Variabilités émotionnelle et neurophysiologique dans la perception olfactive : étude par l’intelligence artificielle
Auteur / Autrice : | Maelle Moranges |
Direction : | Moustafa Bensafi, Marc Plantevit |
Type : | Thèse de doctorat |
Discipline(s) : | Neurosciences / informatique |
Date : | Soutenance le 18/01/2023 |
Etablissement(s) : | Lyon 1 |
Ecole(s) doctorale(s) : | École doctorale Neurosciences et Cognition (NSCo) (Lyon) |
Partenaire(s) de recherche : | Laboratoire : Centre de Recherche en Neurosciences de Lyon (Bron ; Saint-Priest-en-Jarez ; 2011-....) |
Jury : | Président / Présidente : Mohand Saïd Hacid |
Examinateurs / Examinatrices : Moustafa Bensafi, Marc Plantevit, Denis Pierron, Peggy Cellier, Caroline Huart, Céline Rouveirol | |
Rapporteurs / Rapporteuses : Denis Pierron, Peggy Cellier |
Mots clés
Mots clés contrôlés
Résumé
La dimension subjective et émotionnelle des odeurs est une composante principale de la perception olfactive. Elle permet de créer des comportements d’approche ou d’évitement essentiels à la survie de l’individu en participant à la prévention de dangers potentiels, à notre alimentation et à la communication sociale. La façon dont ces affects olfactifs se manifestent au niveau du système nerveux n’est encore pas entièrement comprise aujourd’hui. De plus, bien que la grande variabilité inter-individuelle dans la perception olfactive ne soit plus à démontrer, elle reste peu explorée à l’heure actuelle. En effet, cette variabilité n’est pas prise en compte dans les études concernant la neurophysiologie de l’émotion dans la perception olfactive, faute d’outils d’analyse adéquats. Ainsi, durant ce projet de thèse, nous avons cherché à lever ces verrous méthodologiques par des approches provenant de l’intelligence artificielle. En effet, nous avons utilisé des méthodes de data science dans le but de comprendre comment se reflète la diversité émotionnelle en matière d’odeurs au niveau neurophysiologique. Nous nous sommes spécifiquement intéressés à l’exploration de modèles exceptionnels et la découverte de sous-groupes. Ces méthodes descriptives permettent d’extraire des informations précises sur le comportement commun d’un groupe d’individus, mais également de nous donner des indications à l’échelle individuelle. Ainsi nous les avons appliquées à différentes mesures neurophysiologiques de l’émotion : des mesures du système nerveux autonomes et des mesures du système nerveux central (IRMf et EEG) à travers trois études expérimentales. Dans la première étude, le caractère hédonique (plaisant/déplaisant) et l’intensité de l’odeur ont été décrits par des réactions physiologiques spécifiques. Dans la seconde étude, les composantes agréable et désagréable de l’odeur ont été localisées spatialement dans le cortex piriforme et l’amygdale. Dans la troisième étude, la dimension temporelle a été explorée au niveau du cortex frontal. L’utilisation de ces approches de data mining se révèle particulièrement adaptée car les modèles descriptifs qui en ressortent sont en accord avec les études passées. En effet, l’étude 1 soutient l’hypothèse d’une réponse somatique plus forte pour les stimuli olfactifs aversifs (désagréables et intenses). L’étude 2 est en accord avec les études démontrant un traitement asymétrique des odeurs désagréables au niveau du cortex piriforme antérieur. L’étude 3 montre une réponse tardive pour les odeurs plaisantes et une réponse instantanée pour les odeurs déplaisantes déjà démontrée auparavant. De plus, ces approches nous permettent d’explorer la diversité individuelle présentent pour chaque description trouvée. L’étude de la variabilité indique une plus grande hétérogénéité pour les odeurs agréables que pour les odeurs désagréables concernant l’activité du système nerveux périphérique (étude 1) et la localisation cérébrale (étude 2). Cette tendance s’inverse lorsque l’on considère la dimension temporelle. En effet, les odeurs agréables créent une réponse bien précise (activité bilatérale tardive dans les basses fréquences) alors que des réponses différentes sont observées selon les individus pour les odeurs désagréables. Afin de permettre aux non spécialistes du domaine de la data science de pouvoir appliquer ce type d’approche à leurs propres données, nous avons proposé, dans une quatrième étude, un protocole méthodologique. Ce tutoriel décrit l’application de la découverte de sous-groupes sur des données de conductance cutanée étape par étape. Nous avons également réalisé un travail théorique dans une cinquième étude. Celui-ci offre une réflexion à propos de l’analyse des émotions en condition réelle hors des laboratoires. Il propose ainsi l’utilisation de méthodes provenant de la data science comme solution possible pour pouvoir analyser les données nombreuses et hétérogènes résultantes.