Conception de système de traitement de données sur les émotions d’un être humain dans un environnement mobile et incertain

Abstract

Une émotion humaine est considérée comme un état d’esprit d’un individu qui est complexe et intense, débutant de manière brutale et peut durer pendant une période relativement brève. Les émotions affectent généralement à la fois l’état physiologique et psychologique et peuvent aider à améliorer la santé humaine et l’efficacité au travail si elles sont positives, tandis que les émotions négatives peuvent causer des problèmes de santé et de comportements très graves. La détection et la surveillance des émotions sont primordiales dans de nombreux domaines tels que la conduite de véhicules, afin d’agir dans le temps opportun en cas de présence d’un état émotionnel négatif qui peut affecter dangereusement la vie du conducteur. Dans la science, on a défini plusieurs méthodes de détection d’émotions qui peuvent être classifiées en deux grandes catégories ; l’une utilise les signaux physiques humains tels que l’expression faciale, la parole, le geste, la posture, etc., qui ont l’avantage d’être facilement collectés et étudiés, mais qui souffrent d’une fiabilité modeste en raison de la possibilité de ne pas montrer les signaux physiques vrais pour cacher de véritables émotions. La deuxième catégorie utilise les signaux internes (les signaux physiologiques), qui comprennent l’électrocardiogramme (ECG), l’électroencéphalogramme (EEG), la température (T), l’électromyogramme (EMG), etc. qui sont plus fiable due à leur nature interne et non contrôler directement par l’être humain. Dans cette thèse, nous avons étudié le problème de la détection des émotions humaines chez un conducteur de véhicule en se basant sur le signal ECG. Pour cela, nous avons proposé trois contributions liées à la détection des émotions. La première est une approche d’optimisation des paramètres de classification des catégories des signaux ECG qui parmi elle une classe ECG anormale représentant un état émotionnel inhabituel. La deuxième contribution est une version améliorée de l’approche Random Forest pour la dé- tection de l’état du stress d’un conducteur. La troisième contribution est un système de détection d’émotions en suggérant une approche d’apprentissage profond ; il s’agit d’un nouveau réseau de ivneurones convolutif et d’augmentation de données qui considère la variabilité de la fréquence cardiaque (Heart Rate Variability -HRV-) comme critère essentiel de détection. Le système proposé a été bien développé et prouvé par une étude de validation et une comparaison avec les travaux de référence similaires proposés dans la littérature