Estimation des forces de contact internes du genou à l'aide d'un reservoir computer

La progression de l'arthrose du genou est causée par l'érosion du cartilage dans l'articulation. Il s'agit d'une maladie d'origine mécanique, et les forces de contact du genou (knee contact forces - KCF) sont directement liées à son évolution. Cependant, les KCF sont di ciles à mesurer et requièrent soit des implants coûteux et invasif, ou des systèmes de capture de mouvement complexes combinés à des simulations biomécaniques détaillées. Ces limitations sont des obstacles importants à l'utilisation des KCF comme outil pour développer des programmes de thérapie de correction de la marche pour les patients souf- frant de l'arthrose. Ce mémoire de maîtrise explore l'utilisation d'un Echo State Network (ESN) pour estimer les KCF à l'aide des mesures d'un accéléromètre porté par le patient sur la jambe atteinte. En utilisant des données récoltées chez 29 participants sur un tapis roulant à l'aide d'accéléromètres portés à diverses positions sur la jambe et un système de capture de mouvement a n d'extrapoler numériquement les KCF générées, ce projet évalue une série de méthodes d'estimation avec ESN dans le but d'estimer les KCF en temps réel avec une NRMSE (Normalised Root Mean Square Error ) aussi petite que possible. Ces méthodes incluent un ESN élémentaire (sans modi cation), un ESN avec entraînement pondéré, un ESN à réservoir multiple, la calibration des entrées de l'ESN pour compenser des di érences au niveau du positionement de l'accéléromètre, ainsi que l'utilisation d'une sélection personnalisée des ensembles d'entraînement pour tous les participants. La plus petite erreur d'estimation a été obtenue à l'aide de la position MFT (à la mi-hauteur du tibia), avec une NRMSE moyenne de 1.084 en validation croisée avec un ESN élémentaire. La NRMSE d'estimation est de 0.841 si seule la norme des KCF est estimée. Il a été possible de réduire la NRMSE d'estimation en e ectuant un entraînement personalisé de l'ESN pour chaque participant ; pour ce faire, les participants utilisés pour entraîner l'ESN pour un participant de validation donné ont été sélectionnés de façon à minimiser la NRMSE. L'entraînement personnalisé permet de réduire la NRMSE moyenne à 0.769 pour l'estimation des composantes des KCF et à 0.626 pour l'estimation de la norme des KCF. Ces NRMSE demeurent trop grandes pour une application clinique de cette approche, mais il n'est pas exclus qu'une récolte de données plus variées et plus détaillées pourraient permettre de réduire cette erreur à l'intérieur d'une limite utilisable pour une applciation clinique. De plus, une analyse approfondie des ensembles d'entraînement personnalisés pourrait permettre d'identifier une méthode systématique pour construire l'ensemble d'entraînement optimal pour un patient donné, plutôt que la méthode itérative utilisée dans ce projet.