2. METHODOLOGIE
2.3. T RAITEMENT DU SIGNAL
Nous décrivons ici les différentes étapes de traitement suivies pour prétraiter les données psychophysiologiques.
2.3.1. Traitement des données EEG
Le traitement des données EEG a nécessité une première étape de nettoyage des signaux, consistant à filtrer le bruit, les artefacts musculaires et les clignements des yeux. En effet, l’activité électrique musculaire étant largement plus importante que celle des neurones, les clignements des yeux et autres artefacts musculaires liés aux mouvements du participant vont bruiter le signal EEG. Le traitement du signal a été réalisé grâce à la toolbox EEGLab (version 14.1.2 ; Delorme & Makeig, 2004) sous Matlab 2018b. La procédure suivie a été celle recommandée par Makoto (s.d.).
La première étape du prétraitement a consisté à sous-échantillonner les signaux de 512 à 256 Hz, afin de réduire le temps de traitement tout en gardant une fréquence d’échantillonnage suffisante (2 fois la fréquence maximum d’intérêt). Le référencement des électrodes a été réalisé grâce à la moyenne de toutes les électrodes, jugé plus précis que le référencement sur les électrodes mastoïdes (Bertrand, Perrin, & Pernier, 1985 ; Junghöfer, Elbert, Tucker, & Braun, 1999). Un filtre passe-haut à 1 Hz a été appliqué afin de supprimer les effets de dérives (Luck, 2005). La toolbox CleanLine (Mullen, 2012) a été utilisée pour supprimer le bruit à 50 Hz dû au réseau électrique. La fonctionnalité clean_rawdata d’EEGLab a été utilisée pour rejeter automatiquement les électrodes bruitées du signal continu, grâce à la méthode Artifact Subspace Reconstruction (ASR ; Mullen et al., 2013), qui supprime les artefacts de haute variance par comparaison d’un segment de données relativement exempt d’artefacts (Bigdely-Shamlo, Mullen, Kothe, Su, & Robbins, 2015). Les électrodes supprimées ont ensuite été interpolées pour minimiser les biais potentiels de l’étape suivante, consistant à un deuxième référencement par la moyenne des électrodes.
La deuxième partie du traitement des signaux EEG avait pour objectif de calculer les puissances spectrales associées à chacune des bandes de fréquences en fonction des conditions expérimentales. Ainsi, pour chaque condition sonore et pour chacune des 64 électrodes, la puissance spectrale a été extraite grâce à la fonctionnalité spectopo d’EEGLab utilisant la fonction psd (power spectral density) de Matlab. La puissance absolue a été obtenue grâce à l’équation suivante pour chaque bande de fréquence.
|𝑃𝑢𝑖𝑠𝑠𝑎𝑛𝑐𝑒𝑏𝑎𝑛𝑑𝑒| = 𝑚𝑜𝑦𝑒𝑛𝑛𝑒(10𝑝𝑢𝑖𝑠𝑠𝑎𝑛𝑐𝑒10 𝑏𝑎𝑛𝑑𝑒) (5)
Des clusters d’électrodes ont été sélectionnés pour calculer la puissance fréquentielle par zones cérébrales. Pour la zone frontale, un cluster de 8 électrodes a été moyenné : Fp1, AF7, AF3, FPz, FP2, AF, AF4, AFz. Pour la zone pariéto-occipitale, 6 électrodes ont été moyennées : PO7, PO3, O1, Iz, Oz, PO8, PO4, O2.
Le ratio TLI a été calculé en divisant la puissance thêta de l’électrode Fz sur la puissance alpha de l’électrode Pz.
2.3.2. Traitement des données ECG
La première étape du prétraitement a consisté à sous-échantillonner les signaux de 512 à 256 Hz, afin de réduire le temps de traitement tout en gardant une fréquence d’échantillonnage suffisante (2 fois la fréquence maximum d’intérêt). La deuxième étape consistait à nettoyer les signaux pour supprimer l’activité ne relevant pas de l’activité musculaire cardiaque. Ainsi, un filtre passe-bande entre 1 à 30 Hz en utilisant un filtre Butterworth d’ordre 5. Pour finir, pour obtenir un unique tracé ECG à partir des deux électrodes cardiaques, l’enregistrement de l’électrode de la clavicule droite a été soustrait de celui de l’électrode sur les côtes gauches (ECG = signal électrode côtes – signal électrode clavicule).
Afin de déterminer le rythme cardiaque pour chaque condition, une fonction Matlab de détection automatique de pic a été utilisée (findpeaks). Cette fonction prend en paramètres un seuil et une période réfractaire qui ont été calculés pour chaque participant et chaque condition sonore. Le seuil correspondait à l’amplitude minimale pour être considéré comme un pic. La valeur par défaut de ce seuil correspondait à la moitié de la valeur maximale du signal. La période réfractaire correspondait à une distance minimale à respecter entre chaque pic. Par défaut, cette période était de 200 ms.
Une inspection visuelle a été effectuée pour rejeter les enregistrements de faible qualité, correspondant à des signaux bruités ou des battements anormaux. Si nécessaire, les deux paramètres étaient ajustés manuellement pour mieux détecter les pics.
Il a été montré que lorsque l’enregistrement ECG est inférieur à 5 minutes (ce qui a pu être le cas dans la tâche de lecture dont la durée d’exposition dépendait de la vitesse de lecture des participants), le nombre de battements minimum pour réaliser un calcul de HRV doit être de 240 (Clifford, 2002). Ainsi, les segments de données qui ne respectaient pas cette condition ont été exclus des analyses.
Finalement, les métriques de l’ECG utilisées étaient le nombre de battements par minute (BPM) et l’indice NN50.
Figure 47 : Illustration de l’algorithme de détection de pics (findpeaks) sur Matlab. Le tracé bleu représente le signal ECG, le trait pointillé le seuil de détection et les cercle orange les pics N détectés.
2.3.3. Traitement des données oculométriques
Le prétraitement des données oculaires a été réalisé sur Matlab et consistait à sélectionner les segments correspondant à chacune des tâches de lectures pour les enregistrer dans des fichiers différents. Les données ont ensuite été traitées grâce au logiciel Ogama (Voßkühler, Nordmeier, Kuchinke, & Jacobs, 2008), permettant de calculer le nombre de fixations, la longueur des saccades et le nombre de régressions (Figure 48).Figure 48 : Illustration du calcul des fixations et saccades sur le logiciel Ogama lors de la tâche de lecture
2.3.4. Analyses statistiques
Toutes les données ont été analysées avec Statistica10©. Un test de Kolmogorov-Smirnov a été réalisé pour déterminer si les données suivaient une distribution normale. Pour les données normalement distribuées, une ANOVA à un facteur (Conditions sonores [Bruit brut, Bruit filtré tonalités, Bruit filtré hautes-fréquences, Bruit filtré basses-hautes-fréquences, Filtre isophonique]) a été réalisée. Des ANOVA 3 x 6 à mesures répétées ont été réalisées, pour évaluer l’impact du temps et des conditions sonores sur les trois dimensions du SSSQ : le stress, l’engagement dans la tâche et l’inquiétude. Des Post-Hoc LSD ont été effectués pour analyser deux à deux les effets significatifs (α < 0,05). Pour les données non-normalement distribuées, une analyse de Friedman non paramétrique a été effectuée. Des tests de Wilcoxon ont été utilisés pour analyser les effets intra-sujets.
Par la suite, certains résultats seront présentés sous forme de boîte à moustache. Le trait horizontal bleu représentera la médiane, la croix représentera la moyenne. Les bords de la boîte représenteront le 1er quartile et le 3ème quartile, ainsi la boîte indique que 50% des données sont comprises entre ces intervalles. Pour finir, les moustaches représenteront les valeurs extrêmes (minimum et maximum).
Les autres résultats seront présentés sous forme de moyenne dont les barres d’erreurs représenteront l’intervalle de confiance à 95 %.
Des corrélations non paramétriques de rangs de Spearman ont été réalisées entre les données démographiques et descriptives des participants et les performances comportementales et subjectives des tâches.