utiliser de fenêtres d’apodisation et apportent donc une meilleure résolution. Les méthodes les plus classiques sont : Yule-Walker et Burg. La méthode préférée de la PSD dans cette invention est celle de Yule-Walker. Une fois la PSD estimée, la fréquence moyenne (MPF pour Mean Power Frequency) peut être déterminée par la formule suivante : avec PSD en g^/Hz, la densité spectrale de puissance du signal MMG et fs en Hz, la fréquence d’échantillonnage. La MPF est une métrique importante pour examiner les changements de la condition musculaire et détecter les signes caractéristiques de la fatigue.
Lors d’activités avec des dynamiques variables, les muscles peuvent changer leur longueur, recruter plus d’unités motrices et adapter la fréquence des stimuli, conférant un comportement non-stationnaire au signal MMG. Des approches temps-fréquence sont donc nécessaires pour segmenter le signal dans le domaine temporel avant d’effectuer une analyse fréquentielle. Un compromis entre facilité d’exécution sur un microcontrôleur et conservation de la batterie (pour une communication sans fil) est la transformée de Fourier locale (STFT pour Short Time Fourier Transform) dans laquelle une fenêtre "glisse" sur le signal temporel et permet d’obtenir la PSD à un instant donné: avecx(/) le signal MMG, h{t — t ) la fenêtre glissante et r le paramètre permettant d’analyser spectralement l’information à tous les instants.
L’inconvénient d’une telle méthode est la sélection d’une plage de donnée adéquate pouvant introduire un défaut de résolution dans le domaine fréquentiel. L’un des caractères innovants de cette invention réside dans l’utilisation des mesures d’orientation du capteur IMU pour segmenter le signal MMG de manière appropriée.
D’autres méthodes temps-fréquence comme la transformée en ondelettes (WT pour wavelet transform) et la transformée de Wigner- Ville (WVT) sont utilisées fréquemment en laboratoire ou autres environnements contrôlés pour l’analyse des signaux MMG.
Des méthodes plus récentes dites temps-échelle ont rencontré un franc succès auprès des scientifiques pour le traitement des signaux MMG. Une méthode utilisée notamment dans l’invention de McLeod [15] est la décomposition en paquets d’ondelettes (WPApour Wavelet Packet Analysis). Celle-ci se distingue des autres méthodes temps-fréquence en raison des décompositions multi-échelles du signal de départ qui sont séparées en coefficients basses fréquences (niveaux d’approximation) et hautes fréquences (niveaux de détails). Ces coefficients forment alors un "paquet d’ondelettes''. Une toolbox spécifique est disponible dans le software MATLAB®.
Cette méthode est très performante pour l’analyse des signaux MMG mais nécessite un post traitement lourd et ne se prête pas à une automatisation de l’estimation de la fatigue musculaire en temps réel. Par ailleurs, des opérations de calcul complexes sont nécessaires ce qui semble incompatible avec une intégration au sein d’un objet connecté devant communiquer sans fil pendant plusieurs heures, et dans des environnements non contrôlés. La présente invention permet néanmoins une analyse multi-résolution basée sur la décomposition en ondelettes à chevauchement maximal (Maximum Overlap Discrète Wavelet Transform : MODWT) dans le cadre du post-traitement des données MMG brutes. Cette technique permet d’extraire les artefacts de mouvement du signal musculaire avec plus de précision que par une technique de filtrage classique.
On va maintenant décrire des modes opératoires pour le procédé selon l’invention. Un nœud de mesure 1, dont l’architecture est présentée sur la figure 2, est positionné sur un ou plusieurs segments corporels d’une personne afin d’estimer le niveau de sollicitation biomécanique lors de son activité. Chaque nœud est attaché fermement au segment corporel par l’intermédiaire de bandes élastiques, compressant légèrement le capteur sur la peau et conférant ainsi un bon couplage mécanique pour détecter les vibrations musculaires et limiter les artefacts de mesure.
Suivant la complexité de la tâche et le nombre de muscles sollicités, l’utilisateur peut s’équiper d’un ou de plusieurs nœuds qu’il positionne sur le ventre de chaque muscle à analyser. Chaque nœud peut communiquer vers et/ou recevoir des informations d’une station réceptrice (par exemple un smartphone). Le protocole de communication choisi pour cette invention utilise le Bluetooth Low Energy (BLE). L’avantage du BLE est une consommation d’énergie réduite et permettant au dispositif esclave de rester "découvrable" par un organe maître tout en minimisant sa consommation. De même, un dispositif esclave peut rester connecté à un organe maître et échanger des données à des instants périodiques. Dans le cas du BLE, Il n’existe aucune limitation du nombre de périphériques supportés par un même master, en opposition au Bluetooth classique limité à sept périphériques. Le débit brut standard en BLE est de 1 Mbps théorique mais reste plafonné à 250 kbps en pratique, à partager entre tous les nœuds esclaves. Une caractéristique du procédé selon l’invention est de permettre une analyse des différents facteurs de risques biomécaniques, en faisant communiquer une multitude de capteurs en simultané, tout en supportant une plage d’utilisation de 8 heures. Les données sont par ailleurs stockées dans une mémoire de type micro-SD. Le nœud de mesure supporte une communication filaire par l’intermédiaire d’un port USB.
La station réceptrice, grâce à une communication en champ proche (NEC), peut activer les capteurs et leur associer une position corporelle. La détection de la position du capteur sur le corps permet de régler certains paramètres d’acquisition des signaux comme le gabarit de certains filtres. Une fois l’installation et le marquage des capteurs effectués, l’acquisition peut alors commencer par une simple commande au niveau de la base réceptrice. Les données brutes de mouvement du capteur IMU vont alors être traitées et fusionnées par le microcontrôleur du nœud de mesure afin d’envoyer des informations sur les orientations et les positions de chaque segment et articulation à la base réceptrice. Le traitement en interne des données de mouvement permet de sous-échantillonner le signal de sortie afin d’optimiser la consommation de la batterie et le volume d’information à transmettre. L’échantillonnage des données IMU en sortie est classiquement compris entre 50 Hz et 120 Hz. La station réceptrice effectue alors des opérations de calcul : comptage et détection d’amplitudes de mouvement excessives, etc. Des alertes sur les postures et les mouvements répétés peuvent être envoyées sur un ordinateur extérieur ou être produites sur un smartphone.
Afin d’obtenir des redondances dans les données de mouvement, ou en cas d’absence de capteurs IMU, l’utilisation de caméra de profondeur ou d’autres systèmes optiques sans marqueurs permet d’avoir accès aux données de mouvement nécessaire à l’analyse biomécanique et permet en outre de capturer les éléments de contexte de la scène.
En plus de produire des résultats relatifs aux mouvements et postures contraignants, le capteur MMG, intégré au dispositif, propose des indicateurs sur la force déployée par les muscles et la fatigue musculaire ainsi que la répartition des contraintes sur l’ensemble des segments corporels analysés.
L’analyse croisée des mouvements et des signaux mécanomyographiques permet de quantifier de manière objective le niveau des sollicitations biomécaniques sur un sujet humain. Un schéma bloc décrivant l’ensemble des opérations et analyses réalisées par le procédé selon l’invention est proposé sur la figure 3. Dans ce mode de fonctionnement, le capteur IMU caractérise certains paramètres comme le nombre de gestes techniques par minute, la vitesse des gestes et les angulations articulaires. Par ailleurs, les signaux vibratoires du capteur MMG sont décomposés en segments d’une durée de 1 seconde au niveau duquel le niveau d’amplitude RMS et la fréquence moyenne du spectre de puissance MPF sont calculés. Il est communément admis dans l’art que l’amplitude RMS du signal MMG traduit le niveau de force déployé par les muscles. D’autre part, l’analyse de la MPF permet de mettre en évidence des changements au niveau de l’activation des muscles (stratégie de recrutement des fibres musculaires, fatigue musculaire, etc.), ce qui permet de donner un indice de fatigue. Un exemple de restitution des facteurs de risques biomécaniques est proposé en figure 4. Par ailleurs, l’analyse des dérives au cours du temps de ces facteurs de risques biomécaniques par régression linéaire peut être effectuée afin de calculer le coefficient de régression linéaire (méthode de Pearson). Cet indicateur est utile pour extrapoler le niveau d’astreinte physique dans le temps et prédire le temps de pause physiologique nécessaire pour que les muscles du sujet recouvrent leur état mécanique de référence (voir figure 5, d’après Baillargeon [17]).
Dans un mode de fonctionnement particulier relatif à la prévention des risques liés aux sollicitations biomécaniques, prenons l’exemple d’une personne produisant une activité répétée, mobilisant ses lombaires. Le procédé de la présente invention ainsi que le système de mesure associé peuvent être utilisés pour calculer le temps de pause nécessaire aux muscles de la zone lombaire pour revenir vers un état de référence, correspondant à un niveau faible d’astreinte physique, illustré sur la figure 6. Le niveau d’activité musculaire est caractérisé par l’amplitude RMS 61 obtenue à partir du signal mécanomyographique MMG filtré. On y associe la fréquence moyenne de puissance MPF 62, dont les variations indiquent le changement dans la stratégie de recrutement des fibres musculaires. Un seuil d’astreinte maximum 63 est tout d’abord déterminé, pris par exemple à 30% de la valeur maximale du signal mécanomyographique filtré. D’autres techniques pour déterminer ce seuil d’astreinte peuvent être envisagées en prenant par exemple la force maximale volontaire (FMV) au niveau du groupe musculaire d’intérêt. Un seuil d’astreinte minimum 64 est ensuite déterminé, pris par exemple à 10% de la valeur maximale du signal mécanomyographique filtré. L’objectif est de calculer le temps de pause pour ramener le niveau d’astreinte physique des muscles lombaires vers le seuil minimum.
Une valeur moyenne de l’amplitude RMS et de la fréquence moyenne de puissance MPF est calculée pour le segment d’intérêt 65. Le calcul est reproduit pour chaque segment d’activité et une interpolation linéaire est réalisée pour l’amplitude RMS moyenne et la MPF moyenne 66. On note que le profil RMS augmente au cours de l’activité, démontrant une activité de plus en plus astreignante pour les muscles lombaires, ainsi qu’une diminution de la MPF, démontrant le recrutement d’un nombre plus important de fibres musculaires.
Afin de calculer un temps de pause physiologique pour que les muscles reviennent à leur état de référence, la technique utilisée dans la présente invention utilise le coefficient de régression linéaire calculé précédemment pour déterminer un profil de décroissance linéaire de l’amplitude RMS moyenne vers le seuil minimum d’astreinte physique. A l’inverse, un profil de croissance linéaire est déterminé pour ramener la MPF vers un état de référence, dit non fatigué.
En comparant à un état de référence, il est donc possible de déterminer des variations ou des dérives de l’indice de fatigue (MPF) et de l’indice de force (amplitude RMS), indiquant le changement dans la stratégie de recrutement des fibres musculaires et l’intensité de la sollicitation respectivement. Une alerte peut être envoyé à l’opérateur pour l’avertir de son exposition dans une zone d’astreinte physique et biomécanique importante.
Dans un mode de fonctionnement particulier relatif à l’ergonomie physique, le procédé de la présente invention ainsi que le système de mesure associé peuvent être utilisés pour réaliser des cotations ergonomiques au niveau d’un poste de travail ou d’un équipement. Prenons l’exemple d’un ouvrier, illustré sur la figure 7, portant un exosquelette 71 afin de faciliter le port d’un instrument électroportatif 72. Les mouvements et l’activité vibratoire sont mesurés au niveau de l’épaule droite et du bras droit par le système de mesure 1 pour déterminer si F exosquelette est bénéfique à la santé et à la sécurité de l’ouvrier (correction des postures, répartition de la charge portée en bout de bras, etc.). Un exemple typique de données collectées est présenté en figure 8. On y voit clairement les périodes de forte activité musculaire 81, les postures inconfortables induisant des efforts statiques excessifs 82 ainsi que les forces dynamiques lors de mouvements rapides 83. On peut à partir de ces informations délivrer une cotation ergonomique entièrement automatisée et objective par la comparaison des situations avant, et après port de l’exosquelette. En effet, une altération des angles de flexion articulaires du bras peut être à l’origine d’une diminution ou d’une augmentation de l’amplitude RMS du signal MMG (indicateur de la force déployée), traduisant ainsi une mobilisation différente des articulations lorsque les opérateurs portent ou non l’exosquelette. L’analyse statistique des différences des moyennes entre les situations sans et les situations avec port de l’exosquelette permet de dresser une cartographie du risque biomécanique comme montré sur la figure 9.
Un autre mode de fonctionnement innovant de cette invention réside dans l’utilisation des données de mouvement pour segmenter l’activité physique en différents états (maintien d’une position, reconnaissance de gestes cycliques, etc.). Cette segmentation permet de déterminer les paramètres d’acquisition optimums du capteur MMG (fenêtre d’acquisition, gabarit des filtres et échantillonnage) afin d’analyser l’impact sur les muscles d’un geste ou d’une série de gestes bien déterminés. Cette méthode est notamment utilisée pour la segmentation de l’activité de squat par Woodward dans [22] Le microcontrôleur du nœud de mesure procède au calcul du niveau d’amplitude RMS pour détecter le niveau de sollicitation du muscle, et donne une estimation la PSD à chaque acquisition. Les données extraites du capteur MMG sont retransmises à la station réceptrice qui détermine une représentation temps-fréquence de l’activité. Cette méthode permet de corréler des gestes ou une série de gestes bien précis avec des signatures vibratoires de l’activité musculaire. La segmentation peut se faire à posteriori par action manuelle ou automatiquement par la station réceptrice grâce à des procédés de reconnaissance de geste alliés à des techniques de machine learning.
Ce mode de fonctionnement peut trouver des applications dans le domaine du sport où un athlète recherche à développer sa performance par la perfection du geste technique. Dans l’exemple de la figure 10, un coureur 101 est équipé du système de mesure 1 afin d’analyser la fatigue musculaire produite par des gestes répétés comme la foulée. Les signaux IMU et MMG typique de l’articulation de la hanche droite sont présentés sur la figure 11 au sein de laquelle la foulée est caractérisée par le motif 111. La durée de ce motif (inférieure à 1 seconde) permet de déterminer une fenêtre d’acquisition pour le post-traitement du signal MMG. Le nœud de mesure procède à l’estimation de la PSD qui est ensuite traitée par la station réceptrice pour donner la représentation en STFT de la figure 12. La densité spectrale de puissance PSD est estimée par l’algorithme de Burg ou Yule-Walker et peut être observée sur une bande de fréquence comprise entre 20 Hz et 250 Hz. Chaque ligne verticale représente une acquisition avec sa signature fréquentielle, c’est-à-dire la répartition de l’énergie du signal sur la bande de fréquence d’intérêt. On peut ainsi observer la signature vibratoire du segment 111 caractérisant la foulée et observer des dérives au cours du temps de cette signature, via notamment la MPF, afin de prévenir la fatigue du coureur et optimiser son entraînement. En effet, la variation de la MPF au cours du temps traduit le changement dans la stratégie de recrutement des fibres musculaires, notamment par le rapport entre les composantes hautes et basses fréquences du signal MMG. Les hautes fréquences sont le fait des fibres à contraction rapide alors que les basses fréquences sont provoquées par les fibres à contraction lente. Une chute du rapport entre haute et basse fréquence (et donc une diminution de la MPF) sur une longue durée permet d'objectiver la fatigue périphérique. Ainsi, lorsque la fatigue s’installe, les fibres rapides vont avoir tendance à se bloquer et vont alors être partiellement suppléées par l’activation des fibres lentes. A l’inverse, les phases de contractions intenses pendant des temps courts vont mobiliser plus de fibres musculaires rapides et donc faire augmenter la MPF.
On va maintenant décrire, en référence à la figure 13, un exemple particulier de processus pour l’obtention d’un signal mécanomyographique de qualité servant à la présente invention.
Le signal mécanomyographique (MMG), obtenu par un accéléromètre 3 axes, peut détecter les changements de comportement de l’activité musculaire dus à la fatigue et à l’intensité de l’effort.
Le filtrage des artefacts de mouvement est un vrai enjeu puisque ces derniers vont avoir des caractéristiques changeantes en lien avec l’activité du sujet. En effet, pour l’analyse du quadriceps lors d’une marche classique, les mouvements de la jambe ont une fréquence aux alentours de 1 Hz, et vont jusqu’à 4 Hz lors d’une course rapide. De plus, les chocs transmis par l’impact du pied vont, quant à eux, transmettre des vibrations le long de la jambe avec un spectre comportant des composantes jusqu’à 20 Hz, pour ensuite être atténuées par la ceinture abdo-lombaire.
Une analyse des signaux de mouvement est donc nécessaire pour le choix des opérations de pré-traitement à apporter au signal mécanomyographique. Les signaux de mouvement, issus des centrales inertielles, permettent d’identifier des postures statiques, des gestes brusques, ou des pauses entre différentes séries de mouvement et vont ainsi isoler des « séquences » dans le signal mécanomyographique. L’identification de ces séquences est le fruit d’une opération de segmentation de l’activité physique qui va venir faciliter le choix des opérations de traitement du signal à appliquer au signal mécanomyographique (MMG). Ainsi, en référence à la figure 14, à partir du traitement du signal de mouvement, on réalise une segmentation de l’activité. Puis à partir du traitement du signal MMG, on effectue une extraction de l’amplitude RMS et une extraction de la fréquence moyenne de puissance MPF.
L’utilisation de la vidéo peut se révéler pratique pour améliorer la qualité de la segmentation dans l’éventualité où celle-ci s’effectue en post-traitement et de manière manuelle. Néanmoins, l’entrainement d’algorithmes par l’utilisation des données des centrales inertielles et des vidéos permet d’envisager une automatisation de la segmentation du mouvement pour des analyses en temps réel.
Dans l’exemple d’une posture statique, un filtre digital passe-haut de Butterworth à 3 pôles avec une coupure à 0.5 Hz est un bon candidat pour le traitement du signal mécanomyographique. D’autres types de filtres peuvent être utiliser comme des filtres de Tchebychev ou elliptiques, qui possèdent des pentes plus raides dans la bande rejetée au détriment d’ondulations dans la bande passante et/ou rejetée.
Dans le cas de mouvements lents, cycles et en l’absence de chocs (i.e. impacts au sol), le calcul du spectre du signal d’accélération permet d’identifier une bande étroite de fréquence qui peut alors être filtrée par un filtre digital passe-bande de Butterworth à 5 pôles.
Dans un dernier cas avec des mouvements de dynamiques variables et entraînant des chocs éventuels, l’utilisation du signal d’accélération du capteur IMU peut être utiliser dans un processus de filtrage adaptatif utilisant, par exemple, l’algorithme LMS (Least Mean Square). Une autre technique employant une analyse multi-résolution (MRA) par l’application d’ondelettes de Daubechies « db6 » à 7 niveaux permet de reconstruire le signal mécanomyographique privé des composantes liées au mouvement.
L’application d’un filtre passe-bas permet en outre de couper les bruits hautes fréquences. Une coupure entre 200 Hz et 250 Hz est idéale pour l’analyse du signal mécanomyographique. L’utilisation d’un filtre digital passe-bas de Butterworth ou d’un filtre de Savitzky-Golay sont des pratiques communes dans l’art actuel.
Bien entendu, l’invention n’est pas limitée aux exemples qui viennent d’être décrits et de nombreux autres modes de réalisation peuvent être envisagés sans sortir du cadre de la présente invention. REFERENCES
1. M. B.I. Reaz, M. S. Hussain, and F. Mohd-Yasin. Techniques of EMG signal analysis : Détection, processing, classification and applications. Biological Procedures Online, 8(1) :11 35, mar 2006.
2. W. H. Wollaston. On the duration of muscular action. Philos Trans R Soc London, pages 1- 5, 1810.
3. F. V. Brozovich and G. H. Pollack. Muscle contraction generates discrète Sound bursts. Biophysical Journal, 41(1) :35-40, 1983
4. N. Babault et al. “Neuromuscular fatigue development during maximal concentric and isométrie knee extensions”. In: Journal of Applied Physiology 100.3 (Mar. 2006), pp. 780-785.
5. G. Trager et al. “Comparison of phonomyography, kinemyography and mechanomyography for neuromuscular monitoring”. In: Canadian Journal of Anesthe- sia/Journal canadien d’anesthésie 53.2 (Feb. 2006), pp. 130-135.
6. J. Marusiak et al. “Electromyography and mechanomyography of elbow agonists and antagonists in Parkinson disease”. In: Muscle & Nerve 40.2 (Aug. 2009), pp. 240- 248.
7. A. Islam et al. “Mechanomyography Sensors for Muscle Assessment: a Brief Re- view”.
In: Journal ofPhysical Therapy Science 24.12 (2012), pp. 1359-1365.
8. X. Robert-Lachaine, H. Mecheri, C. Larue, and A. Plamondon. Effect of local magnetic field disturbances on inertial measurement units accuracy. Applied Ergonomics, 63 : 123—
132, sep 2017.
9. P. Plantard. “Objectivation et standardisation des évaluations ergonomiques des postes de travail à partir de données Kinect”. PhD thesis. July 2016.
10. Biosleeve human-machine interface. May 2013. URL: https://patents.google.com/ patent/US20130317648Al/en.
11. Wearable Physiological Sensor System for Training and Therapeutic Purposes. Apr. 2017. URL: https://patents.google.com/patent/US20170312576Al/en.
12. Systems, articles, and methods for gesture identification in wearable electromyography devices. Dec. 2014. URL: https://patents.google.com/patent/US20150169074.
13. Methods and devices for combining muscle activity sensor signais and inertial sensor signais for gesture-based control. Feb. 2014. URL: https ://patents. google. com/ patent/US20140240103.
14. Biomechanical activity monitoring. May 2015. URL: https://patentscope.wipo.int/ search/en/detail.jsf?docid=W02015063520.
15. Real-time assessment of absolute muscle effort during open and closed chain activities. Feb. 2010. URL: https://patents.google.com/patent/US20110196262Al/en.
16. J. Laine and D. Mougenot. “Benefïts of MEMS Based Seismic Accelerometers forOil Exploration”. In: TRANSDUCERS 2007 - 2007 International Solid-State Sensors, Actuators and Microsystems Conférence. IEEE, 2007, pp. 1473-1477. 17. M. Baillargeon and L. Patry. “Les troubles musculo-squelettiques du membre supérieur reliés au travail : définitions, anatomie fonctionnelle, mécanismes physiopathologiques et facteurs de risque.” In: Régie régionale de la santé et des services sociaux de Montréal- Centre. Direction de la santé publique (2003). URL: http://www.bdsp.ehesp.fr/Base/ 508934/.
18. MTw Awinda - Products - Xsens 3D motion tracking. URL: https://www.xsens.com/ products/mtw-awinda/.
19. ADXL355 Datasheet and Product Info \ Analog Devices. URL: https://www.analog.com/ en/products/adxl355.html.
20. A. M. Sabatini. “Quatemion-based strap-down intégration method for applications of in ertial sensing to gait analysis”. In: Medical & Biological Engineering & Computing 43.1 (Feb. 2005), pp. 94-101.
21. M. Ibitoye et al. “Mechanomyographic Parameter Extraction Methods: AnAppraisal for Clinical Applications”. In: Sensors 14.12 (Dec. 2014), pp. 22940-22970.
22. R. B. Woodward et al. “Segmenting Mechanomyography Measures of Muscle Activity Phases Using Inertial Data”. In: Scientific Reports 9.1 (Dec. 2019), p. 5569.

Claims

REVENDICATIONS
1. Système pour analyser Tactivité biomécanique d’un sujet humain et l’exposition à un facteur de risque biomécanique dans un contexte d’activité physique, comprenant : a. des moyens pour capter des signaux vibratoires, attachés à un ou plusieurs premiers segments corporels du sujet, dont la mesure traduit Tactivité musculaire locale ; b. des moyens pour capter des signaux représentant le mouvement du sujet, dont la mesure traduit l’orientation et le mouvement d’un ou plusieurs seconds segments corporels en 2 ou 3 dimensions ; c. des moyens pour traiter ces signaux de façon à en extraire des indicateurs représentatifs de l’intensité de la sollicitation biomécanique, caractérisé en ce qu’il comprend en outre : d. des moyens pour détecter une dérive des signaux vibratoires par rapport à un référentiel du comportement vibratoire du ou desdits muscles dans le contexte d’activité physique, e. des moyens pour prédire un temps de pause physiologique nécessaire pour que les muscles du sujet recouvrent leur comportement vibratoire de référence.
2. Système d’analyse selon la revendication 1, caractérisé en ce qu’il comprend en outre des moyens pour traiter la dérive détectée et en produire des indicateurs de biomécanique.
3. Système d’analyse selon Tune des revendications 1 ou 2, caractérisé en ce que les moyens de captation des signaux de mouvement comprennent une centrale inertielle IMU (Inertial Measurement Unit).
4. Système d’analyse selon la revendication 3, caractérisé en ce que la centrale inertielle IMU est intégrée conjointement avec les moyens capteurs d’activité musculaire pour obtenir des mesures co localisées au niveau d’un segment corporel du sujet humain.
5. Système d’analyse selon Tune des revendications 3 ou 4, caractérisé en ce que le centrale inertielle IMU est du type six axes mesurant les accélérations rectilignes (trois axes) et les rotations (trois axes).
6. Système d’analyse selon Tune quelconque des revendications précédentes, caractérisé en ce que les moyens de captation des signaux de mouvement comprennent en outre un magnétomètre (trois axes) pour déterminer l’orientation du segment corporel par rapport au Nord magnétique terrestre.
7. Système d’analyse selon l’une quelconque des revendications précédentes, caractérisé en ce que les moyens pour capter l’activité musculaire comprennent un accéléromètre MMG (mécano-myographique) agencé pour générer un signal mécano-myographique.
8. Système d’analyse selon l’une quelconque des revendications précédentes, caractérisé en ce qu’il met en œuvre une pluralité de nœuds de mesure attachés fermement à des segments corporels d’un sujet humain.
9. Système d’analyse selon la revendication 8, caractérisé en ce qu’un nœud de mesure comprend des moyens de communication avec une station réceptrice.
10. Système d’analyse selon la revendication 9, caractérisé en ce que les moyens de communication mettent en œuvre un protocole de communication de type Bluetooth Low Energy (BLE).
11. Procédé pour analyser l’activité biomécanique d’un sujet humain et l’exposition à un facteur de risque biomécanique dans un contexte d’activité physique, mis en œuvre dans le système d’analyse selon l’une quelconque des revendications précédentes, comprenant : a. une captation de signaux vibratoires par un capteur de vibrations, attaché à un ou plusieurs premiers segments corporels du sujet, dont la mesure traduit l’activité musculaire locale ; b. une captation de signaux représentant le mouvement du sujet, dont la mesure traduit l’orientation et le mouvement d’un ou plusieurs seconds segments corporels en 2 ou 3 dimensions ; c. un traitement de ces signaux pour extraire des indicateurs représentatifs de l’intensité de la sollicitation biomécanique, ce traitement de signaux générant une signature fréquentielle de l’activité biomécanique, caractérisé en ce qu’il comprend en outre : d. une détection d’une dérive des signaux vibratoires par rapport à un référentiel du comportement vibratoire du ou desdits muscles dans le contexte d’activité physique, e. une prédiction d’un temps de pause physiologique nécessaire pour que les muscles du sujet recouvrent leur comportement vibratoire de référence.
12. Procédé selon la revendication 11, comprenant en outre une captation du contexte ou de la scène dans lequel le sujet humain évolue par des moyens de captation optique, caractérisé en ce qu’il comprend en outre un traitement ces informations de contexte ou de scène, de façon à générer des informations sur la posture et le geste du sujet humain en corrélation avec les signaux de comportement vibratoire.
13. Procédé selon la revendication 12, caractérisé en ce qu’il comprend en outre une segmentation de l’activité du sujet en tâches ou groupe de tâches spécifiques et/ou répétitives et de les corréler avec les signaux d’activité musculaire, afin d’estimer la condition du muscle et sa dérive au cours du temps.
14. Procédé selon la revendication 11, caractérisé en ce qu’il comprend en outre une étape pour générer, à partir d’un ensemble de caractérisations biomécaniques d’activité musculaire obtenues pour un sujet humain donné, un référentiel individualisé de risque biomécanique pour ce sujet humain.
15. Procédé selon la revendication 14, caractérisé en ce que l’étape de génération d’un référentiel individualisé de risque biomécanique met en œuvre une technique de « machine leaming ».
16. Procédé selon l’une quelconque des revendications 11 à 15, caractérisé en ce qu’il comprend en outre une analyse croisée des signaux de mouvement et d’activité musculaire, de façon à délivrer des informations sur la performance et la santé du sujet humain dans une activité musculaire répétée.
17. Procédé selon l’une quelconque des revendications 11 à 16, caractérisé en ce qu’il comprend en outre un traitement de données de mouvement et de données sur l’activité musculaire, de façon à préconiser un agencement personnalisé de pauses physiologiques pour que les tissus musculaires du sujet humain retrouvent leur état reposé au sens métabolique et mécanique après un effort.
EP20775036.5A 2019-08-14 2020-08-13 Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique Pending EP4013303A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1909206A FR3099877A1 (fr) 2019-08-14 2019-08-14 Procédé et système pour l’analyse de l’activité biomécanique et l’exposition à un facteur de risque biomécanique sur un sujet humain dans un contexte d’activité physique
PCT/FR2020/051465 WO2021028641A1 (fr) 2019-08-14 2020-08-13 Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique

Publications (1)

Publication Number Publication Date
EP4013303A1 true EP4013303A1 (fr) 2022-06-22

Family

ID=69104585

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20775036.5A Pending EP4013303A1 (fr) 2019-08-14 2020-08-13 Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique

Country Status (7)

Country Link
US (1) US20220287651A1 (fr)
EP (1) EP4013303A1 (fr)
JP (1) JP2022544793A (fr)
AU (1) AU2020327649A1 (fr)
CA (1) CA3150925A1 (fr)
FR (1) FR3099877A1 (fr)
WO (1) WO2021028641A1 (fr)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7412265B2 (ja) * 2020-04-27 2024-01-12 株式会社日立製作所 動作評価システム、動作評価装置、および動作評価方法
US11918855B2 (en) 2021-07-22 2024-03-05 The Boeing Company Ergonomics improvement systems having wearable sensors and related methods
US20230069316A1 (en) * 2021-08-25 2023-03-02 The Boeing Company Systems, apparatus, and methods for musculoskeletal ergonomic improvement
CN114818820B (zh) * 2022-05-10 2024-05-31 南京理工大学 基于多通道组合的神经网络手势动作分类算法
CN116530979B (zh) * 2023-07-04 2023-10-17 清华大学 基于震动传感器的监测装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9402579B2 (en) 2010-02-05 2016-08-02 The Research Foundation For The State University Of New York Real-time assessment of absolute muscle effort during open and closed chain activities
US9278453B2 (en) 2012-05-25 2016-03-08 California Institute Of Technology Biosleeve human-machine interface
US10292647B1 (en) * 2012-12-19 2019-05-21 Alert Core, Inc. System and method for developing core muscle usage in athletics and therapy
CN105190578A (zh) 2013-02-22 2015-12-23 赛尔米克实验室公司 用于基于手势控制的组合肌肉活动传感器信号和惯性传感器信号的方法和设备
GB2519987B (en) 2013-11-04 2021-03-03 Imperial College Innovations Ltd Biomechanical activity monitoring
US9367139B2 (en) 2013-12-12 2016-06-14 Thalmic Labs Inc. Systems, articles, and methods for gesture identification in wearable electromyography devices
US10121066B1 (en) * 2017-11-16 2018-11-06 Blast Motion Inc. Method of determining joint stress from sensor data
US20170312576A1 (en) 2016-04-02 2017-11-02 Senthil Natarajan Wearable Physiological Sensor System for Training and Therapeutic Purposes

Also Published As

Publication number Publication date
JP2022544793A (ja) 2022-10-21
FR3099877A1 (fr) 2021-02-19
AU2020327649A1 (en) 2022-03-03
US20220287651A1 (en) 2022-09-15
WO2021028641A4 (fr) 2021-04-08
CA3150925A1 (fr) 2021-02-18
WO2021028641A1 (fr) 2021-02-18

Similar Documents

Publication Publication Date Title
EP4013303A1 (fr) Procede et systeme pour l'analyse de l'activite biomecanique et l'exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d'activite physique
CN101394788B (zh) 步态分析
EP2698112B1 (fr) Détermination de contraintes en temps réel d'un individu
WO2014118767A1 (fr) Classification de types de locomotion
EP2400889A1 (fr) Systeme et procede de detection de marche d'une personne
Wang et al. Home monitoring musculo-skeletal disorders with a single 3d sensor
Hossain et al. A direction-sensitive fall detection system using single 3D accelerometer and learning classifier
Pintea et al. Hand-tremor frequency estimation in videos
EP3808268B1 (fr) Système et procédé d'analyse proprioceptive de l'épaule
Iervolino et al. A wearable device for sport performance analysis and monitoring
Andrade et al. Pelvic movement variability of healthy and unilateral hip joint involvement individuals
Ponce et al. Sensor location analysis and minimal deployment for fall detection system
Ladha et al. Toward a low-cost gait analysis system for clinical and free-living assessment
Liu et al. A machine learning approach for detecting fatigue during repetitive physical tasks
Patel et al. A wearable computing platform for developing cloud-based machine learning models for health monitoring applications
CN112107290B (zh) 预测对象的多个步态周期的kam的系统、方法和软件应用程序
Patel et al. Machine learning prediction of tbi from mobility, gait and balance patterns
JP7060285B1 (ja) 歩行分析装置、歩行分析方法及びプログラム
Alcaraz et al. Mobile quantification and therapy course tracking for gait rehabilitation
Ireland et al. Classification of movement of people with parkinsons disease using wearable inertial movement units and machine learning
Chan et al. Assessment of gait patterns of chronic low back pain patients: A smart mobile phone based approach
Biloborodova et al. A Personal Mobile Sensing System for Motor Symptoms Assessment of Parkinson's Disease
US20230172490A1 (en) System and method for unsupervised monitoring in mobility related disorders
Farah et al. Comparison of inertial sensor data from the wrist and mid-lower back during a 2-minute walk test
Lee et al. Repeatability of the accelerometric-based method to detect step events for hemiparetic stroke patients

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220223

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20240424