La reconnaissance des gestes en temps réel à l’aide d’images à faible résolution de signaux électromyographiques de surface à haute densité (HD sEMG) et à résolution instantanée ouvre de nouvelles perspectives pour le développement d’interfaces ordinateur-muscle plus fluides et naturelles. Les méthodes actuelles utilisent des réseaux de neurones convolutionnels complexes, profonds et larges. Ainsi, un préentraînement sur un ensemble de données étiquetées à grande échelle rend son application en temps réel impraticable.
Pour résoudre ce problème, les modèles légers S-ConvNet et All-ConvNet sont proposés, offrant ainsi un cadre simple, mais efficace pour apprendre les images HD-sEMG instantanées à partir de zéro. Les résultats des expériences ont prouvé que les modèles proposés sont très efficaces, en particulier dans des scénarios où les ressources et les données de qualités sont limitées. La variabilité des données entre les scénarios intersession et intersujet présente un défi important, l’adaptation de domaine (AD – Adaptive Domain) avec S-ConvNet est proposée. Aussi, un modèle All-ConvNet+TL léger exploite un ensemble de neurones convolutionnels légers et à apprentissage par transfert (TL – Transfer Learning). Avec un taux de succès de 95 %, All-ConvNet+TL surpasse largement les approches existantes et établissent un nouveau record en matière de reconnaissance de gestes basée sur l’HD-sEMG dans des scénarios intersession et intersujet.
Ses travaux ont été cités plusieurs fois dont récemment dans IEEE Transactions on Neural Systems and Rehabilitation Engineering [i] présentant cette approche comme étant la plus performante de la littérature. M. Islam a publié plusieurs articles dont dernièrement dans IEEE Transactions on Instrumentation and Measurement [ii].
Ces solutions rendent possibles des applications de reconnaissances des gestes en temps réel avec des précisions supérieures. M. Islam poursuit ses travaux comme chercheur postdoctoral avec Pr Massicotte dans un autre secteur fort intéressant, l’étude automatisé du sommeil par intelligence artificielle.
Thèse de doctorat en génie électrique soutenue le 15 février 2024.
Membres du jury
M. Daniel Massicotte, directeur de recherche
Professeur, UQTR
M. Wei Ping Zhu, codirecteur de recherche
Professeur, Université Concordia
M. Messaoud Ahmed Ouameur, président du jury
Professeur, UQTR
M. Usef Faghihi, évaluateur interne
Professeur, UQTR
M. Ahmed Lakhssassi, évaluateur externe
Professeur, UQO
Références
[i] D. Wu et al., « Transfer Learning on Electromyography (EMG) Tasks: Approaches and Beyond, » IEEE Transactions on Neural Systems and Rehabilitation Engineering, vol. 31, 2023.
[ii] M.R. Islam et al., “Surface EMG-Based Inter-Session/Inter-Subject Gesture Recognition by Leveraging Lightweight All-ConvNet and Transfer Learning,” IEEE Transactions on Instrumentation and Measurements, 2024, pp.1-16.
