L'électromyographie de surface (EMG) a été largement utilisée pour mesurer l'activité électrique des muscles. Cependant, la variabilité des signaux de détection EMG due aux différences biologiques des différents utilisateurs dégrade considérablement les performances et le potentiel des systèmes EMG.

Récemment, des chercheurs de la City University of Hong Kong (CityU) ont développé un cadre basé sur l'apprentissage en profondeur appelé EMGSense, qui peut atteindre des performances de détection élevées pour les nouveaux utilisateurs utilisant des techniques d'auto-formation de l'IA. Cela ouvre une nouvelle voie pour développer des dispositifs EMG portables plus avancés et plus précis dans des domaines tels que la neuroréadaptation et la réalité virtuelle.

Cette dernière invention a remporté un prix lors de la 21e Conférence internationale sur l'informatique et les communications omniprésentes (PerCom 2023) qui s'est tenue à Atlanta, aux États-Unis. Il aide à surmonter le goulot d'étranglement des approches existantes et prend en charge l'adoption généralisée d'applications basées sur EMG.

L'EMG mesure l'activité électrique des muscles à l'aide d'électrodes de surface sur la peau. La détection basée sur l'EMG a attiré une attention considérable ces dernières années et a créé de nombreuses applications intelligentes, telles que la neuroréhabilitation, la reconnaissance d'activité, la reconnaissance des gestes et la réalité virtuelle.

Mais un défi fondamental dans les systèmes EMG existants est de savoir comment aborder les scénarios multi-utilisateurs. Les signaux EMG peuvent être sérieusement influencés par divers facteurs biologiques, tels que la graisse corporelle, l'état de la peau, l'âge et la fatigue. Une dégradation significative des performances serait donc causée par une hétérogénéité biologique variable dans le temps lorsque le système EMG est utilisé par différents utilisateurs.

Pour relever ce défi, des chercheurs du Département d'informatique de CityU ont récemment proposé le premier cadre d'adaptation de domaine à faible effort et alimenté par l'IA, appelé EMGSense, qui fournit une détection EMG de haute précision pour les nouveaux utilisateurs utilisant des techniques de formation à l'IA. EMGSense est un système auto-supervisé avec une stratégie d'IA d'auto-formation. Il peut faire face à la dégradation des performances causée par l'hétérogénéité biologique inter-utilisateurs.

Le nouveau cadre intègre des techniques avancées d'auto-supervision dans une structure de réseau de neurones profonds (DNN) soigneusement conçue. Il utilise des données non étiquetées à petite échelle d'un nouvel utilisateur et des données pré-collectées de plusieurs utilisateurs existants pour former un modèle discriminant afin de réaliser des applications intelligentes pour les nouveaux utilisateurs. Les données pré-collectées sont stockées dans le cloud et peuvent servir tous les nouveaux utilisateurs, réduisant ainsi le fardeau de la collecte et de l'annotation des données.

La structure DNN d'EMGSense implique deux étapes de formation, qui se complètent. Il élimine d'abord les fonctionnalités spécifiques à l'utilisateur dans l'espace des fonctionnalités pour un transfert facile, puis il utilise des techniques d'IA pour réapprendre les caractéristiques biologiques spécifiques à l'utilisateur de la nouvelle cible dans cet espace pour une détection EMG haute performance. Cela permet à EMGSense de s'adapter aux nouveaux utilisateurs avec des performances satisfaisantes, de manière auto-supervisée et sans effort, sans perdre de temps de déploiement important.

De plus, les chercheurs ont exploité les données non étiquetées collectées pendant l'utilisation pour obtenir des performances robustes à long terme qui peuvent gérer la nature variable dans le temps des signaux EMG.

Une évaluation complète de deux ensembles de données importants collectés auprès de 13 participants a indiqué qu'EMGSense a atteint une précision moyenne de 91,9 % et 81,2 % dans la reconnaissance des gestes et la reconnaissance des activités, respectivement. EMGSense a également surpassé les approches d'adaptation de domaine orientées EMG de pointe de 12,5 % à 17,4 % et a obtenu des performances comparables à celles formées de manière supervisée.

Le nouveau cadre EMGSense a le potentiel de révolutionner le domaine de la détection EMG en réduisant le fardeau de la collecte et de l'annotation des données, tout en obtenant une grande précision sans effort. Il comble les lacunes de la recherche sur les problèmes d'hétérogénéité dans la détection EMG et permet une variété de nouvelles applications multi-utilisateurs basées sur l'EMG, telles que la pratique clinique, la neuroréadaptation et l'interaction homme-machine. Il fait également un humble pas vers l'omniprésence des appareils portables EMG intelligents avec des performances plus élevées dans des scénarios du monde réel.

Le document est publié dans le cadre de la Conférence internationale IEEE 2023 sur l'informatique et les communications omniprésentes (PerCom).