Détection continue du stress à partir de signaux physiologiques
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
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.