Détection de la fatigue mentale à partir de données électrophysiologiques - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2010

Mental fatigue detection using electrophysiological measurements

Détection de la fatigue mentale à partir de données électrophysiologiques

Résumé

Three experiments were conducted to assess the feasibility of a mental fatigue detector that would exploit electrophysiological signals for discriminating time windows associated with a "fatigue" state of windows associated with a "no fatigue" state. In the first experiment, subjects performed a task switching task for about 2 h. Two segments of 20 min were selected for each subject. The first one was associated with the "no fatigue" state and the other one with the "fatigue" state. These segments were divided into sliding time windows and electrophysiological signals (electro-oculo-, cardio-, encephalograms - EOG, ECG and EEG) were quantified within each time window. Using linear support vector machines (SVMs - trained on a subjet-by-subjet basis) to classify the quantified time windows allowed several observations. Correct classification rates increased with time-window length (4 to 30 s long) but not information transfer rates (ITRs). ECG quantifications performed better than EOG quantifications. EEG mean amplitudes yielded higher classification scores than EOG or ECG quantifications, and EEG phase locking values (PLVs) in turn outperform EEG mean amplitudes with classification rates higher than 90 %. Review of SVM weights showed that EOG and merely ECG quantifications contributed to the classification where all the quantifications of the different modalities were used together. EEG mean amplitudes increased in the 7-13 Hz frequency range and decreased in the 13-18 Hz band. 3-7 Hz mean amplitudes increased in FCz, evoking the error response negativity (ERN). In a second experiment involving a spatial compatibility task, we discriminated 20-s-long windows between higher (shorter mean reaction time) and lower performance levels. The signal in these windows was quantified using mean amplitude, PLV or coherence at electrodes and reconstructed sources in the cerebral cortex. We expected higher classification rates from reconstructed data than from scalp data, regardless of the quantification, but it was not the case. We also made a simulation to evaluate the approach above, and simulated two distinct phenomena: one involving a change in amplitude of two source signals, and another characterized by a change in phase coupling between the same two sources. These simulations showed that, on one hand, complementary of local synchrony measurements such as mean amplitudes, and distant synchrony measurements such as coherence or PLV. We also demonstrated how useful could be source reconstruction for correctly classifying and localizing discriminant patterns. This discrepancy between the results obtained from simulated data and real EEG data was interpreted as due to the contribution of extra-cortical sources that were not considered in existing forward models, such as subcortical sources and extra-cranial sources (eyes, muscles). The third study was based on a third experiment with an ecological context, and involved student pilots performing in a flight simulator. The simulation was about 3-h long and EEG signals together with 3 flight parameters (heading, flight level and airspeed) were recorded. We presented a new behavioral measure quantifying the variability of flight parameters over 10 s, useful for monitoring pilot performance with a temporal resolution suitable for our analyses. We designed two classes: a first group of 10-s time windows associated with higher performance (or lower variability) and a second group of windows associated with poorer performance. Instead of using a cross-validation procedure, we tested the trained classifiers on post-training data, in order to evaluate the ability of the classification procedure to identify a trend in pilot performance. This procedure indeed determined whether pilot performance deteriorated at the end of the simulated flight or not for 12 out of 13 pilots. The classification does not deteriorate with time between the end of the data used for training and the beginning of the data used to evaluate the classifier learned. Exhibited physiological correlates were not consistent from one experiment to another. Therefore, the different class designs may not have isolated a single mental fatigue differential, or mental fatigue may have depended of the task and/or subjects. However, the feasibility of discriminating between mental states in ecological contexts was demonstrated.
Trois expériences ont été réalisées pour évaluer la faisabilité d'un détecteur de fatigue mentale qui exploiterait des signaux électrophysiologiques pour discriminer des fenêtres de temps associées à un état " fatigué " de fenêtres associées à un état " pas fatigué ". Dans la première expérience, les sujets réalisaient une tâche de task switching pendant environ 2 h. Deux segments de 20 min ont été retenus pour chaque sujet. Le premier a été associé à un état " pas fatigué ", l'autre à un état " fatigué ". Puis ces segments ont été découpés en fenêtres de temps glissantes sur lesquelles les signaux électrophysiologiques (EOG, ECG et EEG) ont été quantifiés. L'usage de SVM linéaires (appris sujet par sujet) pour la classification des fenêtres de temps a permis plusieurs observations. Le taux de bonnes classifications augmentaient avec la taille des fenêtres de temps (de 4 à 30 s) mais pas assez pour que l'ITR augmentât lui aussi avec cette taille des fenêtres. Les quantifications de l'EOG se plaçaient derrière celles de l'ECG, elles-mêmes supplantées par les amplitudes moyennes de l'EEG qui elles aussi étaient dépassées par les PLV de l'EEG en termes de taux de bonnes classifications avec (pour les PLV) des taux supérieurs à 90 %. L'examen des poids SVM permît de constater que les quantifications d'EOG et en particulier d'ECG contribuaient à la classification lorsque toutes les quantifications des différentes modalités étaient utilisées ensemble, en utilisant des fenêtres de temps de 30 s. Les amplitudes moyennes de l'EEG augmentaient en 7-13 Hz et diminuaient en 13-18 Hz. En 3-7 Hz apparaissait une augmentation en FCz évoquant la négativité d'erreur. Dans une deuxième expérience avec une tâche de compatibilité spatiale, nous avons discriminé des fenêtres de 20 s entre un niveau de bonnes performances (temps moyen de réaction courts) et un niveau de moins bonnes performances, en quantifiant ces fenêtres à l'aide des amplitudes moyennes, des PLV ou des cohérences de l'EEG, au niveau du scalp et au niveau de sources reconstruites sur le cortex cérébral. Nous nous attendions à des meilleurs taux de bonnes classifications avec les sources reconstruites qu'avec les données de scalp, quelque soit la quantification, mais ce ne fût pas le cas. Nous avons également réalisé une simulation reprenant l'essentiel des analyses réalisées précédemment et en provoquant deux phénomènes, l'un à travers l'amplitude de signaux utiles à la classification, l'autre jouant sur le couplage entre deux signaux utiles. Ces simulations ont montré d'une part la complémentarité des mesures de synchronie locale, telles que l'amplitude moyenne, avec les mesures de synchronie à distance telles que la cohérence ou la PLV, et d'autre part l'apport de la reconstruction de sources en termes de taux de bonnes classifications et de localisation des motifs discriminants. Cette incompatibilité entre les résultats sur données simulées et ceux sur les données EEG réelles est interprétée ici comme la conséquence de la non-prise en compte, dans le processus de reconstruction, de sources extra-corticales comme les sources cérébrales sous-corticales et les sources extra-craniennes (yeux, muscles) qui pourraient avoir eu une contribution. La troisième étude portait sur une troisième expérience en contexte écologique cette fois-ci, impliquant les élèves-pilotes dans un simulateur de vol. La simulation durait près de 3 h et les signaux EEG ainsi que trois paramètres de vol (cap, altitude, vitesse) ont été enregistrés. Nous avons proposé une mesure comportementale quantifiant la variabilité des paramètres de vol, par fenêtres de 10 s, pour suivre la performance des pilotes avec une résolution temporelle adaptée à nos analyses. Nous avons construit deux classes, à savoir un groupe de fenêtres de temps de 10 s associé aux bonnes performances (variabilité faible) et un second groupe de fenêtres associé aux moins bonnes performances. Plutôt que d'utiliser une procédure de validation croisée, nous avons évalué les classifieurs appris sur des données postérieures aux données d'apprentissage, de manière à évaluer la capacité de la procédure de classification à déterminer la tendance générale des performances du pilote. Cette procédure permettait effectivement de déterminer si les performances des pilotes se dégradaient en fin de vol ou pas, ce pour 12 sujets sur 13. Les corrélats physiologiques exhibés ne correspondaient pas d'une expérience à une autre ce qui laissait penser que soit les différentes manières de construire les classes ne permettaient pas d'isoler un même différentiel de fatigue mentale, soit la fatigue mentale telle qu'observée à travers les techniques électrophysiologiques employées dépendait de la tâche et/ou des sujets. En revanche, la faisabilité d'une discrimination d'états mentaux proches de réalités opérationnelles a été établie.
Fichier principal
Vignette du fichier
These_Francois_Laurent.pdf (3.28 Mo) Télécharger le fichier
Loading...

Dates et versions

tel-00634776 , version 1 (23-10-2011)

Identifiants

  • HAL Id : tel-00634776 , version 1

Citer

François Laurent. Détection de la fatigue mentale à partir de données électrophysiologiques. Neurosciences [q-bio.NC]. Université Pierre et Marie Curie - Paris VI, 2010. Français. ⟨NNT : ⟩. ⟨tel-00634776⟩
745 Consultations
3189 Téléchargements

Partager

Gmail Facebook X LinkedIn More