Détection continue du stress à partir de signaux physiologiques

Continuous stress detection from physiological signals

• Auteur / Autrice : Mouna Benchekroun
• Direction : Dan Mircea Istrate, Dominique Lenne
• Type : Thèse de doctorat
• Discipline(s) : Bioingénierie & Sciences et Technologies de l’Information et des Systèmes
• Date : Soutenance le 14/03/2024
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Biomécanique et Bioingénierie / BMBI - Heuristique et Diagnostic des Systèmes Complexes [Compiègne] / Heudiasyc

Mots clés

Mots clés contrôlés

Temps réel (informatique)

Algorithmes

Modèles mathématiques

Informatique affective

Intelligence artificielle

Analyse des données

Biocapteurs

Traitement du signal

Stress -- Prévention

Gestion du stress

Stress -- Psychologie

Stress -- Physiologie

Diagnostic

Stress

Mots clés libres

Analyse de données biomédicales

Détection du stress

Réponse au stress

Signaux physiologiques

IA

Stress detection

Stress response

Mental stress

Biomedical data analysis

Signal processing

Biomedical health AI

Physiological signals

Biosignals

Affective computing

Stress management

Signal processing

Biosensors

Artificial intelligence

Résumé

Le but principal de cette thèse est d'établir un indicateur fiable de la présence de stress à partir de signaux physiologiques, un domaine crucial étant donné la complexité du stress et ses effets étendus sur le bien-être mental et physique. L’approche adoptée vise à permettre une surveillance en temps réel du stress dans des contextes ambulatoires, offrant ainsi aux individus la possibilité de gérer activement leur santé au quotidien en dehors des environnements cliniques traditionnels. Pour atteindre cet objectif, la recherche est structurée autour de deux objectifs principaux. Tout d'abord, elle s’engage dans la collecte d’une base de données exhaustive et cohérente sur le stress. Cette initiative vise à surmonter les incohérences observées dans les méthodes de collecte de données et les caractéristiques démographiques des participants des bases de données existantes, afin de fournir une ressource unifiée et robuste pour la recherche future. Ensuite, la thèse se concentre sur le développement de modèles de détection du stress. En utilisant des techniques avancées de science des données, I'objectif est de créer des modèles capables d'identifier de manière précise et rapide les indicateurs de stress à partir des signaux physiologiques collectés. Cette approche inclut l’extraction de caractéristiques diverses à partir de chaque signal physiologique et l’entraînement de modèles d'intelligence artificielle en utilisant des approches tant unimodales que multimodales. Parallèlement à ces efforts, un accent particulier est mis sur la généralisabilité des modèles de détection du stress. Cette dimension est cruciale pour assurer que les modèles restent pertinents, précis et applicables dans une variété de contextes démographiques et environnementaux. Cette thèse, divisée en plusieurs chapitres, explore également les processus physiologiques influencés par le stress, les stratégies algorithmiques pertinentes et les implications potentielles de ses résultats pour la gestion et la prévention du stress dans le futur proche.

The primary aim of this thesis is to establish a reliable indicator of stress presence based on physiological signals, a critical area given the complexity of stress and its widespread impact on mental and physical wellbeing. The approach taken is geared towards real-time monitoring of stress in ambulatory contexts, thereby empowering individuals to actively manage their health in everyday settings outside traditional clinical environments. To achieve this goal, the research is structured around two main objectives. Firstly, it involves collecting a comprehensive and consistent stress database. This initiative aims to address inconsistencies in data collection methods and participant demographics seen in existing datasets, providing a unified and robust resource for future research. Secondly, the thesis focuses on developing stress detection models. Using advanced data science techniques, the objective is to create models capable of accurately and swiftly identifying stress indicators from collected physiological signals. This approach includes extracting diverse features from each physiological signal and training Al models using both unimodal and multimodal approaches. In parallel, significant emphasis is placed on the generalizability of stress detection models. This aspect is crucial to ensuring that the models remain relevant, accurate, and applicable across various demographic and environmental contexts. Divided into several chapters, this thesis also explores the physiological processes influenced by stress, relevant algorithmic strategies, and the potential implications of its findings for stress management and prevention in the near future.