Développement d'un système intégré d'acquisition, de traitement et d'analyse de signaux sEMG avec des techniques d'IA

Le développement de structures de circuits robustes demeure une étape cruciale dans la recherche sur les dispositifs électroniques. Cet article propose un système matériel-logiciel intégré conçu pour l'acquisition, le traitement et l'analyse des signaux électromyographiques de surface (sEMG). Le système analyse les signaux sEMG afin de comprendre la fonction musculaire et le contrôle neuromusculaire, en utilisant des réseaux de neurones convolutionnels (CNN) pour la reconnaissance de motifs. Les signaux électriques analysés chez des sujets sains et malades sont acquis à l'aide d'un système de circuits intégrés soigneusement développé comportant des électrodes d'acquisition biopotentielle. Les signaux capturés dans la base de données sont extraits, classés et interprétés par l'application de CNN dans le but d'identifier des motifs indicatifs de problèmes neuromusculaires. En tirant parti des techniques d'apprentissage avancées, la méthode proposée aborde la nature non stationnaire des enregistrements sEMG et atténue les effets de diaphonie couramment observés dans les motifs d'interférence électrique captés par des capteurs de surface. L'intégration d'un algorithme d'IA avec le dispositif d'acquisition de signaux améliore les résultats qualitatifs en éliminant les informations redondantes. Les CNN révèlent leur efficacité à déchiffrer avec précision des motifs de données complexes provenant de signaux sEMG, identifiant les sujets présentant des problèmes neuromusculaires avec une grande précision. Cet article contribue au paysage de la recherche biomédicale, plaidant pour l'intégration de techniques computationnelles avancées afin de percer les phénomènes physiologiques complexes et d'améliorer l'utilité de l'analyse des signaux sEMG.