Wearables et apprentissage automatique pour améliorer la motivation des coureurs d'un point de vue affectif, partie 1

Abstrait: La technologie portable joue un rôle croissant dans le développement d'applications centrées sur l'utilisateur. Dans le domaine du sport, cette technologie est utilisée pour mettre en œuvre des solutions permettant d'améliorer les performances des athlètes, de réduire les risques de blessures ou de contrôler la fatigue, par exemple. Les émotions sont impliquées dans la plupart de ces solutions, mais malheureusement, elles ne sont pas surveillées en temps réel ni utilisées comme élément de décision permettant d'augmenter la qualité des séances d'entraînement, ni utilisées pour garantir la santé des athlètes. Dans cet article, nous présentons un modèle portable et un ensemble de modèles d'apprentissage automatique capables de déduire les émotions des coureurs pendant leur entraînement. La solution repose sur l’analyse de l’activité électrodermique des coureurs, un paramètre physiologique largement utilisé dans le domaine de la reconnaissance des émotions. Dans le cadre du projet DJ-running, nous avons utilisé ces émotions pour accroître la motivation à travers la musique. Il a fallu intégrer le portable et les modèles dans l'application mobile DJRunning, qui interagit avec l'infrastructure technologique du projet pour sélectionner et jouer les chansons les plus adaptées à chaque instant de l'entraînement.

Cistanche peut agir comme un anti-fatigue et un stimulateur d'endurance, et des études expérimentales ont montré que la décoction de Cistanche tubulosa pourrait protéger efficacement les hépatocytes hépatiques et les cellules endothéliales endommagées chez les souris nageuses en charge, réguler positivement l'expression de NOS3 et favoriser le glycogène hépatique. synthèse, exerçant ainsi une efficacité anti-fatigue. L'extrait de Cistanche tubulosa riche en phényléthanoïdes pourrait réduire considérablement les taux sériques de créatine kinase, de lactate déshydrogénase et de lactate, et augmenter les taux d'hémoglobine (HB) et de glucose chez les souris ICR, ce qui pourrait jouer un rôle anti-fatigue en diminuant les dommages musculaires. et retarder l'enrichissement en acide lactique pour le stockage d'énergie chez la souris. Les comprimés composés de Cistanche Tubulosa ont prolongé de manière significative le temps de nage en charge, augmenté la réserve hépatique de glycogène et diminué le taux d'urée sérique après l'exercice chez la souris, montrant son effet anti-fatigue. La décoction de Cistanchis peut améliorer l'endurance et accélérer l'élimination de la fatigue chez les souris en exercice, et peut également réduire l'élévation de la créatine kinase sérique après un exercice de charge et maintenir l'ultrastructure du muscle squelettique des souris normale après l'exercice, ce qui indique qu'elle a les effets d'améliorer la force physique et d'anti-fatigue. Les cistanchis ont également prolongé de manière significative la durée de survie des souris empoisonnées aux nitrites et amélioré la tolérance à l'hypoxie et à la fatigue.

Cliquez sur fatigué

【Pour plus d'informations :george.deng@wecistanche.com / WhatsApp :8613632399501】

Mots clés: reconnaissance des émotions ; appareils portables ; apprentissage automatique ; en cours d'exécution; recommandation musicale

1. Introduction

Ces dernières années, grâce aux progrès de la miniaturisation progressive des technologies de capteurs, les wearables sont devenus des dispositifs intéressants dans différentes disciplines, comme la santé [1] ou le divertissement [2,3]. Ils sont pourtant devenus incontournables dans la pratique de nombreux sports [4,5]. Parmi la grande variété d'appareils, les montres, bracelets et bracelets intelligents se démarquent. Ils permettent de mesurer l'activité physique, le comportement et les performances des athlètes, de surveiller et de collecter des informations sur plusieurs aspects de l'activité (mesurer des paramètres basés sur le mouvement tels que la distance, la vitesse, la frappe du pied et l'accélération) et de capturer des signaux physiologiques, tels que comme la fréquence cardiaque, la température, l'oxygénation, la pression artérielle ou la conductivité électrodermique [4].

L'utilisation des wearables dans le domaine du sport se concentre principalement sur le suivi, l'analyse et l'amélioration des performances, la réduction des blessures ou le contrôle de la fatigue. Ces solutions obtiennent généralement des informations sur les paramètres de santé des athlètes [6] ou détectent des problèmes posturaux ou physiques dans la réalisation de l'activité [7,8]. Cependant, pour résoudre ces problèmes, la plupart des appareils commerciaux capturent et fournissent uniquement des informations de suivi et des mesures de performance qui sont traitées ultérieurement, puis téléchargées et analysées par les athlètes ou leurs entraîneurs. Ils ne sont pas utilisés pour donner un feedback en temps réel puisque les données sont traitées hors ligne [6] et visualisées par l'utilisateur une fois l'activité terminée pour comprendre comment la formation a évolué, quels problèmes sont survenus lors de cette pratique, ce qu'il a ressenti dans certaines situations. moments spécifiques et comment cela pourrait affecter leur performance. Il a été démontré que les émotions ont un impact significatif sur notre vie quotidienne, sur notre travail, nos études, nos choix ou encore notre capacité à apprendre ou à prendre des décisions. Les émotions affectent également notre santé [2] et constituent un aspect très important de la performance sportive [9]. Les athlètes peuvent utiliser différentes stratégies pour réguler leurs émotions et ainsi améliorer leurs performances [10]. Depuis plusieurs années maintenant, de nombreux travaux ont étudié et prouvé que les facteurs émotionnels sont fondamentaux dans l'entraînement, la performance et les résultats en compétition des athlètes [11,12]. Malgré ces études, les états émotionnels des athlètes ont été mesurés de manière très limitée, généralement en analysant le comportement après avoir réalisé l'activité et au moyen de questionnaires d'auto-évaluation sur leur humeur [13], qu'ils utilisent pour remplir avant et après l'activité. activité [7]. Il existe très peu de recherches sur les états émotionnels ressentis par les athlètes lors de la pratique de l’activité, en temps réel et en pleine nature.

L'une des méthodes les plus courantes pour reconnaître automatiquement les émotions repose sur la capture de signaux physiologiques [14], car ces données nous permettent de refléter objectivement l'état émotionnel réel d'une personne, [4] et il est impossible de masquer ou de supprimer les biosignaux représentant les effets. 15]. Parmi les nombreux signaux physiologiques qui fournissent des informations sur les émotions humaines, les plus utiles pour la reconnaissance des émotions pouvant être mesurés par des capteurs sont la température, l'activité électrodermique, la fréquence cardiaque, le pouls volumique sanguin, l'activité électrique musculaire, la respiration et l'activité électrique cérébrale [14]. . L’utilisation de ces signaux pour détecter et prédire les émotions à l’aide d’algorithmes d’intelligence artificielle est désormais largement utilisée. Cependant, comme les mesures d'expression des états émotionnels ont des limites en tant qu'indicateurs subjectifs, différentes représentations émotionnelles ont été proposées, mettant en évidence les deux modèles suivants : les modèles catégoriels, dans lesquels les émotions sont divisées en catégories discrètes, telles que heureuses, tristes, etc., et les modèles dimensionnels. modèles, dans lesquels les catégories sont basées sur des espaces dimensionnels d'éveil et de valence [16].

Dans le domaine sportif, les technologies portables sont les dispositifs les plus utilisés pour détecter les émotions en raison de leur capacité à obtenir des données en continu, en temps réel et de manière non invasive ou intrusive [6]. Malgré l’importance avérée des émotions dans la performance sportive et l’utilisation généralisée des wearables dans le sport, très peu d’études ont analysé les émotions des athlètes en temps réel. Habituellement, ces études utilisent des appareils portables pour détecter des signaux physiologiques en vue d’une analyse future, hors ligne, mais elles ne donnent pas de retour aux athlètes sur leurs émotions pendant l’activité. C'est le cas des travaux d'Azhar [17] et Havlucu [18], qui utilisent différents appareils portables commerciaux pour capturer des signaux physiologiques permettant de prédire les états psychologiques des joueurs de tennis sur la base des observations des entraîneurs et des algorithmes d'apprentissage automatique. Bi et coll. [19] ont également utilisé des appareils portables commerciaux pour reconnaître l'état émotionnel des coureurs de fond pendant une course afin de créer des cartes efficaces partagées avec les spectateurs. Les travaux de Dupre se concentrent sur l'utilisation de wearables pour modéliser les schémas émotionnels chez les athlètes lors d'activités physiques [20] et pour analyser la relation entre leurs émotions et leurs performances lors de la réalisation d'activités en tyrolienne [21]. De nombreux travaux utilisent des wearables et prennent en compte les émotions des athlètes pour détecter le stress [22], la douleur [23] ou la perception de la fatigue [4,24].

Cependant, pour améliorer les performances des sportifs, lutter contre leur ennui ou réduire leur fatigue et leur épuisement, il est très important de détecter les émotions et d'essayer de les changer au cours du développement de l'activité. Parmi les différentes manières de motiver les sportifs, la musique est l’une des plus utilisées. Depuis de nombreuses années, il est démontré que les effets de la musique sont fortement corrélés aux émotions. Des études neuroscientifiques ont démontré empiriquement que la musique a le potentiel de modifier l’humeur car elle peut activer les structures émotionnelles du cerveau, et ces émotions provoquent des altérations physiologiques qui agissent sur le système nerveux central [25,26]. De ce fait, la musique a été appliquée dans de nombreux types de thérapies pour réguler les émotions [27] afin de réduire l'anxiété, le stress ou la dépression [28] et améliorer la santé mentale et le bien-être [28], la mémoire [29] et la motivation [ 30]. Dans de nombreux travaux, la musique est utilisée pour induire ou modifier des émotions chez les utilisateurs [31,32], tandis que dans d'autres travaux, la perception émotionnelle des utilisateurs lorsqu'ils écoutent de la musique est analysée [33,34]. Comme dans le cas des capteurs physiologiques, les mêmes modèles émotionnels sont utilisés pour la reconnaissance des émotions dans la musique : modèles catégoriels et dimensionnels [35].

Différents avantages de l’écoute de musique pour les athlètes ont également été démontrés, tels que le contrôle de l’éveil, la réduction de l’effort perçu et l’amélioration des performances, entre autres [36-38]. De tous les sports, l'utilisation de la musique est devenue très populaire dans la course à pied car elle s'adresse à tout le monde, des novices aux professionnels [39,40]. Courir avec de la musique peut contribuer à augmenter la motivation du coureur, en rendant les séances d'entraînement intenses beaucoup plus agréables et en lui permettant de se sentir moins seul. Ces effets sont particulièrement intéressants pour les coureurs de fond mais également pour les personnes ayant un mode de vie sédentaire qui souhaitent se lancer dans la course à pied [41]. Depuis plusieurs années, des travaux utilisent des wearables pour détecter différentes données physiologiques afin d'étudier l'influence de la musique sur la motivation à faire de l'exercice [42-44] ou pour améliorer les performances des coureurs [37,45]. Même si, dans de nombreux cas, les auteurs parlent de détection des émotions, ils ne déduisent pas les émotions ressenties par l'utilisateur à partir des signaux physiologiques, en partie parce que les appareils portables commerciaux sont trop chers. Au lieu de cela, ils les utilisent pour capturer des données telles que la fréquence cardiaque afin de les relier au rythme de la musique afin de générer une accélération, de maintenir une certaine vitesse, d'atteindre une cadence de pas spécifique ou d'atteindre un flux [36].

Dans le cadre du projet DJ-running, nous avons développé un système basé sur des services pour améliorer la motivation et les performances des coureurs de fond via Spotify Music [46]. Le système sélectionnait et diffusait de la musique en fonction des émotions du coureur, des caractéristiques de la séance d'entraînement et de l'environnement dans lequel il s'entraînait. D'un point de vue technologique, la solution consistait principalement en trois systèmes logiciels. Tout d’abord, un système de reconnaissance des émotions musicales a été utilisé, appelé RIADA [47], qui déterminait les émotions ressenties par les auditeurs lorsqu’ils écoutaient une chanson. Ce système traite le catalogue de chansons Spotify et crée un ensemble d'étiquettes qui décrivent les effets émotionnels que chaque chanson provoque chez les auditeurs. Deuxièmement, un outil de recommandation musicale basé sur les émotions a été utilisé, qui interprétait le contexte des coureurs pour déterminer les chansons à jouer pendant la séance d'entraînement [46,48]. Ces recommandations sont considérées comme des critères efficaces basés sur les émotions produites par les chansons (et décrites par les labels RIADA) et les émotions ressenties par les coureurs. Enfin, une application mobile a été utilisée pour interagir avec le recommandataire pour diffuser les chansons recommandées. L'innovation du système DJ-Running réside dans la possibilité d'adapter la musique aux émotions que ressent le coureur à chaque instant, à ses changements émotionnels et aux caractéristiques géographiques de l'environnement dans lequel il court. Ce facteur perturbateur nécessite de reconnaître et d'interpréter les émotions du coureur en temps réel, par exemple grâce à la technologie portable. Dans [49], nous avons esquissé des idées antérieures concernant la conception d'un portable qui pourrait fournir le support requis pour ce type de reconnaissance des émotions.

Dans cet article, nous nous concentrons sur le développement final d'un prototype de portable facilement porté par les coureurs de fond, et sur les modèles d'intelligence artificielle programmés pour reconnaître les émotions à partir des données acquises par les capteurs intégrés au portable. Notre prototype de bracelet permet de suivre en temps réel l'activité physiologique des coureurs lors des séances d'entraînement. En particulier, nous nous intéressons au suivi de certaines réponses cutanées des coureurs. Ces réponses physiologiques ont été largement utilisées dans le problème de la reconnaissance des émotions [50-52]. Ensuite, différents algorithmes d’apprentissage automatique ont été évalués et comparés entre eux pour construire un système de reconnaissance à partir des signaux obtenus par le portable. Le meilleur modèle de reconnaissance est sélectionné pour être intégré à l'application mobile DJ-Running afin d'accompagner le processus de recommandation musicale en fonction des émotions du coureur. Les principales contributions du système de reconnaissance présenté dans cet article concernant les approches existantes sont :

• Le portable a été développé à l'aide de capteurs et de composants électroniques peu coûteux et faciles à trouver sur le marché. Ce fait et sa conception simple rendent l’appareil facilement reproductible.

• L'ergonomie du coureur a été étudiée pour concevoir un bracelet confortable et pratique pour une utilisation sportive. Dans cette conception, le placement des capteurs garantit la fiabilité de leurs mesures pendant l’activité physique.

• Le matériel du portable acquiert les mesures des capteurs en temps réel et permet d'accéder aux données brutes (via un connecteur USB ou le réseau de communication Bluetooth). La plupart des appareils existants sont vendus conjointement avec des applications logicielles qui donnent accès aux informations traitées mais pas aux données brutes des capteurs (par exemple, Empatica E4 [53], le portable le plus populaire dans le domaine de l'informatique affective) ; d'autres produits commerciaux permettent d'accéder aux données brutes mais ne sont pas destinés à être utilisés par un utilisateur itinérant, comme GSR Loger [54], Plux [55] ou Shimmer [56].

• Une procédure de traitement des données brutes portables pour caractériser la réponse physiologique du coureur pendant l'entraînement physique est définie et programmée. Cette caractérisation permet ensuite de déduire les émotions du coureur en appliquant des techniques d'intelligence artificielle.

• Les modèles portables et de reconnaissance d'émotions sont intégrés pour fournir un prototype de produit destiné à développer des applications mobiles efficaces. Le résultat permet la reconnaissance des émotions en temps réel, même lorsque l'utilisateur est en mouvement, comme alternative aux méthodes plus couramment utilisées basées sur des questionnaires d'auto-évaluation.

• La solution a été testée dans le cadre du projet DJ-Running pour ajuster les recommandations musicales aux émotions en temps réel du coureur.

Ce document est organisé comme suit. La section 2 décrit la conception du portable pour les coureurs. La section 3 présente le processus de construction des modèles d'apprentissage automatique utilisés pour reconnaître les émotions des coureurs. Cela comprend le filtrage des données obtenues grâce au portable, la représentation des émotions, l'extraction et la sélection de caractéristiques, ainsi que l'application de différentes stratégies de reconnaissance basées sur des techniques d'apprentissage automatique. L'intégration des modèles résultants dans l'application mobile DJ-Running est ensuite décrite dans la section 4. Enfin, certaines conclusions et travaux futurs sont détaillés dans la section 5.

2. Description du portable

La conception du portable doit être légère et ne pas gêner les athlètes lors de l’exercice physique. Pour cette raison, il a été construit comme un bracelet, comme le montre la figure 1. Le bracelet est constitué d'un support de poignet en textile avec des bandes Velcro pour un placement facile et d'un boîtier intérieur qui intègre les composants électroniques de l'appareil.

La figure 2 représente les principaux composants du matériel conçu. Le bracelet intègre un capteur Galvanic Skin Response (GSR) pour mesurer la conductivité électrodermique de la peau. Les données GSR reflètent l'excitation émotionnelle et sont généralement utilisées dans la reconnaissance des émotions basées sur des appareils portables physiologiques (57). Le capteur GSR est situé à l'intérieur du poignet. Cet emplacement est validé comme étant utile pour mesurer les données GSR [58]. En interne, le capteur se compose de deux contacts en nickel et d'un amplificateur d'instrumentation qui fournit un signal analogique, qui est lu par le convertisseur ADC intégré du microprocesseur du portable. Le microprocesseur est également capable d'envoyer les données surveillées à une application mobile via un protocole Bluetooth Low-Energy (BLE).

Nous avons sélectionné la carte Bluno Beetle BLE avec un microprocesseur ATMega328P@16Mhz et une capacité Bluetooth intégrée à la carte avec la puce TI CC2540. Cette carte microprocesseur est l'une des plus petites cartes Arduino BLE du marché. Il possède quatre broches d'entrée analogiques, quatre broches numériques et un port I2C. La distance de transmission de la communication Bluetooth est de 30 m (50 m en champ ouvert). Ce module est compatible avec le programme standard Arduino IDE pour télécharger des codes sans bibliothèques ni pilotes supplémentaires.

Un système fonctionnant sur batterie est obligatoire pour un système portable tel que le bracelet développé. Dans ce cas, nous avons sélectionné un accu LiPo rechargeable d'une capacité de 500 mAh/3,7 V. Nous avons inclus une carte électronique basée sur le chargeur TP4056. Cette carte est un module de chargeur linéaire complet à courant constant/tension constante avec un circuit de protection. Le module dispose de deux LED, rouge et verte, pour indiquer respectivement la charge en cours ou la fin de la charge.

Les informations obtenues sont stockées au format RAW et fournissent les données de résistance obtenues à partir du capteur et un horodatage permettant d'identifier les événements dans les expériences de détection d'émotions.

3. Modèles d'apprentissage automatique pour la reconnaissance des émotions

Cette section commence par présenter les modèles existants pour représenter les émotions. L'un d'eux a été retenu pour construire les modèles de reconnaissance qui déduisent les émotions des coureurs à partir de leurs données physiologiques. Le processus de construction implique la création d'un ensemble de données efficace, l'extraction et la sélection de fonctionnalités, ainsi que la réalisation de modèles d'apprentissage automatique.

3.1. Représentation des émotions

Dans un premier temps, il est nécessaire d'introduire les modèles de représentation des émotions des utilisateurs. Comme nous l’avons mentionné précédemment dans la section 1, deux types différents de modèles ont été largement utilisés dans le domaine de l’informatique affective : les modèles catégoriels et dimensionnels. Ce travail est basé sur le modèle circumplexe de Russell [59], l'un des modèles dimensionnels les plus populaires. Il représente les états affectifs sur un espace bidimensionnel défini par les dimensions de valence (axe X) et d'éveil (axe Y). La valence représente le plaisir/déplaisir intrinsèque (positif/négatif) d'un événement, d'un objet ou d'une situation, et l'excitation représente l'intensité perçue d'un sentiment allant de très apaisant à très excitant ou agité. La combinaison de ces deux dimensions (valence/excitation) détermine quatre quadrants différents : le quadrant agressif (négatif/positif), le quadrant heureux (positif/positif), le triste (négatif/négatif) et le quadrant détendu (positif/négatif). Ensuite, chaque émotion est mappée à un point dans l’espace bidimensionnel et est donc également située dans l’un des quadrants mentionnés.

3.2. Création d'un ensemble de données physiologiques

Une fois un modèle de représentation des émotions sélectionné, l’étape suivante consiste à créer l’ensemble de données physiologiques qui servira à construire les modèles de reconnaissance. Cet ensemble de données doit contenir des informations qui nous aident à comprendre quelle est la réponse physiologique du coureur à un stimulus émotionnel. Dans le cadre du projet DJ-Running, la musique est utilisée comme stimulus pour provoquer des changements émotionnels qui ont un effet positif sur les coureurs. Par conséquent, la musique, les émotions et la technologie portable ont été combinées pour créer l’ensemble de données nécessaire.

Une expérience a été réalisée pour déterminer la réponse physiologique des utilisateurs lors de l'écoute de chansons provoquant certaines émotions d'intérêt. Ces réponses sont surveillées via le portable et utilisées pour créer l'ensemble de données. La méthode, les instruments et les participants impliqués dans l'expérience, ainsi que les résultats obtenus sont décrits dans les paragraphes suivants.

Méthodologie : L'expérience a été menée dans une pièce sans nuisance sonore dans laquelle le participant était allongé sur une civière en état de repos. Il s'agit de jouer un ensemble de chansons qui provoquent différentes émotions et de surveiller la réponse physiologique de l'auditeur à travers le portable décrit précédemment. Les données physiologiques acquises via le portable lors de la lecture des chansons sont stockées dans la mémoire interne de l'appareil. Ces données peuvent être téléchargées via un port USB une fois l’expérience terminée.

Équipement : Quatre instruments ont été utilisés au cours de l'expérience : le portable pour enregistrer la réponse physiologique de l'auditeur, une liste de lecture affective contenant les chansons à jouer, un lecteur MP4 pour lire ces chansons et une paire d'écouteurs pour les écouter. La liste de lecture programmée comprend neuf chansons, deux appartenant à chacun des quadrants émotionnels de Russell (plus précisément aux quadrants Heureux, Triste, Agressif et Détendu) et une autre chanson supplémentaire utilisée au début de l'expérience pour détendre l'auditeur. Des pauses de 15 secondes ont été introduites entre les chansons consécutives pour éviter que la réponse émotionnelle de deux chansons différentes ne se chevauche potentiellement. La durée totale de la playlist est d'environ 41 minutes.

Participants : Le nombre total de participants à l’expérience était de 32. Tous étaient des hommes âgés de 25 à 45 ans. Ils ont été choisis au hasard parmi un registre d’athlètes et ont participé volontairement à l’expérience. Les participants ont une bonne hygiène de vie et pratiquent régulièrement du sport (en moyenne cinq heures par semaine). Avant de commencer l'expérience, ils ont déclaré que leur humeur était habituelle (aucun n'était occasionnellement stressé ou nerveux, par exemple) et qu'aucun d'entre eux ne souffrait de troubles émotionnels pouvant influencer les résultats. Résultats : le portable génère un fichier de données physiologiques pour chaque séance. Il contient la réponse de l'auditeur aux neuf chansons, en particulier les données acquises par le capteur EDA. Par conséquent, le résultat brut de l’expérience était de 32 fichiers de données physiologiques (un pour chaque auditeur). Néanmoins, une procédure de validation a été appliquée pour éliminer les fichiers dans lesquels les données acquises via le portable contenaient des erreurs ou étaient incomplètes (en particulier, 7 fichiers ont été rejetés). Une fois cette procédure terminée, chacun des 25 fichiers valides a été divisé en plusieurs morceaux, chacun stockant ainsi les données enregistrées pendant la lecture d'une chanson spécifique. En particulier, nous souhaitions obtenir huit fichiers de données, deux relatifs à des chansons joyeuses, deux à des chansons tristes, et ainsi de suite pour le reste des quadrants émotionnels de Russell (la chanson utilisée au début de l'expérience pour détendre l'auditeur a été écartée). . De plus, une étiquette émotionnelle a été attribuée à chacun de ces fichiers pour caractériser l'émotion induite chez l'auditeur à travers la chanson correspondante (ainsi, les étiquettes Happy, Sad, Aggressive et Relaxed ont été utilisées). Une fois ce processus terminé, l'ensemble de données cible de l'expérience a été créé à partir des 200 fichiers de données EDA obtenus (50 fichiers par quadrant émotionnel). Ces fichiers et leurs étiquettes sont les échantillons qui seront ensuite utilisés pour créer les modèles de reconnaissance basés sur des techniques d'apprentissage automatique.

3.3. Traitement du signal du capteur et extraction de caractéristiques

La figure 3 montre le processus d'extraction des caractéristiques qui seront utilisées pour construire les modèles de reconnaissance des émotions à partir des fichiers de données physiologiques. Des processus similaires ont été appliqués dans d'autres propositions fonctionnant avec ce type de données de capteurs [60-64].

Le processus d'extraction de caractéristiques est appliqué individuellement à chaque fichier de données résultant de l'expérience décrite précédemment. Au début du processus, l'étape de traduction GSR en EDA convertit les mesures acquises par le capteur GSR en valeurs d'activité électrodermique (EDA). Les deux mesures servent à refléter l'excitation émotionnelle, mais GSR mesure la résistance électrique de la peau en ohms et EDA la conductivité chez Siemens. Cette conversion a un double objectif. D'une part, il permet le calcul de caractéristiques basées sur l'analyse des pics du signal EDA. Ces fonctionnalités ont été largement utilisées dans le problème de la reconnaissance des émotions. D'autre part, étant donné l'existence de wearables commerciaux intégrant un capteur EDA (par exemple, le bracelet Empatica E4 [53]), un système de reconnaissance des émotions basé sur ces valeurs pourrait être hautement réutilisable et capable de fonctionner avec des données physiologiques provenant de différents appareils. .

Ensuite, le sous-échantillonnage des données EDA est appliqué pour réduire la fréquence d'échantillonnage du signal, deux échantillons par seconde, sans perte d'informations. Cette réduction facilite le traitement ultérieur du signal. L'étape suivante, appelée détection d'artefacts, consiste à supprimer le bruit du signal EDA de sortie. Il applique un filtre médian, une technique de réduction du bruit habituellement utilisée dans le filtrage des signaux, pour améliorer la qualité des données.

Certaines fonctionnalités peuvent être directement extraites du signal filtré, tandis que d'autres nécessitent l'analyse du contexte du signal. Dans [52], ces fonctionnalités sont appelées respectivement fonctionnalités statistiques et fonctionnalités liées aux événements. Dans le cadre du processus, un ensemble de caractéristiques statistiques est calculé à partir du résultat de la détection d'artefacts. Ces caractéristiques sont répertoriées et expliquées dans le tableau 1. D'autre part, l'étape d'extraction des composants phasiques est chargée d'analyser le contexte du signal pour extraire les caractéristiques liées à l'événement. Elle consiste à calculer les composantes tonique et phasique du signal. Intuitivement, la composante tonique représente le niveau de conductivité d'un individu dans un contexte (les changements lents du signal), tandis que la composante phasique correspond aux réponses de l'individu à un stimulus spécifique (les changements rapides). La composante phasique est dérivée du tonique et est utilisée pour détecter les changements pertinents (pics et décalages) d'un point de vue physiologique. Comme cela a été proposé dans [65], ces changements doivent avoir une pente de ±0,01 microsiemens par seconde et une durée de 3 s. Ces paramètres peuvent varier selon l'individu ou l'activité qu'il exerce mais sont considérés comme adéquats dans le cas général. Une fois les modifications calculées, celles-ci sont traitées pour calculer les caractéristiques d'intérêt liées à l'événement. Ceux-ci sont présentés dans la partie inférieure du tableau 1.

Enfin, ces caractéristiques ont été normalisées pour uniformiser leurs échelles de valeurs. Cette normalisation est nécessaire pour l'application de certains algorithmes d'apprentissage automatique, par exemple pour les algorithmes qui utilisent des mesures de distance telles que les k-voisins les plus proches. Nous avons utilisé l'outil Scikit MinMaxScaler [66] pour transformer les échelles des entités, 0 étant la valeur minimale et 1, la valeur maximale de chacune.

3.4. Sélection de fonctionnalités

Dans le cadre de ce travail, différents modèles de classification ont été construits pour déterminer la meilleure option pour reconnaître les émotions du coureur. Ces modèles déduiront les émotions (sortie du modèle) à partir des données physiologiques acquises grâce à l'appareil que porte le coureur (entrée du modèle). Les deux modèles suivants ont été considérés :

• Option 1 : un modèle de classification multiclasse qui attribue l'échantillon d'entrée exactement à l'un des quadrants émotionnels de Russell (un modèle de classe 4-). Le résultat est un vecteur composé de quatre paires de valeurs (une valeur logique et une valeur réelle), chaque paire représentant la probabilité que les émotions ressenties par l'athlète se situent dans le quadrant correspondant. Par exemple, la sortie ((true, false, false, false), (0.84, 0.18, 0.12, 0.{{1 0}}6)) représente une émotion heureuse avec une probabilité de 0,84. Les probabilités de tristesse, d'agressivité et de détente (0,18, 0,12 et 0,06, respectivement) sont inférieures au seuil de classification et, par conséquent, l'entrée est également classée comme non triste, non en colère et non détendue.

• Option 2 : Quatre modèles de classification binaire, un pour chaque quadrant de Russell, prédisent si (ou non) l'émotion ressentie par le coureur à un moment donné appartient au quadrant correspondant. Par conséquent, la sortie de chacun de ces classificateurs est une paire de valeurs (une valeur logique et une valeur réelle). Par exemple, dans le cas du classificateur Happy, le résultat (false, 0.2) représente que l'utilisateur ne ressent pas d'émotion située dans le quadrant heureux (similaire au reste des modèles).

Avant de construire ces modèles, il est nécessaire d’identifier les fonctionnalités qui seront impliquées dans ce processus. Dans l'option 2, dans laquelle plusieurs modèles seront créés, les caractéristiques sont analysées du point de vue de chaque modèle particulier ; c'est-à-dire que nous supposons qu'une fonctionnalité peut être importante pour reconnaître le résultat d'un classificateur mais sans rapport avec les autres.

Certains tests statistiques fréquemment utilisés en machine learning ont été utilisés pour évaluer et interpréter la pertinence des fonctionnalités. En particulier, nous avons sélectionné trois tests statistiques différents pour évaluer le degré de pertinence des caractéristiques dans chacune des options de classification : les tests du chi carré, de la valeur F ANOVA et des informations mutuelles. Ces tests sont généralement appliqués conjointement pour résoudre des problèmes de classification car ils trouvent les caractéristiques « les plus liées » aux résultats du modèle de différents points de vue [52]. Quelle que soit l'interprétation de « les plus liées », chaque test classe les caractéristiques des plus pertinentes aux moins pertinentes, puis les résultats correspondants sont combinés, en appliquant une stratégie de vote.

Le tableau 2 montre le résultat pour chaque option de classification après avoir appliqué cette approche multi-tests basée sur le vote. La première colonne présente les fonctionnalités, classées du plus au moins pertinent, impliquées dans la construction du modèle multiclasse (4-Classe) décrit dans l'option 1. Le reste des colonnes est avec le type Heureux/Triste/Agressif/Détendu. modèles de l'option 2. Les résultats prouvent que l'utilité des fonctionnalités varie en fonction du classificateur à construire. Dans le cadre de ce processus de création, une méthode de sélection de fonctionnalités sera appliquée pour réduire l'ensemble des attributs disponibles et créer des classificateurs plus précis.

【Pour plus d'informations :george.deng@wecistanche.com / WhatsApp :8613632399501】