Résultats

Classication des sources

La gure 5.2 illustre la distribution des 6 caractéristiques de la base d'apprentissage pour

les deux classes. On peut voir que les caractéristiques temporelles (aplatissement, symétrie et ratio percentile) permettent une séparation des classes très ecace. Le ratio de fréquences est aussi une caractéristique bien discriminante, tandis que la dispersion et la propagation, bien que toujours discriminantes, ont des distributions plus chevauchantes.

Pour évaluer la justesse du classieur, les sources ont été extraites pour chaque segment temporel pour les sujets 1 et 2 et classées visuellement entre source OA et NOA. Le pourcentage de sources correctement classées est assez élevé puisque l'on obtient 97% en moyenne pour les

deux sujets. Ceci montre que les caractéristiques choisies permettent une bonne discrimination entre les sources oculaires et non-oculaires, et que celles-ci sont sujet-indépendantes. En eet, bien que l'apprentissage soit uniquement réalisé sur les données du sujet 1, les résultats obtenus avec celles du sujet 2 sont tout aussi bons.

Figure 5.2  Distribution des 6 caractéristiques utilisées pour la classication des sources. Reconstruction du signal & détection des clignements

La gure5.3 A, B et C présente la matrice des signaux X (empilés en utilisant un décalage

vertical) enregistrée sur les 11 électrodes, les sources extraites, ainsi que les signaux Weye recons-

truits. Un zoom est eectué sur deux clignements consécutifs. Dans ce cas-ci, la source oculaire a été identiée comme la source 1. Les signaux qui sont fortement impactés par l'activité oculaire sont ceux enregistrés au niveau des électrodes Fp1 et Fp2, positionnées au-dessus des yeux, mais aussi au niveau des électrodes Fz, F3, F4, F7 et F8. En revanche, FC1, FC2, FC5 et FC6 sont presque indemnes de l'inuence des clignements. Les signaux reconstruits sont clairement net-

toyés de l'activité EEG. Xeye Fp1 et Fp2 présentent un pattern typique de clignement oculaire,

tandis que, dans les signaux originaux, le pattern de clignement est perturbé par les ondes EEG. La méthode permet une bonne reconstruction du signal d'activité oculaire à partir du signal

EEG, comme illustré par la gure 5.3 C (Xeye Fp1) et D, qui présente l'EOGV. La forme des

deux signaux est très similaire, bien que leur amplitude soit diérente.

Les clignements ont été extraits en xant le seul paramètre d'ajustement, κ, à 10. La même

valeur est utilisée pour tous les sujets. Les résultats sont présentés dans la gure 5.4, chaque

point représentant le taux de vrais positifs en fonction du taux de faux positifs pour un sujet donné. Les résultats sont très bons, avec 89% de bonnes détections et 3% de fausses alarmes en moyenne. Les performances sont similaires quel que soit le sujet considéré, sauf pour le sujet 5 dont les résultats sont les moins bons. Ceci montre que la méthode peut être appliquée sans aucun calibrage préalable pour une grande majorité d'individus nouveaux. Bien que l'impact de l'activité oculaire sur les signaux EEG frontaux puisse varier d'un sujet à l'autre, l'utilisation d'un seuillage adaptatif permet aux parties du signal qui sortent clairement du bruit, i.e. les clignements, d'être automatiquement sélectionnées. Il faut noter que les diérents participants ne présentaient pas les mêmes caractéristiques de clignement. Le nombre de clignements pendant

Figure 5.3  A. Exemple de signaux enregistrés. B. Sources obtenues grâce à l'algorithme SOBI sur les signaux précédents. C. Signal obtenu dans l'espace des capteurs en rétroprojetant la source identiée comme oculaire (ici source 1 dans B). D. Signal de référence (EOGV) pour la même période d'enregistrement.

l'enregistrement de 90 minutes varie de 671 pour le sujet 5, à 2913 pour le sujet 2. Les moins bonnes performances ont été obtenues avec les données du sujet 5, avec en moyenne 70% de bonnes détections et 6% de fausses alarmes. Le sujet 5 clignait peu et ses clignements présentaient une amplitude plutôt faible. Une analyse des clignements manqués par la méthode a montré que la plupart de ceux-ci sont des clignements pour lesquels l'amplitude EOGV ne dépasse pas 150 µV. Au contraire, les clignements de grande amplitude sont très bien détectés.

Caractérisation des clignements

Les résultats de caractérisation des clignements obtenus pour les 11 sujets sont présentés grâce

à des diagrammes de quartiles dans la gure 5.5. Pour chaque diagramme, la marque centrale

est la médiane, les bords sont les 25ème _{et 75}ème _{percentiles, et les moustaches vont jusqu'aux}

données les plus extrêmes qui ne sont pas considérées comme données aberrantes, tandis que les données aberrantes sont indiquées par des croix. Les diagrammes résument les coecients de corrélation obtenus pour chaque sujet entre les caractéristiques extraites de l'EEG et de l'EOGV. Les résultats sont prometteurs, avec des coecients de corrélation allant jusqu'à 0,81 en moyenne. En particulier, les coecients de corrélation de l'amplitude, la durée (D, D50 et D80), la vitesse moyenne de fermeture et la vitesse maximale de fermeture, qui sont des paramètres très pertinents pour le suivi de la fatigue mentale, sont supérieurs à 0,88 en moyenne. Étant donné que ces paramètres sont très corrélés, des indicateurs basés sur ces paramètres de clignements extraits

Figure 5.4  Détection des clignements : Taux de vrais positifs (TPR) en fonction du taux de faux positifs (FPR) pour chaque participant.

de l'EOGV ou de l'EEG pour un suivi en ligne devraient évoluer de la même manière dans le temps. Le fait que ces paramètres, dont l'amplitude, soient bien corrélés montre l'importance de rétroprojeter les données dans l'espace des capteurs. En eet, l'amplitude de clignement calculée dans l'espace des sources n'est que peu corrélée à l'amplitude du clignement en EOGV (environ 0.60). Les moins bons résultats ont été obtenus pour le sujet 5, dont les clignements étaient petits et courts.

Figure 5.5  Distribution des coecients de corrélation entre les paramètres extraits de l'EOGV et ceux extraits de l'EEG.

Utilisation pour suivre l'état de fatigue mentale

Une illustration de l'évolution temporelle des paramètres de clignement calculés pour l'un

qui nous renseigne sur les périodes de fermeture des yeux. Plus les clignements sont fréquents ou longs, plus l'indicateur est élevé. Chaque variable est divisée par sa valeur initiale an de la faire peser de la même manière dans le calcul de l'index et d'avoir des index comparables entre EOGV

et EEG. Ainsi, pendant la 1ère _{minute d'enregistrement, l'index vaut 1. L'index peut être vu}

comme un index en ligne qui compare l'état de fatigue actuel du sujet avec l'état estimé pendant

la 1ère _{minute, lorsque le sujet n'a passé aucun temps sur la tâche. On peut voir sur la gure}

que les paramètres estimés grâce au signal EOGV, ou aux signaux EEG, ont la même évolution. Les fréquences de clignement sont très similaires. L'amplitude évolue de la même manière mais avec une valeur diérente selon qu'elle est extraite de l'EOGV ou de l'EEG. Les durées sont globalement similaires, sauf pour une valeur très diérente à 19 minutes, ce qui est probablement dû à une erreur lors de la classication des sources. Quant aux index de fatigue mentale basés sur l'EEG et l'EOGV, ceux-ci évoluent de la même manière. Ils augmentent rapidement après 20 minutes passées sur la tâche, puis restent stables et ensuite augmentent encore jusqu'à la n de l'expérience, ce qui conrme que l'état de fatigue mentale du sujet 5 a augmenté avec le temps passé sur la tâche.

Figure 5.6  Évolution temporelle des paramètres de clignement extraits des données EOGV et EEG du sujet 5. En haut à gauche : fréquence de clignement ; En haut à droite : amplitude ; En bas à gauche : durée ; En bas à droite : index de fatigue mentale.