Salama, abdelkarimMedjdoub, djamel eddine2026-10-282026-10-282026-06-22https://dspace.univ-tlemcen.dz/handle/112/27192La fatigue musculaire constitue un phénomène physiologique complexe altérant les capacités motrices et représentant un facteur de risque notable dans l'apparition des troubles musculo squelettiques. Ce travail porte sur le développement d'un système de classification automatique de la fatigue musculaire à l'aide de signaux d'électromyographie de surface (sEMG). La méthodologie repose sur l'extraction de descripteurs temporels, tels que la valeur efficace (RMS), la moyenne absolue de l'amplitude (MAV), le nombre de passages par zéro (ZC) et la longueur de forme d'onde (WL), ainsi que de paramètres fréquentiels, incluant la fréquence moyenne (MNF) et la fréquence médiane (MDF). L'étude s'appuie sur les données de la base Zenodo documentée par Cerqueira et al. (2024), laquelle regroupe les enregistrements de 13 sujets effectuant 12 mouvements dynamiques. Bien que la fatigue y soit initialement étiquetée selon trois niveaux, une approche de classification binaire a été privilégiée dans le cadre de cette analyse préliminaire. L'évaluation a porté sur les machines à vecteurs de support (SVM) avec noyau RBF et les k-plus proches voisins (KNN). Les résultats démontrent une performance supérieure du modèle SVM, qui obtient une exactitude de 87,9 %, une sensibilité de 88,8 % et une aire sous la courbe (AUC) de 91,3 %. L'observation d'une augmentation de la RMS et d'une diminution de la MDF et de la MNF valide la cohérence des résultats avec les observations physiologiques établies. Parallèlement, une interface web nommée FatigAI a été conçue pour permettre la visualisation et la classification des signaux en temps réel. Ces résultats ouvrent des perspectives pour le passage à une classification multiclasse et l'intégration de modèles d'apprentissage profond de type CNN-LSTM.frélectromyographie de surfacefatigue musculaireclassificationmachines à vecteurs de supportk-plus proches voisinsextraction de caractéristiquesapprentissage automatique.Thesis