Méta-analyse des classificateurs

Les résultats présentés précédemment semblent suggérer que la classification est meilleure lorsque plus de métriques physiologiques sont fournies. Afin de valider cette observation et de mieux décrire la performance des classificateurs, une régression logistique multiple est effectuée. Pour chaque échantillon testé par les classificateurs, l’exactitude de la classification est retenue comme variable dépendante (une variable binaire ayant pour valeur « 0 » si la classification est incorrecte ou « 1 » si la classification est correcte). Les variables indépendantes retenues sont le niveau de difficulté, le niveau de stress, la tâche, le niveau de performance, le niveau d’effort, le sous-ensemble de métriques physiologique ainsi que le type de classificateur. Les résultats de cette analyse sont présentés au Tableau 22. L’analyse suggère que la classification est moins bien réussie lorsque les participants fournissent un effort élevé (β = -0,25; p < 0,001). L’analyse montre aussi que la probabilité de bien classifier un échantillon augmente lorsque plus de métriques physiologiques sont fournies. Il ne semble pas y avoir eu une grande différence sur la performance en classification entre le sous-

82

ensemble RR-RPS-EDA-PUP (β = 0,51; p < 0,001) et le sous-ensemble RR-RSP-EDA-PUP-GAZ (β = 0,49; p < 0,001). Les autres facteurs n’ont pas eu d’influence sur la performance de classification. On note toutefois une tendance non significative à mieux classifier lorsque la difficulté est élevée (β = 0,13; p = 0,0834).

Tableau 22 -

Régression logistique multiple effectuée sur la performance en classification

Variable indépendante Coefficient (β)

Constante 0,5539

Difficulté élevée 0,1311

Stress élevé -0,0323

Recherche visuelle (vs. n-back) -0,0492

Performance élevée -0,0794 Effort élevé -0,2516 Métriques RR-RSP-EDA (vs. RR-RSP) 0,2948 Métriques RR-RPS-EDA-PUP (vs. RR-RSP) 0,5191 Métriques RR-RSP-EDA-PUP-GAZ (vs. RR-RSP) 0,4963 Classificateur linéaire (vs. SVM) -0,0499 Note. p < 0,001 en gras.

La contribution particulière des métriques peut être examinée en analysant les poids déterminés par les classificateurs. Cette analyse ne peut être effectuée que pour le classificateur linéaire puisque l’utilisation du kernel rend difficile l’interprétation des poids du classificateur SVM (Cornuéjols et Miclet, 2010). Le Tableau 23 présente le pourcentage des poids de chaque modalité physiologique selon le classificateur et le sous-ensemble de métrique physiologique. Ce pourcentage est ajusté au nombre de métriques présent dans chaque type de modalité physiologique. Pour le repos initial, lorsque toutes les métriques sont fournies, les contributions les plus importantes proviennent de la pupille et des mouvements oculaires. Lorsque les mouvements oculaires sont retirés, la respiration devient tout aussi importante que la pupille. Finalement, lorsque la pupille est retirée, la respiration devient la principale source d’information pour le classificateur. Pour la difficulté, on remarque que les poids sont répartis plutôt également, sauf pour les mouvements oculaires, qui ne comptent que pour 6% de la contribution. Pour le classificateur du stresseur, la majorité de la contribution provient de la pupille. Pour la tâche, les poids sont répartis plutôt uniformément, sauf pour les mouvements oculaires (9%) et la respiration (entre 7% et 37%).

83

Encore une fois, les mouvements oculaires ne sont que peu utilisés pour la classification de la performance (3%). Lorsque les métriques restantes sont RR-RSP-EDA, 57% des poids proviennent de l’EDA. Quant à l’effort, la pupille et les mouvements oculaires sont très utilisés lorsque toutes les métriques sont fournies. Les poids semblent répartis uniformément pour tous les autres sous-ensembles de métriques. La Figure 18 présente graphiquement les valeurs de ce tableau pour le groupe RR-RSP-EDA-PUP-GAZ.

Tableau 23 -

Pourcentage de la contribution des modalités physiologiques selon les classificateurs

Classe Métriques Pourcentage de contribution

RR RSP EDA PUP GAZ

Repos initial RR-RSP-EDA-PUP-GAZ 3% 18% 2% 34% 44% RR-RSP-EDA-PUP 6% 43% 7% 45% - RR-RSP-EDA 3% 93% 4% - - RR-RSP 17% 83% - - - Difficulté RR-RSP-EDA-PUP-GAZ 17% 11% 29% 37% 6% RR-RSP-EDA-PUP 14% 13% 29% 44% - RR-RSP-EDA n.s. RR-RSP n.s. Stress RR-RSP-EDA-PUP-GAZ n.s. RR-RSP-EDA-PUP 10% 7% 19% 63% - RR-RSP-EDA n.s. RR-RSP n.s. Tâche RR-RSP-EDA-PUP-GAZ 28% 7% 21% 35% 9% RR-RSP-EDA-PUP 30% 7% 20% 43% - RR-RSP-EDA 44% 15% 41% - - RR-RSP 63% 37% - - - Performance RR-RSP-EDA-PUP-GAZ 14% 16% 37% 30% 3% RR-RSP-EDA-PUP 11% 16% 39% 33% - RR-RSP-EDA 21% 22% 57% - - RR-RSP n.s. Effort RR-RSP-EDA-PUP-GAZ 13% 10% 15% 35% 27% RR-RSP-EDA-PUP 20% 12% 17% 52% - RR-RSP-EDA 31% 32% 37% - - RR-RSP 56% 44% - - -

Note. Résultats rapportés seulement pour le classificateur linéaire. Seuls les classificateurs ayant atteint le seuil de signification sont rapportés. Les autres sont marqués « n.s. ». À cause de l’arrondissement des valeurs, la somme d’une ligne peut ne pas toujours donner 100%.

84

Figure 18 : Contribution des modalités physiologiques selon le classificateur.

Pour clore cette analyse, la liste des 10 métriques physiologiques les plus utilisées par chaque classificateur est analysée (lorsque toutes les métriques sont fournies). L’analyse montre que le repos initial (Tableau 24) est caractérisé par une pupille fortement dilatée (voir rang 1-2) variant beaucoup de manière lente (rang 9-6 respectivement), un grand nombre de saccades oculaires (voir rang 3) et une respiration profonde, irrégulière et lente (voir rang 4-5-8 respectivement). Une difficulté élevée (Tableau 25) est caractérisée par un rythme cardiaque plus élevé (temps inter battement plus faible) (rang 1-4), une diminution des basses fréquences de l’EDA (rang 2), une transition vers les hautes fréquences pupillaires (rang-3- 8-10) et une pupille initialement petite qui augmente de manière progressive avec la tâche (rang 5-6). Le classificateur du stress (Tableau 26) a déterminé qu’un stress élevé faisait augmenter le diamètre de la pupille (rang 1-2), faisait augmenter ses fréquences moyennes et hautes (rangs 8-10 et 3-4 respectivement), faisait augmenter le maximum des basses fréquences cardiaques (rang 4) et générait des pics amples d’activité électrodermale dans la bande 70 à 80 mHz (rangs 6-7-9). Le classificateur de tâche (Tableau 27) montre que la tâche de recherche visuelle, à l’instar de la tâche de n-back, était caractérisée par une pupille initialement petite, croissante pendant la tâche (rangs 1-3) et variant de manière lente (rangs 7-8). On remarque également une diminution de l’EDA (rangs 2-10) et de l’activité cardiaque (rangs 5-6) et une activité cardiaque étendue sur une plus grande plage (rangs 4-9). Une performance (Tableau 28) élevée est caractérisée par une transition vers les basses fréquences

0% 10% 20% 30% 40% 50% 60% 70%

Repos initial Difficulté Stress Tâche Performance Effort

Pourc ent ag e cont ri but ion

85

de l’EDA (rangs 1-3, le rang 9 contredit toutefois un peu cette suggestion), un EDA élevé (rangs 2-4-8) et une diminution du diamètre pupillaire (rangs 5-6). Finalement, un effort élevé (Tableau 29) est caractérisé par une pupille de grand diamètre (rangs 1-2), une transition vers les basses fréquences pupillaires (rangs 4-5-9), un moins grand nombre de saccades (rang 6), une respiration plus lente (rangs 7) et une activité cardiaque plus lente et irrégulière (rangs 3-8).

Tableau 24 -

Métriques ayant les plus grands poids pour la classification de la classe « Repos initial »

Rang Modalité Métrique βMoy

1 PUP Médiane 0,1120 ± 0,0267

2 PUP Moyenne 0,1100 ± 0,0254

3 GAZ Somme des saccades 0,1085 ± 0,0376

4 RSP Amplitude moyenne des pics 0,1009 ± 0,0330

5 RSP Écart-type des temps intervallées 0,0893 ± 0,0211

6 PUP Maximum du temps inter pic 0,0870 ± 0,0223

7 GAZ Écart-type du temps de saccades 0,0835 ± 0,0366 8 RSP Puissance de la bande 0.125 à 0.150 Hz 0,0693 ± 0,0298

9 PUP Écart-type 0,0672 ± 0,0212

10 RR Maximum bande VLF (Méthode Lomb-Scargle) 0,0614 ± 0,0245 Note. Intervalle de confiance calculé avec loi de Student, α = 0,05.

Tableau 25 -

Métriques ayant les plus grands poids pour la classification de la classe « Difficulté »

Rang Modalité Métrique βMoy

1 RR Médiane -0,1434 ± 0,0241

2 EDA Puissance de la bande 20 à 30 mHz -0,1309 ± 0,0295 3 PUP Puissance de la bande 200 à 225 mHz 0,1303 ± 0,0259

4 RR Moyenne -0,1239 ± 0,0198

5 PUP Valeur « b », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 -0,1151 ± 0,0153 6 PUP Valeur « a », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 0,1146 ± 0,0150

7 PUP Amplitude moyenne des pics -0,1121 ± 0,0315

8 PUP Puissance de la bande 150 à 175 mHz -0,1121 ± 0,0251

9 PUP Moyenne de la pente des pics -0,1008 ± 0,0318

10 PUP Puissance de la bande 175 à 200 mHz 0,0981 ± 0,0237 Note. Intervalle de confiance calculé avec loi de Student, α = 0,05.

86 Tableau 26 -

Métriques ayant les plus grands poids pour la classification de la classe « Stress »

Rang Modalité Métrique βMoy

1 PUP Moyenne 0,2262 ± 0,0406

2 PUP Médiane 0,2260 ± 0,0384

3 PUP Puissance de la bande 200 à 225 mHz 0,1183 ± 0,0339 4 RR Maximum bande VLF (Méthode Welch) 0,1172 ± 0,0340 5 PUP Puissance de la bande 225 à 250 mHz 0,0993 ± 0,0305

6 EDA Amplitude moyenne des pics 0,0942 ± 0,0186

7 EDA Puissance de la bande 70 à 80 mHz 0,0925 ± 0,0233 8 PUP Puissance de la bande 175 à 200 mHz 0,0894 ± 0,0301

9 EDA Pente moyenne des pics 0,0851 ± 0,0190

10 PUP Puissance de la bande 150 à 175 mHz 0,0785 ± 0,0316 Note. Pour la classe « Stress », on utilise exceptionnellement le groupe de métrique

« RR-RPS-EDA-PUP » étant donné que le groupe « RR-RPS-EDA-PUP-GAZ » n’a pas donné une classification satisfaisante. Intervalle de confiance calculé avec loi de Student, α = 0,05.

Tableau 27 -

Métriques ayant les plus grands poids pour la classification de la classe « Tâche »

Rang Modalité Métrique βMoy

1 PUP Valeur « a », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 0,2068 ± 0,0226

2 EDA Minimum -0,1909 ± 0,0236

3 PUP Valeur « b », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 -0,1907 ± 0,0236

4 RR Minimum 0,1852 ± 0,0258

5 RR Valeur « a », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 -0,1812 ± 0,0255 6 RR Valeur « b », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 0,1694 ± 0,0256 7 PUP Moyenne du temps de montée des pics -0,1694 ± 0,0218 8 PUP Puissance de la bande 0 à 25 mHz -0,1552 ± 0,0157

9 RR Maximum 0,1537 ± 0,0219

10 EDA Médiane -0,1460 ± 0,0249

87 Tableau 28 -

Métriques ayant les plus grands poids pour la classification de la classe « Performance »

Rang Modalité Métrique βMoy

1 EDA Puissance de la bande 20 à 30 mHz 0,1532 ± 0,0261

2 EDA Minimum 0,1343 ± 0,0156

3 PUP Puissance de la bande 200 à 225 mHz -0,1290 ± 0,0225

4 EDA Moyenne 0,1225 ± 0,0140

5 PUP Valeur « a », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 -0,1216 ± 0,0157 6 PUP Valeur « b », modélisation linéaire : 𝑦 = 𝑎𝑥 + 𝑏 0,1211 ± 0,0158

7 EDA Minimum des temps interpics -0,1167 ± 0,0187

8 EDA Médiane 0,1142 ± 0,0146

9 PUP Puissance de la bande 175 à 200 mHz 0,1115 ± 0,0210

10 RSP Minimum des temps interpics -0,1092 ± 0,0263

Note. Intervalle de confiance calculé avec loi de Student, α = 0,05.

Tableau 29 -

Métriques ayant les plus grands poids pour la classification de la classe « Effort »

Rang Modalité Métrique βMoy

1 PUP Moyenne 0,1544 ± 0,0394

2 PUP Médiane 0,1488 ± 0,0408

3 RR Maximum bande LF (méthode Lomb-Scargle) 0,1115 ± 0,0341 4 PUP Puissance de la bande 0 à 25 mHz 0,0978 ± 0,0281 5 PUP Puissance de la bande 75 à 100 mHz -0,0846 ± 0,0361

6 GAZ Moyenne du temps de saccades -0,0842 ± 0,0343

7 RSP Puissance de la bande 0 à 25 mHz 0,0841 ± 0,0334

8 RR Asymétrie de la distribution 0,0822 ± 0,0286

9 PUP Puissance de la bande 175 à 200 mHz -0,0816 ± 0,0290 10 EDA Minimum du temps de montée de pics -0,0815 ± 0,0321 Note. Intervalle de confiance calculé avec loi de Student, α = 0,05.