Analyse comparative des techniques d'apprentissage automatique pour la prédiction des mouvements de la main à l'aide de signaux électromyographiques

L'analyse des signaux d'électromyographie (EMG) joue un rôle essentiel dans diverses applications telles que le diagnostic médical et le contrôle des dispositifs prothétiques. Cette étude se concentre sur l'évaluation des méthodes d'apprentissage automatique pour l'analyse des signaux EMG, en particulier dans la prédiction des mouvements de la main et le contrôle des mains prothétiques. Contrairement à de nombreuses études existantes qui n'utilisent qu'un ensemble limité de méthodes d'extraction de caractéristiques, nous employons une technique de comparaison complète qui englobe neuf techniques d'apprentissage automatique : K-Nearest Neighbor (KNN), SVM (Machine à vecteurs de support), Arbre de décision, Forêt aléatoire, Analyse discriminante linéaire (LDA), XGBoost, Naïve Bayes, Gradient Boosting et Analyse discriminante quadratique (QDA), ainsi que cinq combinaisons de méthodes d'extraction de caractéristiques (Valeur absolue moyenne (MAV), Racine carrée moyenne (RMS), Longueur d'onde, Amplitude de Willison et Asymétrie). Les résultats expérimentaux démontrent des niveaux de précision prometteurs, avec la meilleure méthode étant KNN atteignant 96,66 % de précision, SVM atteignant 95,83 % de précision, et RF atteignant 92,5 % de précision. Ces résultats contribuent à faire progresser la compréhension des approches d'apprentissage automatique efficaces pour l'analyse des signaux EMG et fournissent des informations précieuses pour guider les recherches futures dans ce domaine. L'étude compare également les résultats avec les études précédentes et met en évidence l'efficacité de l'approche proposée.