Caractérisation et intégration des signaux musculaires pour le pilotage d'un exosquelette des membres inférieurs lors d' activités locomotrices - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Characterisation and integration of muscle signals for lower limb exoskeleton control during locomotor activities

Caractérisation et intégration des signaux musculaires pour le pilotage d'un exosquelette des membres inférieurs lors d' activités locomotrices

Résumé

Daily activities are a source of fatigue and stress for people with lower limb spasticity. A better understanding of the mechanisms of movement thus makes it possible to propose innovative models for control-ling assistance exoskeletons. The assistance should be introduced while retaining the fact that patient control remains a priority. This thesis aims to develop such an application in the context of walking on the exoskeleton developed at the Laboratory of Systems Engineering of Versailles (LISV). The application results of this thesis are based on the database recorded at the END-ICAP laboratory with gait sensors for healthy subjects, PC people, and people with stroke. The main contribution is the proposal of a new method of neuromotor control of an interactive exoskeleton allowing the necessary rehabilitation of the members. It consists of determining and supplementing the motor instructions related to a patient’s movement while retaining his expertise in his movement, assisting when necessary, and detecting his intention to cause this movement from a fusion of information. The results obtained show that the proposed index characterizes the relationship of the angle difference with a reference movement for each joint, which allows a dynamic compensation of the movements in an efficient and safe manner, applicable for gait pathology studies, and for walking control in robotic assistance for people.
Les activités quotidiennes sont une source de fatigue et de stress pour les personnes souffrant de spasticité des membres inférieurs. Une meilleure compréhension des mécanismes du mouvement permet ainsi de proposer des modèles innovant de contrôle des exosquelettes d’assistance. L’assistance doit être introduite tout en conservant le fait que le contrôle du patient reste prioritaire. Cette thèse vise à développer une telle application dans le contexte de la marche sur l’exosquelette développé au Laboratoire d’Ingénierie des Systèmes de Versailles (LISV). Les résultats applicatifs de cette thèse s’appuient sur la base de données enregistrée au laboratoire END-ICAP avec des capteurs de la marche pour des sujets sains, des personnes IMC et des personnes ayant eu un AVC. La principale contribution est la proposition d’une nouvelle méthode de contrôle neuromoteur d’un exosquelette interactif permettant la réadaptation nécessaire des membres. Elle consiste à déterminer et à complémenter les consignes motrices liées au mouvement d’un patient, tout en gardant son expertise dans son mouvement, l’assistance au besoin et la détection de son intention de provoquer ce mouvement à partir d’une fusion d’information. Les résultats obtenus montrent que l’indice proposé caractérise la relation de la différence d’angle avec un mouvement de référence pour chaque articulation, permet de compenser dynamiquement les mouvements de façon efficace et sûre, applicable pour les études de pathologie de la marche et pour le contrôle de la marche dans l’assistance robotique des personnes.
Fichier principal
Vignette du fichier
86821_CHARAFEDDINE_2021_archivage.pdf (10.16 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03229826 , version 1 (19-05-2021)

Identifiants

  • HAL Id : tel-03229826 , version 1

Citer

Jinan Charafeddine. Caractérisation et intégration des signaux musculaires pour le pilotage d'un exosquelette des membres inférieurs lors d' activités locomotrices. Machine Learning [stat.ML]. Université Paris-Saclay, 2021. Français. ⟨NNT : 2021UPASW005⟩. ⟨tel-03229826⟩
304 Consultations
164 Téléchargements

Partager

Gmail Facebook X LinkedIn More