Variabilités émotionnelle et neurophysiologique dans la perception olfactive : étude par l’intelligence artificielle

Emotional variability and neurophysiological variability in olfactory perception : a study using artificial intelligence

• 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
• Jury : Examinateurs / Examinatrices : Moustafa Bensafi, Marc Plantevit, Denis Pierron, Peggy Cellier, Caroline Huart, Céline Rouveirol
• Jury : Rapporteur / Rapporteuse : Denis Pierron, Peggy Cellier

Mots clés

Mots clés contrôlés

Intelligence artificielle

Émotions

Neurophysiologie

Perception olfactive

Mots clés libres

Olfaction

Émotion

Neurophysiologie

Data mining

Découverte de sous-groupes

Olfaction

Emotion

Neurophysiology

Data mining

Subgroup discovery

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.

The subjective and emotional dimension of odors is a main component of olfactory perception. It allows the creation of approach or avoidance behaviors essential to the survival of the individual. Indeed, it participates in the prevention of potential dangers, in nutrition and in social communication. The way in which these olfactory affects are manifested in the nervous system is still not fully understood today. Moreover, the high inter-individual variability in olfactory perception no longer needs to be demonstrated and yet it remains little explored at the present time. In fact, due to the lack of adequate analysis tools, this variability is not taken into account in studies concerning the neurophysiology of emotion in olfactory perception. Thus, during this thesis project, we sought to remove these methodological barriers with approaches from artificial intelligence. Indeed, we used data science methods in order to understand how emotional diversity in odors is reflected at the neurophysiological level. We were specifically interested in exploring exceptional patterns and subgroups discovery. These descriptive methods allow us to extract precise information about the common behavior of a group of individuals, but also to give us insights at the individual level. Thus, we applied them to different neurophysiological measures of emotion: autonomic nervous system measures and central nervous system measures (fMRI and EEG) through three experimental studies. In the first study, the hedonic character (pleasant/unpleasant) and intensity of the odor were described by specific physiological reactions. In the second study, the pleasant and unpleasant components of the odor were localized spatially in the piriform cortex and amygdala. In the third study, the temporal dimension was explored in the frontal cortex. The use of these data mining approaches is particularly suitable because the descriptive patterns that emerge are consistent with past studies. Indeed, study 1 supports the hypothesis of a stronger somatic response to aversive (unpleasant and intense) olfactory stimuli. Study 2 is in agreement with studies showing asymmetric processing of unpleasant odors in the anterior piriform cortex. Study 3 shows a delayed response for pleasant odors and an instantaneous response for unpleasant ones already demonstrated before. Moreover, these approaches allow us to explore the individual diversity present for each description found. The study of variability indicates a greater heterogeneity for pleasant odors than for unpleasant odors concerning the activity of the peripheral nervous system (study 1) and the cerebral localization (study 2). This trend is reversed when considering the temporal dimension. Indeed, pleasant odors create a very precise response (late bilateral activity in the low frequencies) whereas different responses are observed according to the individuals for unpleasant odors. In order to allow non-specialists in the field of data science to apply this type of approach to their own data, we have suggested, in a fourth study, a methodological protocol. This tutorial describes step by step the application of subgroups discovery on skin conductance data. We also carried out a theoretical work in a fifth study. This one offers a reflection on the analysis of emotions in real conditions outside the laboratory. It suggests the use of data science methods as a possible solution to analyze the numerous and heterogeneous resulting data.