Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Résumé

La reconnaissance automatique des émotions à partir de signaux électroencéphalographiques (EEG) constitue un domaine de recherche actif dans l’intelligence artificielle et l’interaction homme–machine. Les approches existantes reposent souvent sur des configurations denses d’électrodes afin de capter une information spatiale riche, mais cette densité entraîne des contraintes pratiques importantes liées au coût, au temps d’installation et à la complexité des systèmes EEG. La réduction du nombre d’électrodes tout en maintenant des performances de classification élevées représente ainsi un enjeu central pour le développement de systèmes plus compacts et plus facilement déployables.

Ce mémoire étudie l’impact de la réduction progressive du nombre d’électrodes sur la reconnaissance des émotions basée sur EEG. L’approche proposée s’appuie sur l’architecture EEGFormer, un modèle d’apprentissage profond intégrant un mécanisme d’attention permettant d’exploiter les relations spatiales entre les canaux EEG et d’identifier automatiquement les électrodes les plus informatives pour la classification de la valence.

Les expérimentations sont réalisées sur le jeu de données SEED (SJTU Emotion EEG Dataset), un ensemble de signaux EEG enregistrés auprès de plusieurs sujets exposés à des stimuli émotionnels. L’évaluation repose sur un protocole expérimental rigoureux incluant une validation croisée à 10 folds ainsi qu’un ensemble de test indépendant, afin d’assurer une estimation fiable et robuste des performances du modèle. Une analyse systématique de la réduction du nombre d’électrodes est menée en considérant plusieurs configurations successives (62, 48, 32, 16, 8, 6 et 4 électrodes). Les performances obtenues sont également comparées à celles de méthodes classiques de sélection d’électrodes.

Les résultats montrent qu’une réduction modérée du nombre d’électrodes peut être réalisée sans dégradation significative des performances de classification de la valence. En particulier, les configurations utilisant 32 et 16 électrodes obtiennent des résultats comparables à ceux de la configuration complète à 62 électrodes. Cette observation suggère que la suppression de certaines électrodes redondantes peut agir comme un mécanisme de régularisation structurelle et améliorer la stabilité du modèle.

Ces travaux démontrent ainsi qu’il est possible de concevoir des systèmes EEG plus compacts tout en conservant un niveau de performance élevé pour la prédiction de la valence émotionnelle.