DeepEMGNet : Une application pour une discrimination efficace des signaux EMG chez les patients atteints de SLA et des signaux EMG normaux

Ce papier propose une application basée sur l'apprentissage profond pour une classification efficace des signaux d'électromyogramme (EMG) associés à la sclérose latérale amyotrophique (SLA) et aux signaux normaux. Les signaux EMG sont particulièrement utiles pour l'analyse des maladies neuromusculaires telles que la SLA, une maladie cérébrale bien connue qui entraîne une dégénérescence progressive des neurones moteurs. La plupart des travaux antérieurs sur la classification des signaux EMG se sont appuyés sur une douzaine de méthodologies fondamentales de traitement du signal, telles que le traitement statistique du signal, l'analyse par ondelettes et la décomposition en mode empirique (EMD). Dans cette étude, une approche différente est mise en œuvre, reposant sur une représentation temps-fréquence (TF) des signaux EMG et sur des réseaux de neurones convolutifs (CNN). La transformation de Fourier à courte durée (STFT) est utilisée pour la représentation temps-fréquence. L'architecture CNN comprend deux couches convolutives, deux couches de pooling, une couche entièrement connectée et une couche de fonction de perte. L'efficacité de la méthode proposée est évaluée sur un jeu de données EMG publiquement disponible, comprenant 89 signaux EMG de patients atteints de SLA et 133 signaux normaux, échantillonnés à 24 kHz. Les résultats expérimentaux montrent une précision de 96,69 %. Ces résultats sont également comparés à ceux obtenus par d'autres méthodes, confirmant ainsi l'efficacité supérieure de la méthode proposée.