Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Examen Mesures physiologiques Prénom : Jade Nom : DUMONT N° étudiant : 00226913

Examen Mesures physiologiques Prénom : Jade Nom : DUMONT N° étudiant : 00226913 Fiche de lecture de l’article 1 (Ren et al., 2014) Cadre théorique Question 1 : Les auteurs font mention d’un cadre théorique de référence, dans un contexte des interactions homme-machine. Ils prennent appui sur la définition du stress tel que l’a défini Selye (c’est-à-dire que le stress est en relation directe avec les processus cognitifs, car il y a une augmentation de l’activité cérébrale). Plus récemment, Partala et Surakka ont découvert que le diamètre de la pupille (qui est contrôlé par le Système Nerveux Autonome (SNA)) est une indication claire de l’éveil affectif dans une étude menée sur la stimulation auditive. Question 2 : Les auteurs expliquent utiliser des capteurs physiologiques, car c’est une manière non invasive de détecter le stress chez les utilisateurs d’ordinateurs (Zhai & Barreto, 2006). Les auteurs ont déjà réalisé une étude sur la faisabilité de la surveillance de signaux physiologiques multiples (tels que le GSR et le diamètre de la pupille (PD), à travers 4 signaux, sur une base off-line. Les résultats ont révélé que le PD était un très bon indicateur d’éveil, mais pas assez pour faire la différence entre la relaxation et le stress. Ici, dans leur nouvelle étude, les auteurs ont utilisé le signal du PD (avec un système d’eyetracker). Ils vont aussi utiliser le GSR (même si le stress diminue la résistance de la peau) pour comparer l’efficacité des approches on-line et off-line, pour détecter le stress chez un sujet basé sur le signal PD. Question 3 : L’objectif de la recherche est de détecter le stress chez un être humain avec le signal PD, mais aussi d’étudier l’efficacité et la robustesse des signaux physiologiques PD et GSR pour détecter la relaxation ou le stress (en arrivant à bien dissocier la relaxation du stress) de sujets humains. Méthode Question 4 : Voici comment les auteurs ont procédé au choix de leur échantillon. Tout d’abord, les auteurs n’avaient pas de population cible. Ensuite, le critère d’exclusion était la présence de problèmes de vision des couleurs. Pour continuer, l’échantillon était composé de 42 individus (23 hommes et 19 femmes), âgés de 20 à 50 ans (moyenne d’âge : 27,5 ans et écart-type = 5,14). Enfin, la méthode d’échantillonnage était l’utilisation du test d’interférence des mots colorés de Stroop. Tous les sujets l’ont utilisé. Avant l’expérience, le sujet devait passer par deux procédures, afin de confirmer la fonctionnalité de l’oculomètre et de la calibration. Il était demandé au participant de rester assis devant l’écran TOBII et d’interagir avec le programme du test de Stroop pendant environ 30 minutes. Question 5 : Les auteurs ont tenu compte de l’approbation du conseil d’examen institutionnel de l’Université Internationale de Floride, ainsi que du consentement de tous les participants. Question 6 : Les auteurs ont choisi un design expérimental avec des groupes indépendants. Les variables indépendantes étaient les signaux de PD et les signaux de GSR. Les variables dépendantes étaient le changement émotionnel (relaxation ; stress) d’un sujet humain et l’intensité de l’éclairage (IL) dans l’environnement. Il y avait un questionnaire utilisé (mis au point par les auteurs). Les outils de mesure étaient un eyetracker TOBII T60, un capteur GSR fixé à la main gauche et un capteur IL sur le front, au-dessus des yeux. Concernant les aspects techniques liés à l’utilisation des capteurs, les signaux et les fichiers de sortie étaient enregistrés et convertis dans un fichier de données lisible par MATLAB à l’aide d’un système MCC DAQ multicanal. Afin d’être utilisées plus tard en off-line, les données ont été sous-échantillonnées par 6. Enfin, la fréquence d’échantillonnage du signal GSR enregistré, avec une fréquence de coupure à 2 Hz. La fréquence d’échantillonnage du signal PD brut était de 60 Hz. Résultats/discussion Question 7 : Les données physiologiques ont été traitées de plusieurs manières. En ce qui concerne l’approche off-line, le traitement a débuté par un débruitage par ondelettes, puis par un filtrage de Kalman, puis par la normalisation des données, et enfin par l’extraction de caractéristiques. Concernant l’approche on-line, le traitement a débuté par un seuil dur, puis par une fenêtre de moyenne mobile et enfin, par une détection des contraintes (en trois étapes). Enfin, pour utiliser les données les plus fiables, deux types de méthodes de sélection des données (un t-Test apparié basé sur les données de GSR et l’auto-évaluation du sujet) ont permis d’obtenir des précisions de classification. Question 8 : Afin d’analyser les résultats, plusieurs types d’analyse statistique ont été utilisés. Quatre résultats ont été analysés séparément. Tout d’abord, les résultats de la sélection des données individuelles pertinentes ont été analysées par un t-Test par paires. Un test de normalité a été effectué et les tests ont permis de conclure que les données étaient bien distribuées. Puis, un t-test apparié (bilatéral) a été réalisé. Ces résultats ont permis de conclure que le protocole a provoqué plus de stress durant les segments incongruents que pendant les segments congruents. Des paires ont été supprimées à plusieurs reprises. Ensuite, les résultats de la sélection des données individuelles pertinentes ont été basées sur les questionnaires. Les résultats ont indiqués que pour tous les participants, l’évaluation subjective était plus élevée pendant les segments incongruents que pendant les segments congruents. Pour continuer, les résultats de la détection du stress basée sur un traitement off-line ont été analysés par cinq algorithmes de classifications différents, appliquées aux caractéristiques extraites de PD et GSR, afin d’évaluer la relaxation et le stress des sujets humains. Le logiciel WEKA, à travers trois phases de classification, a permis de comparer l’efficacité de la classification de la PD et du GSR pour la détection du stress : par une méthode de validation croisée 10 fois, sur les données sélectionnées sur la base du t-Test apparié. Puis, la même chose a été réalisée sur la base du questionnaire, à travers une méthode de validation croisée 6 fois. Enfin, les résultats de la détection du stress basée sur un traitement on-line ont été analysées avec un algorithme de classification off-line plus élaboré. Question 9 : Le résultat final de la recherche est que le signal PD est plus efficace et plus robuste lorsque l’on veut différencier la relaxation et le stress, par rapport au signal GSR qui est utilisé habituellement. Question 10 : Les auteurs ont comparé leurs résultats à ceux d’autres recherches similaires. En effet, les résultats de cette recherche renforcent l’hypothèse de base, c’est-à-dire la possibilité de détecter les changements affectifs par le biais d’une surveillance simultanée de plusieurs signaux physiologiques. Les études antérieures portaient surtout sur les avantages. Ici, les auteurs ont vraiment mis l’accent sur les avantages à travers leurs résultats, mais ils ont surtout montré l’efficacité. Les auteurs ont aussi comparé leur étude aux travaux de Zhai et Barreto (2006), dans laquelle il était question d’expérimenter un éclairage environnemental variable (alors que dans l’étude, ici, il s’agissait d’un éclairage constant), avec le développement d’un algorithme de traitement de PD on-line (alors que dans l’étude, ici, c’était pour une application off-line). Leur explication de la comparaison entre leurs résultats et ceux des recherches similaires est que, selon eux, avoir un algorithme on-line serait utile pour la détection affective basée sur la PD dans des systèmes informatiques standards (qui est capable de fonctionner sans avoir à connaître les échantillons passés et futurs des signaux et est simple à implémenter en temps réel dans une carte DSP). Fiche de lecture de l’article 2 (Marin-Morales et al., 2018) Cadre théorique Question 1 : Les auteurs situent leur recherche dans l’informatique affective. Jusqu’alors, l’élicitation était réalisée avec des stimuli non immersifs. Les émotions sont impliquées dans un grand nombre de processus de fond (Picard, 2003), c’est pourquoi plusieurs études se sont consacrées à la recherche d’une méthodologie fiable pour identifier l’état émotionnel d’un sujet en utilisant des algorithmes d’apprentissage automatique : l’AfC. L’informatique affective implique à la fois la classification et l’élicitation des émotions. Pour la classification des émotions, il existe deux approches : les modèles discrets et dimensionnels. Dans l’étude ici présente, les auteurs se reposent sur un modèle dimensionnel, car ils considèrent qu’il y a un espace multidimensionnel où chaque dimension représente une propriété fondamentale commune à toutes les émotions. Il y a, par exemple, le Circumplex Model of Affects (CMA) (Posner, Russell & Peterson, 2005), composé de deux dimensions : la valence et l’excitation (Russell & Mehrabian, 1977). Il existe des méthodes passives (par exemple, la réalité virtuelle (RV)) et des méthodes de calculs basées sur des signaux physiologiques. Question 2 : Les auteurs justifient l’utilisation des capteurs physiologiques. Pour l’électroencéphalogramme (EEG), on utilise le Système Nerveux Central (SNC), car les émotions humaines ont leur origine dans le cortex cérébral, impliquant alors plusieurs zones dans leur régulation et leur ressenti. Cela se fait aussi par des dispositifs portables. Pour l’électrocardiogramme (ECG), il se trouve que les résultats expérimentaux obtenus au cours des dernières années ont montré que les analyses de la variabilité de la fréquence cardiaque (VRC) peuvent fournir des évaluations uniques et uploads/Litterature/ examen-m2-caer-dumont-jade.pdf