Un abonnement JoVE est requis pour visualiser ce contenu. Connectez-vous ou commencez votre période d'essai gratuite.

Article de recherche

Validation préliminaire d'un algorithme d'analyse des expressions faciales et des mouvements lors de tâches d'élicitation d'émotions chez des adultes sains

109 vues

⸱

DOI :

10.3791/70843

⸱

14 août 2026

 ,  ,  ,  ,  ,  ,  ,  , 

Dans cet article

Résumé

Cette étude valide préliminairement l'algorithme FEA, un algorithme propriétaire d'apprentissage automatique, pour la détection des réponses durant des tâches impliquant des stimuli émotionnels. Elle examine la concordance entre les scores de l'algorithme FEA et des stimuli émotionnels faciaux normalisés en utilisant le cadre Navarasa chez des adultes en bonne santé, évaluant ainsi si le système reflète de manière fiable les réponses liées aux émotions dans des conditions expérimentales contrôlées.

Résumé

Ce protocole a été conçu pour valider préliminairement Emoscape, un algorithme propriétaire d'apprentissage automatique basé sur le cadre Navarasa, en testant si ses scores émotionnels varient de manière concordante avec des tâches standardisées d'élicitation des émotions chez des adultes en bonne santé. Soixante-douze adultes en bonne santé ont été recrutés après avoir donné leur consentement éclairé par écrit. Les participants ont rempli le questionnaire de santé du patient-9 (PHQ-9) et le trouble anxieux généralisé-7 (GAD-7), puis ont visionné des stimuli émotionnels faciaux provenant du jeu TRENDS et des images Navarasa, tandis que l'algorithme FEA enregistrait les micro-mouvements du haut du corps tout au long de la tâche. Les participants ont également identifié les émotions affichées. Les variations des scores de l'algorithme FEA par rapport à la ligne de base ont été analysées lors de l'exposition à des stimuli neutres, heureux, de peur et de colère provenant de TRENDS, ainsi que lors de l'exposition à des images Navarasa. Une analyse de la courbe ROC (receiver operating characteristic) a été utilisée pour estimer la sensibilité et la spécificité dans la discrimination entre catégories émotionnelles. Les scores de l'algorithme FEA ont montré des écarts significatifs par rapport à la ligne de base pour les images TRENDS associées aux émotions correspondantes (Neutre–Shanta, Heureux–Haasya, Peur–Bhayanaka et Colère–Raudra). Des variations concordantes ont également été observées avec les images Navarasa, toutes les différences moyennes étant statistiquement significatives (p < 0,001). Les valeurs de l'aire sous la courbe (AUC) variaient selon les catégories. L'algorithme FEA a montré une sensibilité modérée pour les émotions agréables (70–80 %) et les émotions désagréables (60–70 %). Ces résultats apportent un soutien préliminaire au protocole ainsi qu'à l'utilisation de l'algorithme FEA pour évaluer les réponses liées aux émotions durant des tâches contrôlées d'élicitation émotionnelle chez des adultes en bonne santé.

Introduction

La reconnaissance des émotions est un domaine important d'investigation en neurosciences cognitives sociales, avec des applications cliniques et de recherche potentielles. Les méthodes existantes d'évaluation émotionnelle quantifient les modifications de l'activité physiologique, telles que l'électroencéphalographie (EEG) ou la résistance cutanée galvanique (GSR), afin d'inférer des états émotionnels. Toutefois, ces méthodes sont complexes et invasives. Les mesures directes des mouvements du visage et du corps offrent un indice plus immédiat et observable de l'état affectif d'un individu1,2,

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Protocole

Le protocole de l'étude a été approuvé par le Sushruta Hospitals Ethics Committee, Hubballi, Karnataka, India (EC registration number: ECR/372/INST/KA/2013/RR-19), et un consentement éclairé écrit a été obtenu de tous les participants avant leur inclusion.

L'algorithme FEA est une méthode propriétaire basée sur l'apprentissage automatique permettant l'analyse en temps réel des micro-expressions faciales et des mouvements du haut du corps afin de déduire les états émotionnels à l'aide du cadre Navarasa. Le cadre Navarasa, dérivé de la théorie esthétique indienne classique, définit neuf émotions primaires : s....

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Résultats

L'étude a examiné les variations des scores de l'algorithme FEA en réponse à des stimuli évoquant des émotions et a évalué les performances diagnostiques de cet algorithme à l'aide d'une analyse des caractéristiques opérationnelles du récepteur (ROC). Soixante-douze volontaires en bonne santé ont été recrutés pour l'étude. L'âge moyen (ET) était de 31,9 (11,9) ans, et l'échantillon comprenait 26 hommes et 46 femmes. Tous les participants avaient au moins dix ans de scolarité et étaient tous d'origine indienne. Les scores.......

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Discussion

Cette étude visait à fournir une validation préliminaire de l'algorithme FEA en examinant la concordance entre les scores obtenus par l'algorithme FEA et les réponses à des stimuli standardisés d'émotions faciales chez des volontaires adultes en bonne santé. Ces premières observations indiquent que l'algorithme FEA présente des modifications statistiquement détectables en réponse à des stimuli visuels émotionnels dans diverses catégories émotionnelles distinctes, notamment neutre (shanta), bonheur (haasya), peur (bhayana.......

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Déclarations de divulgation

Le L'algorithme FEA est un algorithme propriétaire de Nihilent Ltd., qui a apporté un soutien financier à Manoshanti pour la collecte des données dans le cadre de cette étude. Nihilent a fourni les scores obtenus avec l'algorithme FEA. L'analyse des données a été réalisée indépendamment par Manoshanti. Nihilent Ltd. n'a pas participé à l'analyse des données.

Remerciements

Nous remercions les professeurs P. T. Sivakumar et le Dr. Shivarama Varambally d'avoir assuré la supervision scientifique de cette étude.

....

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Matériaux

Liste des matériaux utilisés dans cet article
NomEntrepriseNuméro de catalogueCommentaires
EmoscapeNihilent Ltd, Pune1Développeur d'Emoscape
Centres Manoshanti pour le bien-être émotionnelGNR Health Care Pvt Ltd.2Partenaire clinique et de recherche
Outil de reconnaissance des émotions dans les troubles neuropsychiatriquesdroits d'auteur détenus par l'auteur correspondant de l'étude3Outil utilisé pour la validation dans l'étude

Références

  1. Garg N, Garg R, Anand A, Baths V. Decoding the neural signatures of valence and arousal from a portable EEG headset. Front Hum Neurosci. 2022;16:1051463. doi:10.3389/fnhum.2022.1051463.
  2. Wang XW, Nie D, Lu BL. Emotional state classification from EEG data using a machine learning approach. Neurocomputing. 2014;129:94–106.
  3. Giannakaki K, Giannakakis GA, Farmaki C, Sakkalis V. Emotional state recognition using advanced machine learning techniques on EEG data [conference paper]. Presented at: 2017 IEEE 30th International Symposium on Computer-Based Medical Systems; Thessaloniki, Greece; 2017. p. 333–6. Available from: https://ieeexplore.ieee.org/document/8....

Accès restreint. Veuillez vous connecter ou commencer un essai pour afficher ce contenu.

Réimpressions et autorisations

Explorer plus d’articles

Analyse des expressions facialesAlgorithme d'apprentissage automatiqueCadre NavarasaReconnaissance des émotionsAnalyse des micro-mouvementsCaractéristique de fonctionnement du récepteurStimuli émotionnelsSensibilité Spécificité

Cet article a été publié

Vidéo bientôt disponible