Entraînement d’un réseau de neurones BiLSTM pour estimer la cinématique des trois axes de rotation du genou à partir de données issues de centrales inertielles : étude préliminaire

Lalonde-Larocque, Daphnée (2025). Entraînement d’un réseau de neurones BiLSTM pour estimer la cinématique des trois axes de rotation du genou à partir de données issues de centrales inertielles : étude préliminaire. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

L’analyse du mouvement du genou est essentielle pour comprendre la dynamique de la marche et optimiser le diagnostic et la rééducation des patients. Actuellement, les courbes cinématiques sont obtenues via des systèmes optoélectroniques précis, mais coûteux et contraignants. Les centrales inertielles (IMUs) apparaissent comme une alternative prometteuse, permettant une acquisition en temps réel dans des environnements non contrôlés. Toutefois, assurer un référentiel anatomique stable reste un défi majeur pour garantir la précision clinique des mesures. L’apprentissage machine, notamment les réseaux de neurones, offre une solution efficace pour exploiter les données IMU sans référentiel et réduire les erreurs d’estimation. Cependant, leur fiabilité reste perfectible, notamment dans les plans anatomiques où les amplitudes de mouvement sont faibles. De plus, si l’ajout de plusieurs IMUs améliore la précision, il complexifie également le protocole expérimental.

Cette étude propose un algorithme fondé sur un réseau de mémoire longue à court terme bidirectionnel (BiLSTM), conçu pour estimer avec précision les courbes cinématiques du genou dans les trois plans anatomiques, en utilisant seulement deux IMUs. L’objectif est d’allier précision et praticité, en visant une généralisation à une population plus hétérogène.

Une analyse préliminaire a démontré la cohérence des facteurs biomécaniques obtenus, indépendamment du choix des cycles de marche, éliminant ainsi la nécessité d’un prétraitement supplémentaire. L’évaluation du modèle BiLSTM a révélé que la séparation des couches de sortie par axes limite la propagation des erreurs, améliorant ainsi la précision des mesures sur les axes de rotation tibiale interne/externe et de flexion/extension. Comparée aux approches existantes, la méthode proposée atteint des performances élevées tout en réduisant le nombre d’IMUs nécessaires. Cependant, un phénomène de surapprentissage a été observé, malgré un partitionnement des données respectant la distribution des niveaux pathologiques. Cette observation interroge la reproductibilité des résultats présentés dans la littérature et souligne la nécessité d’adapter le partitionnement et la complexité du modèle.

L’approche développée se révèle particulièrement prometteuse, et plusieurs optimisations restent envisageables afin d’améliorer sa robustesse et sa capacité de généralisation.

Titre traduit

Training a BiLSTM neural network to estimate triaxial knee joint kinematics from inertial measurement unit data: preliminary study

Résumé traduit

Knee motion analysis is essential for understanding gait dynamics and optimizing patient diagnosis and rehabilitation. Currently, kinematic curves are obtained using precise but costly and restrictive optoelectronic systems. Inertial measurement units (IMUs) have emerged as a promising alternative, enabling real-time acquisition in uncontrolled environments. However, ensuring a stable anatomical reference frame remains a major challenge in achieving clinically accurate measurements. Machine learning, particularly neural networks, provides an effective solution for leveraging IMU data without a reference frame, thereby reducing estimation errors. Nonetheless, their reliability remains suboptimal, especially in anatomical planes where motion amplitudes are low. Moreover, while increasing the number of IMUs improves accuracy, it also complicates the experimental protocol.

This study proposes an algorithm based on a bidirectional long short-term memory (BiLSTM) network designed to accurately estimate knee kinematic curves in all three anatomical planes using only two IMUs. The objective is to balance accuracy and practicality while aiming for generalization to a more heterogeneous population.

A preliminary analysis demonstrated the consistency of the obtained biomechanical factors, regardless of the choice of gait cycles, thereby eliminating the need for additional preprocessing. The evaluation of the BiLSTM model revealed that separating the output layers by axis limits error propagation, thus improving measurement accuracy for tibial internal/external rotation and flexion/extension axes. Compared to existing approaches, the proposed method achieves high performance while reducing the number of required IMUs. However, an overfitting phenomenon was observed despite a data partitioning strategy that preserved the distribution of pathological levels. This observation raises concerns about the reproducibility of results reported in the literature and highlights the need to refine both data partitioning strategies and model complexity.

The proposed approach proves particularly promising, with several optimizations still possible to enhance its robustness and generalization capability.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Mémoire présenté à l’École de technologie supérieure comme exigence partielle à l’obtention de la maîtrise avec mémoire en génie des technologies de la santé". Comprend des références bibliographiques (pages 159-165).
Mots-clés libres:	biomécanique, cinématique du genou, centrales inertielles, apprentissage machine, réseaux de neurones
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Hagemeister, Nicola
Codirecteur:	Codirecteur Mezghani, Neila
Programme:	Maîtrise en ingénierie > Génie
Date de dépôt:	30 juin 2025 15:08
Dernière modification:	30 juin 2025 15:08
URI:	https://espace.etsmtl.ca/id/eprint/3648

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt