Mémoire d'attention à court et long terme (LSTAM) : un modèle intégrant des caractéristiques globales pour la prédiction conjointe des moments articulaires en rééducation humaine

Une aide plus intelligente pour la rééducation du mouvement

Lorsque quelqu’un réapprend à marcher après une blessure ou une intervention chirurgicale, les médecins doivent savoir quelle charge chaque articulation de la jambe supporte. Traditionnellement, cela nécessitait des équipements volumineux de laboratoire et des mesures soignées, difficiles à utiliser dans la vie quotidienne. Cette étude présente un nouveau modèle informatique capable d’estimer ces forces articulaires cachées à partir de capteurs légers portés sur le corps, ouvrant la voie à une rééducation plus pratique et personnalisée.

Forces cachées à l’intérieur des pas de tous les jours

À chaque pas, la hanche, le genou et la cheville génèrent des forces de rotation appelées moments articulaires. Ces forces sont essentielles pour savoir si un mouvement est sûr, efficace ou susceptible d’aggraver une blessure. Mais les moments articulaires sont difficiles à mesurer directement ; les laboratoires s’appuient généralement sur des caméras de capture de mouvement, des plateformes de force au sol et des modèles corporels détaillés. Cela rend le processus coûteux et principalement confiné aux centres de recherche, alors que cliniciens et concepteurs d’appareils ont un grand besoin de ces informations pour ajuster orthèses, exosquelettes et prothèses.

Écouter les muscles plutôt que le sol

Pour contourner cette limitation, les chercheurs se tournent vers des signaux mesurables à la surface de la peau. De petits capteurs enregistrent l’activité électrique des muscles (EMG de surface) et suivent la manière dont les articulations se plient au fil du temps. Des méthodes d’apprentissage automatique antérieures utilisaient ces signaux pour prédire les moments articulaires avec un certain succès, mais elles butaient sur un problème clé : les données brutes sont pleines de jitter à court terme, de bruit dû au mouvement des capteurs et de pics brefs qui ne reflètent pas le schéma global du mouvement. Des modèles qui poursuivent ces petites fluctuations peuvent manquer les tendances plus larges et significatives qui décrivent réellement le comportement de la hanche sur plusieurs pas.

Une nouvelle façon de voir la vue d’ensemble dans des signaux bruités

Les auteurs proposent un modèle qu’ils appellent mémoire d’attention long court terme, ou LSTAM, conçu pour se concentrer sur la structure à long terme du mouvement tout en minimisant les détails distrayants. D’abord, plutôt que de travailler uniquement sur les signaux temporels originaux, le modèle les convertit en une représentation fréquentielle à l’aide d’un outil mathématique comparable à la manière dont l’audio est séparé en graves et aigus. Sous cette forme, les schémas stables de coordination musculaire ressortent, tandis que les explosions brèves de bruit deviennent moins importantes. Ensuite, un autoencodeur — une sorte de compresseur intelligent construit à partir de couches neuronales simples et de filtres convolutionnels — apprend à représenter les données dans une forme plus propre et de dimension réduite qui préserve les motifs importants et estompe les ondulations locales inutiles.

Mémoire et focalisation pour les corps en mouvement

Une fois les signaux nettoyés et compressés, l’information alimente un réseau de mémoire long court terme, un type de modèle récurrent efficace pour suivre l’évolution des phénomènes au fil du temps. Par dessus cela, les auteurs ajoutent un mécanisme d’attention, qui permet au modèle de « regarder plus attentivement » automatiquement les instants et composantes fréquentielles les plus informatifs — par exemple les phases clés d’un pas lorsque les muscles s’activent ou se désactivent — et d’accorder moins d’importance aux intervalles non pertinents. Ensemble, ces étapes transforment des traces de capteurs brutes et bruitées en une description compacte du mouvement d’une personne, bien adaptée à la prédiction des moments articulaires de la hanche.

Évaluer le modèle

L’équipe a évalué LSTAM à l’aide d’un jeu de données public comprenant quatorze volontaires en bonne santé marchant sur un tapis roulant, sur terrain plat et sur rampes à différentes vitesses. Pour chaque personne, le modèle a été entraîné sur les données d’une seule session sur tapis roulant, puis chargé de prédire les moments de hanche dans les essais restants. Entre les sujets, LSTAM a systématiquement produit des prédictions qui suivaient de près les moments articulaires calculés en laboratoire, avec des erreurs plus faibles et une meilleure concordance que plusieurs alternatives avancées, y compris des réseaux LSTM standards, des modèles convolutionnels temporels et des approches récentes basées sur les transformers. Les auteurs ont également réalisé des tests d’« ablation », retirant sélectivement des éléments comme l’étape fréquentielle, l’autoencodeur ou l’attention. Chacune de ces suppressions dégradait la performance, montrant que ces trois ingrédients étaient importants pour capturer les motifs globaux de ces signaux biologiques.

Ce que cela pourrait signifier pour la rééducation

En termes simples, ce travail montre qu’il est possible d’estimer des forces invisibles à la hanche en n’utilisant qu’une poignée de capteurs musculaires et d’angles, sans équipement lourd de laboratoire, et d’améliorer la précision en apprenant au modèle à prêter attention aux tendances à long terme plutôt qu’au bruit transitoire. Un tel outil pourrait aider les thérapeutes à suivre la récupération, à ajuster les programmes d’exercices ou à commander des dispositifs de rééducation intelligents comme des exosquelettes et des prothèses, afin qu’ils se meuvent en harmonie avec les muscles du patient. Bien que l’étude se soit concentrée sur des adultes en bonne santé et des tâches de marche, la même approche pourrait à terme soutenir des activités plus complexes et d’autres populations de patients, rendant l’évaluation de la qualité du mouvement plus accessible en dehors des laboratoires spécialisés.

Citation: Xiong, B., Guo, Y., Lou, J. et al. Long short-term attention memory (LSTAM): a global-feature-integrated model for joint moment prediction in human rehabilitation. Sci Rep 16, 13835 (2026). https://doi.org/10.1038/s41598-026-42722-6

Mots-clés: électromyographie, analyse de la marche, technologie de rééducation, apprentissage profond, capteurs portables