Biomécanique occupationnelle

Développement d'indicateurs de risque de TMS à l'épaule

Romain Martinez

FRQNT 2019 | 2019-06-05

1 / 22

La moitié des TMS concernent les manutentionnaires

TMS au Québec entre 2010 et 2014: CNESST

Douleur d'épaule:

1^ère atteinte en termes de jours de travails perdus Stock et al., 2011

2^nde cause de TMS chez les travailleurs Duguay et al., 2012

2 / 22

Doctorat en deux parties

Partie 1.

Développement d'indicateurs de risque de TMS à l'épaule pour décrire la biomécanique des:

hommes vs. femmes
experts vs. novices

Partie 2.

Adapter des algorithmes d'apprentissage automatique pour:

réduire le temps d'instrumentation et de préparation
classification automatique des tâches et des participants
extraction non supervisée de prédicteurs

3 / 22

Doctorat en deux parties

Partie 1.

Développement d'indicateurs de risque de TMS à l'épaule pour décrire la biomécanique des:

hommes vs. femmes
experts vs. novices

Partie 2.

Adapter des algorithmes d'apprentissage automatique pour:

réduire le temps d'instrumentation et de préparation
classification automatique des tâches et des participants
extraction non supervisée de prédicteurs

4 / 22

Description de la tâche

2 masses

6 et 12 kg

2 groupes

hommes et femmes

5 / 22

1. Indicateur cinématique

Contribution des articulations

6 / 22

R., Martinez, J. Bouffard, B. Michaud, A. Plamondon, J. N. Côté, and M. Begon. 2019.
“Sex Differences in Upper Limb 3D Joint Contributions during a Lifting Task” Ergonomics.

contribution glénohumérale: femmes @ 6kg > hommes @ 6, 12 kg
contribution poignet-coude: femmes @ 12kg > hommes @ 6, 12 kg

7 / 22

2. Indicateurs électromyographiques

Muscle focus

$\sum$ EMG

8 / 22

J. Bouffard, R. Martinez, B. Michaud, A. Plamondon, J. N. Côté, and M. Begon. 2019.
“Sex Differences in Glenohumeral Muscle Activation and Coactivation During a Box Lifting Task” Ergonomics.

$$\text{MF} = \frac{\sum^{M}_{i=1} || \text{EMG}_i \vec{d_i} ||}{\sum^{M}_{i=1} \text{EMG}_i}$$

$\text{EMG}_i$

EMG normalisé du muscle $i$

$\vec{d_i}$

ligne d'action $\times$ bras de lever du muscle $i$

Muscle focus : $\varnothing$
$\sum$ EMG: femmes > hommes et 12 kg > 6 kg

9 / 22

3. Indicateurs musculo-squelettiques

$\sum$ activations musculaires

$\sum$ forces musculaires

cisaillement:compression des forces de réaction glénohumérales

10 / 22

Peu de co-contractions en optimisation statique

11 / 22

$\sum$ activation: femmes > hommes
$\sum$ activation: 12 kg > 6 kg

12 / 22

les femmes passent plus de temps à haute intensité
la boite la plus lourde génère plus d'activations à haute intensité

13 / 22

les femmes passent plus de temps avec un ratio $\text{c:c} > 0.56$ Dickerson et al., 2007

14 / 22

Limites des outils existants

Et leurs solutions

15 / 22

Comment faire des statistiques sur des time-series?

La librairie spm1d (python et matlab) permet de prendre en compte la composante temporelle.

Évite de réduire en un seul point arbitraire (e.g. moyenne, maximum)
Contrôle pour les erreurs de $\alpha$ (i.e. comparaison multiple)

16 / 22

Librairie spécifique à la biomécanique

"Éco-système" de librairie python pour réaliser une analyse biomécanique complète.

informations et tutoriels interactifs: github.com/pyomeca

pyomeca: file I/O, traitement de signal

pyosim: modélisation musculo-squelettique

pyoviz: visualisation

17 / 22

pyomeca: file I/O, traitement de signal

ouverture et écriture de nombreux type de fichiers csv, c3d, mat, sto, trc, mot

routine de traitement de signal

from pathlib import Path
from pyomeca import Analogs3d
data_path = Path("data")
data = [
    Analogs3d.from_c3d(ifile)
    .band_pass(freq=2000, order=4, cutoff=[10, 425])
    .center()
    .rectify()
    .low_pass(freq=2000, order=4, cutoff=5)
    .normalization()
    .time_normalization()
    for ifile in data_path.glob("*/*.c3d")
]

18 / 22

pyosim: modélisation musculo-squelettique

Traitement par lots d'analyses musculo-squelettiques réalisées par OpenSim.

from pathlib import Path
import pyosim
data = Path('data')
for iparticipant in participants.glob('*'):
    pyosim.Scale(iparticipant, ...)
    pyosim.InverseKinematics(iparticipant, ...)
    pyosim.InverseDynamics(iparticipant, ...)
    pyosim.StaticOptimization(iparticipant, ...)
    pyosim.MuscleAnalysis(iparticipant, ...)
    pyosim.JointReaction(iparticipant, ...)

19 / 22

pyoviz: visualisation

Figures avec matrices 3D (x, y, z | marqueurs | frames)

Routine de visualisation (e.g. vérification)

20 / 22

Apprentissage automatique appliqué en biomécanique

Réduction du temps d'instrumentation

réduire le nombre de MVC (actuellement 15, i.e. 60 min de test)

prédire plutôt que mesurer l'EMG intramusculaire

classification des tâches et des participants

classifier automatiquement des tâches de manutentionnaires

Extraction non supervisée de prédicteurs

déterminer les principaux prédicteurs biomécanique de la manutention

21 / 22

Biomécanique occupationnelle

Développement d'indicateurs de risque de TMS à l'épaule

Romain Martinez

FRQNT 2019 | 2019-06-05

22 / 22

Help

Keyboard shortcuts

↑, ←, Pg Up, k

Go to previous slide

↓, →, Pg Dn, Space, j

Go to next slide

Home

Go to first slide

End

Go to last slide

Number + Return

Go to specific slide

b / m / f

Toggle blackout / mirrored / fullscreen mode

Clone slideshow

Toggle presenter mode

Restart the presentation timer

?, h

Toggle this help