Approche innovante pour la classification de la douleur chronique au dos

Les biosignaux jouent un rôle important pour comprendre comment nos corps fonctionnent sans avoir besoin de tests invasifs. Deux types de biosignaux vraiment utiles sont l’Électromyographie de surface ([SEMG](/fr/keywords/electromyographie-de-surface--kkglv5d)) et les données des Unités de mesure inertielle (IMU). La sEMG regarde les signaux électriques de nos muscles, tandis que les IMUs mesurent comment notre corps bouge. Ensemble, ils offrent une vue détaillée de nos mouvements et peuvent aider à gérer des problèmes comme la douleur chronique.

La douleur chronique du bas du dos (CLBP) touche beaucoup de monde dans le monde, diminuant leur qualité de vie et entraînant des coûts économiques. Une bonne détection et un suivi de la CLBP sont essentiels pour créer des plans de traitement efficaces. Mais, analyser les données des biosignaux pour atteindre cet objectif peut être compliqué. Un des principaux problèmes, c’est que les signaux peuvent être mélangés ou contaminés par le bruit du mouvement et d’autres processus corporels. De plus, les différences entre les individus peuvent engendrer des variations dans l’apparence de ces signaux, rendant leur analyse plus difficile. Les données de sEMG sont complexes, car elles peuvent inclure plusieurs canaux et changer avec le temps. Les données IMU ont aussi leurs propres défis, comme le dérive des capteurs et des erreurs de suivi des mouvements.

Traditionnellement, les chercheurs utilisaient des méthodes manuelles pour extraire des caractéristiques de ces signaux complexes et appliquer des filtres pour les nettoyer. Même si ça peut fonctionner, ça demande souvent des connaissances spécialisées et peut ne pas capturer efficacement les complexités des signaux. Récemment, les méthodes d’apprentissage automatique, surtout le deep learning, ont montré des promesses. Ces méthodes peuvent apprendre automatiquement des caractéristiques à partir de données brutes, mais elles ont généralement besoin de grandes quantités de données de haute qualité et requièrent pas mal de puissance de calcul.

Les réseaux de neurones à pointes (SNNs) présentent une nouvelle opportunité pour analyser les données des biosignaux. Les SNNs sont inspirés du fonctionnement de notre cerveau, car ils traitent l’information par des impulsions discrètes, un peu comme la communication entre neurones dans le cerveau. Cette caractéristique des SNNs les rend particulièrement pertinents pour l’analyse des signaux complexes de sEMG et d’IMUs. De plus, les SNNs peuvent être exécutés sur du matériel spécialisé qui consomme beaucoup moins d’énergie, les rendant adaptés aux dispositifs portables comme les wearables.

Cela dit, un des défis d’utilisation des SNNs est de convertir les signaux continus en impulsions binaires, qui est le format dont les SNNs ont besoin pour fonctionner. Plusieurs méthodes existent pour atteindre cette conversion, mais beaucoup ont du mal à maintenir les détails temporels clés des signaux originaux et peuvent être sensibles au bruit.

#Objectif de l’Étude

Cette étude présente une nouvelle approche pour classifier la CLBP en utilisant la base de données EmoPain, qui comprend des données de biosignaux provenant à la fois d’individus en bonne santé et de ceux souffrant de CLBP. Cette recherche se concentre sur le développement d’une méthode qui convertit efficacement les signaux continus de sEMG et d’IMU en trains d’impulsions tout en préservant les informations de timing importantes.

Les principales contributions de ce travail sont :

1. Apprentissage Adaptatif de Seuil d’Impulsion (STAL) : C’est un encodeur apprenant qui convertit les signaux continus de sEMG et d’IMU en trains d’impulsions tout en maintenant les détails temporels importants des signaux.

2. Ensemble de Classifieurs de Réseau de Neurones Récurrents à Pointes (SRNN) : Cette méthode combine plusieurs modèles SRNN qui analysent les trains d’impulsions, améliorant l’exactitude et la fiabilité dans la classification des individus en catégories saines ou CLBP.

En fusionnant l’inspiration biologique des SNNs avec l’efficacité prouvée des stratégies d’apprentissage en ensemble, cette approche offre de nouvelles opportunités pour développer de meilleures techniques de réhabilitation pour les personnes atteintes de CLBP.

#Revue de la Littérature

Le potentiel des SNNs dans l’analyse des biosignaux a été reconnu en raison de leur capacité à imiter les processus biologiques et à consommer moins d’énergie que les méthodes traditionnelles de deep learning. Cependant, leur application dans la détection de la douleur chronique et la compréhension des comportements liés à la douleur reste largement inexplorée.

Un aspect clé du fonctionnement des SNNs est la conversion des biosignaux continus en impulsions discrètes, un processus appelé encodage de pointes. Cela peut être compliqué pour les données obtenues à partir de capteurs EMG et IMU, qui peuvent changer rapidement et être affectées par le bruit. Plusieurs méthodes d’encodage des impulsions existent, chacune avec ses propres forces et faiblesses.

Des études récentes se sont concentrées sur la création d’encodeurs apprenants qui s’adaptent à des signaux spécifiques pour analyser les biosignaux avec les SNNs. Toutefois, beaucoup de ces méthodes ont du mal à maintenir une haute résolution temporelle et une résistance au bruit, qui sont cruciales pour des applications réelles dans la gestion de la CLBP.

#Méthode Proposée

La méthode proposée pour classer la CLBP en utilisant des biosignaux emploie une approche en deux étapes. D’abord, l’encodeur STAL traite les biosignaux (sEMG, angle articulaire, énergie articulaire) et les convertit en trains d’impulsions. Ensuite, des SRNN indépendants analysent ces trains d’impulsions dans un cadre de classification multi-flux. Ce cadre combine les prédictions de chaque SRNN pour améliorer les résultats de classification.

L’encodeur STAL se compose de deux modules principaux : extraction de caractéristiques et conversion de caractéristiques en impulsions. Le module d’extraction de caractéristiques capte des aspects importants des signaux d’entrée, tandis que le module de conversion de caractéristiques en impulsions traduit ces caractéristiques en activité d’impulsions.

Pour s’assurer que la sortie de l’encodeur STAL soit adaptée au SRNN, des ajustements sont faits pour aligner ses dimensions. L’encodeur inclut aussi une fonction de perte spécialement conçue qui l’aide à apprendre efficacement tout en gérant la rareté des trains d’impulsions générés.

Le SRNN prend les trains d’impulsions encodés et les traite à travers des couches de neurones récurrents, lui permettant de capturer les motifs de timing complexes dans les impulsions. Cela garantit que la classification prend en compte les dynamiques temporelles des données d’entrée.

#Configuration Expérimentale et Ensemble de Données

La base de données EmoPain sert de source de données biosignaux, collectées auprès de participants pendant différents exercices. Cet ensemble de données inclut des enregistrements provenant à la fois d’individus sains et de ceux souffrant de CLBP, fournissant une riche source d’information pour l’analyse. Les participants ont effectué diverses tâches physiques, permettant la collecte de données sEMG et IMU.

La préparation des données a impliqué la normalisation des signaux pour garantir la cohérence, ainsi que la gestion des variations dans les longueurs d’enregistrement. Les données finales pour les modèles ont été organisées en segments gérables pour capturer à la fois les motifs à court terme et à plus long terme.

#Résultats

La performance de la méthode proposée a été évaluée en utilisant divers métriques de classification, y compris l’exactitude et le score F1. Les résultats ont indiqué que l’approche STAL-SRNN offrait des performances compétitives par rapport aux modèles existants. Plus précisément, elle a atteint des résultats favorables pour identifier les individus avec CLBP et distinguer efficacement les sujets sains de ceux affectés.

Une analyse des méthodes d’encodage a confirmé que le STAL surperformait les techniques d’encodage de pointes traditionnelles, montrant sa capacité à maintenir des informations critiques lors du processus de conversion. De plus, une étude d’ablation a mis en évidence l’importance des blocs d’extraction de caractéristiques, soulignant que leur présence améliorait significativement la performance du modèle.

#Conclusion

Cette étude marque un avancement significatif dans l’application des SNNs pour classifier la douleur chronique du bas du dos en utilisant des biosignaux. L’introduction de l’encodeur d’Apprentissage Adaptatif de Seuil d’Impulsion permet une meilleure performance dans la conversion de signaux continus en trains d’impulsions significatifs. De plus, l’utilisation d’un ensemble de classifieurs SRNN enrichit le processus de classification global en tirant parti des forces de chaque modalité de données.

Les résultats suggèrent que cette approche peut gérer efficacement les défis posés par l’analyse des biosignaux, menant à de meilleurs résultats de classification et potentiellement de meilleures stratégies de gestion de la douleur. Les travaux futurs pourraient élargir ces découvertes en appliquant le cadre à d’autres conditions de santé ou en explorant son utilisation dans des applications de surveillance en temps réel.