Biologie

 

Comment nos émotions s’expriment au niveau physiologique ? Pour répondre à cette question, il faut s’intéresser à l‘activité des systèmes nerveux Sympathique et Parasympathique. Dans le cas d’une situation très stressante par exemple, notre cœur commence à battre plus rapidement alors que notre pression sanguine augmente. De plus nous transpirons et nos muscles se tendent. En d’autres termes, le corps se prépare physiologiquement à combattre un danger et c’est le Système Nerveux Autonome (SNA) qui se met en route pour donner à notre corps une énergie supplémentaire. Ce phénomène est rendu possible par l’activation d’une branche du SNA : le système nerveux sympathique (SNS).

En revanche, dans une situation relaxante, le SNA permet à nos muscles de se relâcher, à notre rythme cardiaque de diminuer et de façon générale à notre activité physiologique de baisse en intensité. Cela arrive lorsqu’une autre branche du SNA appelée système nerveux parasympathique (SNP) s’active. Cette activation correspond à des changements au niveau du patron d’activation cardiaque (variabilité du rythme cardiaque) et au niveau de divers indicateurs des propriétés électriques et thermiques de la peau.

Recueil et analyse des données et classification émotionnelle

 

A partir de quatre capteurs embarqués non invasifs, notre gamme de bracelets connectés collecte des indicateurs physiologiques des activités du SNS et du SNP pour fournir les données d’entrée à la technologie Emotion Sense™.

Le rythme cardiaque et la variabilité du rythme cardiaque (HRV) sont mesurés par un capteur photopléthysmographique (PPG). Ce sont les légères variations du rythme cardiaque qui nous renseignent sur l’expérience émotionnelle.

L’activité des glandes de la sudation est également analysée à partir du capteur de l’activité électrodermale (GSR). Il a été largement démontré que l’activité électrodermale est un indicateur fiable de l’état émotionnel.

Le capteur de température permet quant à lui d’obtenir une information sur les changements de température à la surface de la peau. De nombreuses études ont démontré que cette température varie en fonction de l’émotion ressentie.

Enfin, le capteur accélérométrique permet de mesurer le mouvement et l’activité pour améliorer la capacité de la technologie Emotion Sense ™ à détecter les états émotionnels.

Les algorithmes de traitement du signal permettent de préparer et d’optimiser les signaux recueillis par les capteurs (débruitage, etc.) avant d’en extraire les variables permettant la classification des états émotionnels (machine learning).

Emotion Sense ™ analyse et combine en temps réel ces variables pour identifier l’expérience émotionnelle (stress, peur, joie, relaxation, ennui, …). Cette expérience dépend du niveau de plaisir ou de déplaisir, ainsi que du degré d’excitation physiologique. Par exemple, une émotion telle que la joie implique des sensations de plaisir et un niveau d’excitation élevé alors que l’ennui implique des sensations de déplaisir et un niveau d’excitation relativement faible. Ainsi, Emotion Sense ™ comprend de façon fiable si l’état émotionnel est plus probablement dans une zone positive ou négative tout en déterminant le niveau d’excitation. L’état est alors communiqué à n’importe quel système (PC, Tablette, Console, Smartphone…).

Background scientifique

 

  • Ali, M., Al Machot, F., Mosa, A. H., Jdeed, M., Al Machot, E., & Kyamakya, K. (2018). A Globally Generalized Emotion Recognition System Involving Different Physiological Signals. Sensors (Basel, Switzerland),18(6).
  • Ali, M., Al Machot, F., Mosa, A. H., & Kyamakya, K. (2016). CNN Based Subject-Independent Driver Emotion Recognition System Involving Physiological Signals for ADAS. In Advanced Microsystems for Automotive Applications 2016(p. 125–138). Springer.
  • Jiang, M., Mieronkoski, R., Rahmani, A. M., Hagelberg, N., Salantera, S., & Liljeberg, P. (2017). Ultra-short-term analysis of heart rate variability for real-time acute pain monitoring with wearable electronics. In 2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM)(p. 1025–1032). IEEE.
  • Picard, R. W., Vyzas, E., & Healey, J. (2001). Toward machine emotional intelligence: Analysis of affective physiological state. IEEE transactions on pattern analysis and machine intelligence, 23(10), 1175–1191.
  • Schumm, J., Bachlin, M., Setz, C., Arnrich, B., Roggen, D., & Troster, G. (2008). Effect of movements on the electrodermal response after a startle event. In Pervasive Computing Technologies for Healthcare, 2008. PervasiveHealth 2008. Second International Conference on(p. 315–318). IEEE.
  • Shi, H., Yang, L., Zhao, L., Su, Z., Mao, X., Zhang, L., & Liu, C. (2017). Differences of heart rate variability between happiness and sadness emotion states: a pilot study. Journal of Medical and Biological Engineering, 37(4), 527–539.
  • Shu, L., Xie, J., Yang, M., Li, Z., Li, Z., Liao, D., … Yang, X. (2018). A Review of Emotion Recognition Using Physiological Signals. Sensors (Basel, Switzerland), 18(7).
  • Valenza, G., Citi, L., Lanatá, A., Scilingo, E. P., & Barbieri, R. (2014). Revealing real-time emotional responses: a personalized assessment based on heartbeat dynamics. Scientific reports, 4, 4998.