Amal Kammoun

Les approches de la biomécanique, en particulier celles basées sur les valeurs des composantes de la Forces de Réaction au Sol (FRS), sont largement utilisées dans plusieurs domaines tels que la médecine pour évaluer les conditions de marche, le sport et l'ergonomie. La FRS représente la force exercée par le sol sur un corps (dans notre cas, le pied) en contact avec lui. À l'heure actuelle, les composantes de la FRS sont évaluées à l'aide de plateformes de force. Généralement, ces plateformes ne sont pas mobiles, ce qui rend difficile l'évaluation de la FRS dans des situations réelles en dehors d'un laboratoire d'analyse, telles que les activités sportives et la marche. De plus, il a été montré que notre motricité est dépendante du contexte d'activité, il est donc pertinent de réinvestir en conditions réelles d'activité (écologiques). C'est pourquoi il est important de développer des dispositifs embarqués et portables. Depuis plus d'une décennie, des travaux ont été menés pour estimer la FRS à partir d'une semelle instrumentée équipée de capteurs de pression, ce qui offre une perspective de mesure de composants de la FRS portables à faible coût, indépendamment d'un environnement dédié à l'analyse du mouvement. Dans le marché industriel, il existe des semelles de pression qui sont capables d'estimer seulement la composante verticale Fz, à l'extérieur et à l'intérieur du laboratoire. Néanmoins, les deux composantes Fy et Fx doivent être aussi évaluées. L'intérêt des travaux de thèse est d'estimer les trois composantes de la FRS à partir des données de semelle de pression, pour les activités de marche et de port de charge. L'estimation sera réalisée en utilisant différentes méthodes d'apprentissage automatique. Afin d'évaluer la précision de l'estimation des composantes de la FRS, nous utilisons également les données des deux plateformes de force comme référence. Nous nous intéressons également à réduire la dimension des données de pression et à sélectionner les capteurs pertinents dans l'estimation de la FRS afin d'obtenir un dispositif à faible coût.

The three Ground Reaction Force (GRF) components can be estimated using pressure insole sensors. In this paper, we compare the accuracy of estimating GRF components for both feet using six methods: three Deep Learning (DL) methods (Artificial Neural Network, Long Short-Term Memory, and Convolutional Neural Network) and three Supervised Machine Learning (SML) methods (Least Squares, Support Vector Regression, and Random Forest (RF)). Data were collected from nine subjects across six activities: normal and slow walking, static with and without carrying a load, and two Manual Material Handling activities. This study has two main contributions: first, the estimation of GRF components (Fx, Fy, and Fz) during the six activities, two of which have never been studied; second, the comparison of the accuracy of GRF component estimation between the six methods for each activity. RF provided the most accurate estimation for static situations, with mean RMSE values of RMSE_Fx = 1.65 N, RMSE_Fy = 1.35 N, and RMSE_Fz = 7.97 N for the mean absolute values measured by the force plate (reference) RMSE_Fx = 14.10 N, RMSE_Fy = 3.83 N, and RMSE_Fz = 397.45 N. In our study, we found that RF, an SML method, surpassed the experimented DL methods.

Ground reaction force (GRF) components can be estimated using insole pressure sensors. Principal component analysis in conjunction with machine learning (PCA-ML) methods are widely used for this task. PCA reduces dimensionality and requires pre-normalization. In this paper, we evaluated the impact of twelve pre-normalization methods using three PCA-ML methods on the accuracy of GRF component estimation. Accuracy was assessed using laboratory data from gold-standard force plate measurements. Data were collected from nine subjects during slow- and normal-speed walking activities. We tested the ANN (artificial neural network) and LS (least square) methods while also exploring support vector regression (SVR), a method not previously examined in the literature, to the best of our knowledge. In the context of our work, our results suggest that the same normalization method can produce the worst or the best accuracy results, depending on the ML method. For example, the body weight normalization method yields good results for PCA-ANN but the worst performance for PCA-SVR. For PCA-ANN and PCA-LS, the vector standardization normalization method is recommended. For PCA-SVR, the mean method is recommended. The final message is not to define a normalization method a priori independently of the ML method.