Avancées dans l'fNIRS pour la classification de la charge cognitive

La Spectroscopie fonctionnelle proche infrarouge (fNIRS) est une technique qui mesure comment le flux sanguin dans le cerveau change quand les gens font différentes tâches. Ça aide les chercheurs à comprendre l'activité cérébrale sans déranger ou interrompre les participants. Un domaine d'étude important est la Charge cognitive (CWL), qui fait référence à combien d'effort mental est nécessaire pour une tâche. Une haute CWL peut mener à des erreurs et de la frustration, alors qu'une faible CWL peut entraîner de l'ennui.

Pour créer des systèmes efficaces qui peuvent ajuster les tâches en fonction des charges de travail des gens, les chercheurs ont besoin de modèles qui fonctionnent bien non seulement pour une personne, mais pour plein d'individus différents. Cependant, la plupart des modèles existants supposent que l'entraînement et le test se font avec la même personne, ce qui limite leur application dans le monde réel. De plus, les données fNIRS peuvent varier énormément d'une personne à l'autre et même durant différentes sessions avec la même personne.

#Défis avec les données fNIRS

Les différences dans les données fNIRS peuvent venir de nombreux facteurs, comme les coiffures différentes, les types de peau, et comment les capteurs sont placés sur la tête d'une personne. Des variations se produisent aussi chez la même personne lors de différentes sessions, et les mouvements pendant la tâche peuvent créer du bruit et déformer les données.

Pour résoudre ces problèmes, les chercheurs ont proposé des méthodes pour traiter les données provenant de différentes sessions ou sujets comme venant de domaines séparés. Ça leur permet d'adapter les modèles pour mieux gérer les différences. Cependant, certaines méthodes enlèvent certains canaux de données, ce qui peut faire perdre des informations utiles et réduire la performance.

#Nouvelle approche : Adaptation de domaine consciente des classes et des blocs

Les chercheurs ont développé une nouvelle méthode appelée Adaptation de Domaine Consciente des Classes et des Blocs (CABA-DA). Cette approche vise à réduire les différences entre les sessions tout en gardant les données de différents blocs dans la même session comme des domaines séparés. En minimisant les variations entre les blocs qui partagent la même tâche, les chercheurs espèrent améliorer la capacité du modèle à classifier la charge cognitive.

En plus de cette nouvelle approche, un modèle basé sur une architecture appelée MLPMixer est proposé pour classifier les niveaux de charge cognitive. L'objectif est d'obtenir de meilleures performances que les modèles existants, qui se concentrent souvent sur l'entraînement pour des participants individuels.

#L'importance de la charge cognitive dans les tâches quotidiennes

La charge cognitive est essentielle pour nos activités quotidiennes, surtout quand on interagit avec des ordinateurs ou qu'on effectue des tâches qui nécessitent un effort mental. Une charge cognitive accrue peut entraîner des erreurs et une diminution de la performance, tandis qu'une charge trop faible peut entraîner un désengagement. Donc, il est important d'avoir des systèmes qui peuvent s'adapter en temps réel à la charge de travail des individus pour améliorer les expériences d'interaction homme-machine (HCI).

#Le rôle des techniques d'imagerie cérébrale

Traditionnellement, de nombreux chercheurs ont utilisé l'imagerie par résonance magnétique fonctionnelle (IRMf) pour analyser l'activité cérébrale. Bien que l'IRMf fournisse des données de haute qualité, ce n'est pas pratique pour les études HCI parce que les participants doivent rester immobiles et que le processus est coûteux. À la place, le fNIRS et l'électroencéphalographie (EEG) sont plus adaptés pour mesurer l'activité cérébrale en temps réel car ils permettent le mouvement.

L'EEG mesure l'activité électrique dans le cerveau à travers des électrodes placées sur le cuir chevelu, tandis que le fNIRS utilise la lumière pour détecter les changements dans le flux sanguin. Les deux méthodes ont leurs avantages et inconvénients, le fNIRS étant moins affecté par les artefacts de mouvement comparé à l'EEG.

#Étudier la charge cognitive à travers le fNIRS

Dans cette étude, les chercheurs examinent comment classifier les niveaux de charge cognitive en utilisant les données fNIRS. Bien que de nombreuses techniques existantes utilisent l'apprentissage profond pour la classification, elles entraînent souvent des modèles sur des données provenant des mêmes sujets. Ça veut dire que quand ces modèles sont appliqués à de nouveaux sujets ou sessions, ils ne performent pas bien, ce qui est un défi à surmonter.

Les méthodes d'apprentissage profond font aussi face à des problèmes comme le surajustement, où les modèles apprennent des détails qui ne se généralisent pas à de nouvelles données. La dépendance aux Réseaux de Neurones Convolutifs (CNN) pour l'analyse peut aussi poser problème car ces modèles supposent que les caractéristiques peuvent être partagées à travers différents régions, ce qui n'est peut-être pas vrai pour les signaux cérébraux.

#S'éloigner des CNN

Étant donné les limites des CNN, les chercheurs proposent d'utiliser un modèle MLPMixer à la place. Ce modèle ne repose pas sur les mêmes suppositions qui ne tiennent souvent pas pour les données cérébrales. Le MLPMixer prend des entrées et les traite différemment, ce qui permet une meilleure gestion des données fNIRS.

#Le design expérimental par blocs

Les chercheurs ont collecté des données fNIRS en utilisant un design expérimental par blocs où les participants effectuaient des tâches spécifiques à plusieurs reprises sur différents blocs. Pendant chaque session de tâche, les participants reçoivent des instructions puis s'engagent dans la tâche pendant que leur activité cérébrale est surveillée.

Le défi est que des variations peuvent se produire à la fois entre les individus et à l'intérieur de la même personne à travers différentes sessions. Cette reconnaissance de la variabilité intra-sujet, ou des différences chez la même personne, est cruciale lors du développement de modèles d'analyse.

#Aborder la variabilité des données fNIRS

Comme mentionné plus haut, différents individus ont des structures cérébrales distinctes, des types de cheveux et des traits du visage qui peuvent affecter la qualité des données fNIRS. Ces variations créent le besoin de modèles qui peuvent s'adapter à des distributions de données différentes.

Les approches passées ont souvent négligé la variabilité intra-sujet au sein des différents blocs de sessions. Donc, dans cette étude, les chercheurs proposent de nouvelles façons de comprendre cette variabilité et d'appliquer des techniques pour améliorer la généralisation des modèles.

#Apprentissage contrastif et adaptation de domaine

L'apprentissage contrastif est utilisé pour faciliter une meilleure comparaison entre les échantillons. En organisant les échantillons selon leurs similarités et différences, les chercheurs peuvent améliorer la façon dont le modèle apprend à distinguer différentes classes.

Combiner cela avec l'adaptation de domaine permet au modèle de mieux performer à travers les sujets et les sessions. Ce processus met en avant l'importance de ne pas seulement regarder comment les échantillons se relient les uns aux autres, mais aussi comment ils peuvent être adaptés pour s'intégrer dans différents contextes.

#Entraîner le nouveau modèle

Le nouveau modèle est entraîné avec diverses techniques appliquées aux données. En séparant les données en différents segments basés sur des essais, des blocs, des sessions et des sujets, les chercheurs évaluent comment bien le modèle peut classifier la charge cognitive.

En évaluant le modèle sous différentes conditions, on peut déterminer à quel point le modèle peut se généraliser à des sujets et sessions invisibles. C'est essentiel pour comprendre la performance du modèle dans des applications réelles et s'assurer qu'il peut être efficacement utilisé dans divers contextes.

#Évaluer la performance avec différents ensembles de données

Les chercheurs testent leur modèle proposé en utilisant plusieurs ensembles de données disponibles publiquement. Chaque ensemble de données contient des informations provenant de différentes tâches cognitives et est collecté auprès de différents participants. Grâce à des tests rigoureux et des comparaisons avec des modèles existants, la performance du nouveau modèle MLPMixer est évaluée.

Les résultats expérimentaux indiquent que le nouveau modèle peut classifier les niveaux de charge cognitive plus efficacement que les modèles traditionnels. Cela renforce l'importance d'utiliser une approche complète lors de l'étude des données cérébrales et de ses implications pour l'analyse de la charge de travail.

#Comparer différentes approches

Différents modèles sont comparés à travers les ensembles de données pour analyser leur performance. Les résultats montrent que le nouveau modèle MLPMixer et l'approche CABA-DA améliorent significativement la précision des tâches de classification. Cette amélioration valide l'efficacité des méthodes proposées pour relever les défis associés aux données fNIRS.

#Visualiser l'activité cérébrale

Pour mieux comprendre quelles régions du cerveau sont les plus importantes pendant les tâches cognitives, les chercheurs utilisent des techniques de visualisation des données. Ce processus implique de masquer certains canaux fNIRS pour voir comment le retrait d'informations de zones spécifiques affecte la performance globale du modèle.

Les zones qui entraînent des baisses significatives de précision sont identifiées comme critiques pour la performance des tâches, permettant aux chercheurs de cibler les régions clés impliquées dans le traitement de la charge cognitive.

#Conclusion et perspectives futures

En résumé, l'étude souligne l'importance de développer des modèles qui peuvent s'adapter à la variabilité présente dans les données fNIRS. L'introduction de CABA-DA, accompagnée d'un MLPMixer, montre du potentiel pour mieux classifier la charge cognitive à travers différents individus et sessions.

Au fur et à mesure que la recherche continue d'évoluer, des efforts peuvent être faits pour affiner davantage ces techniques, explorer d'autres architectures de réseaux neuronaux et enquêter sur d'autres méthodes pour améliorer la qualité et l'utilité des données. Globalement, ce travail vise à améliorer la compréhension en neuroscience cognitive et à améliorer les systèmes pour l'interaction homme-machine alors que nous avançons vers un futur où la technologie peut mieux répondre aux états cognitifs individuels.

Grâce à des améliorations et des innovations continues dans ce domaine, il est possible de créer des systèmes plus efficaces et conviviaux qui peuvent mieux soutenir les besoins humains, en particulier dans des contextes nécessitant un effort mental élevé et un engagement.