Modèles d’IA des états cognitifs à partir de l’EEG : ce qui marche, ce qui ne marche pas

Ce que fait un modèle d’état cognitif

Un modèle d’état cognitif prend des caractéristiques de l’activité cérébrale, souvent aussi du cœur et du comportement, et estime un état : charge haute ou basse, attention qui tient ou qui décroche, fatigue qui s’installe. Il est entraîné sur des enregistrements où l’état est connu par la tâche ou par d’autres mesures.

Les interfaces cerveau-machine utilisent de tels classifieurs depuis longtemps ; une revue des algorithmes de classification pour les interfaces fondées sur l’EEG compare les grandes familles et leurs conditions d’emploi ^[3].

Ce qu’apporte l’apprentissage profond

Les revues de l’apprentissage profond appliqué à l’EEG décrivent un domaine en forte croissance, utilisé pour la charge mentale, les émotions, le sommeil ou l’imagerie motrice ^{[1] [2]}. Les modèles profonds peuvent apprendre des caractéristiques directement à partir du signal, au lieu de s’appuyer seulement sur des caractéristiques choisies à la main.

Ils demandent aussi plus de données, et leurs résultats sont plus difficiles à comparer d’une étude à l’autre. Une revue systématique relève notamment que beaucoup d’études ne partagent ni leurs données ni leur code, ce qui limite la reproductibilité ^[2].

Ce qui ne marche pas, ou pas encore

• Les petits jeux de données. Avec peu de données d’entraînement par personne, les modèles complexes ne font pas automatiquement mieux que des méthodes plus simples ^[3].
• Les différences entre personnes. Un modèle entraîné sur certaines personnes peut moins bien fonctionner sur d’autres ; la validation doit se faire sur des personnes jamais vues.
• Les fuites. Si les données d’une même séance servent à l’entraînement et au test, les scores paraissent meilleurs qu’ils ne sont.
• Les causes. Un modèle qui relie un motif cérébral à une baisse de performance montre une relation, pas une cause.

Les bonnes pratiques

• Un modèle par question : états, charge, fatigue, performance, plutôt qu’un modèle généraliste pour tout.
• Une validation sur des séances et des personnes indépendantes, présentée comme telle.
• Des signaux mesurés séparés des indicateurs déduits, pour que chaque résultat reste traçable jusqu’à l’enregistrement brut.
• Le consentement et la pseudonymisation pour chaque enregistrement utilisé pour entraîner des modèles.

L’approche de SPARK

SPARK développe une famille de modèles spécialisés, entraînés sur des données cognitives synchronisées et validés sur des personnes qu’ils n’ont jamais vues, avec l’enregistrement brut conservé à côté de chaque résultat.