Peut-on lire les émotions avec la VFC seule ? — Ce que montrent 3 cohortes

La variabilité de la fréquence cardiaque (VFC) contient des indices sur la régulation autonome. Mais si l’on donne uniquement ces chiffres à une IA, peut-elle reconnaître une émotion actuelle comme « agréable » ou « pénible » ?

La conclusion de cette recherche interne est limitée :

Avec les informations liées à la VFC et les modèles de recherche testés ici, nous n’avons pas pu prédire les émotions de personnes inconnues avec une précision utile dans 3 cohortes publiques.

Cela ne prouve pas que la VFC ne contient aucune information liée aux émotions. Voici, étape par étape, ce qui a été vérifié et ce qui reste inconnu.

Stade de la recherche

Il s’agit d’une réanalyse interne non évaluée par les pairs de données déjà publiées. Ce n’est ni une méthode de diagnostic médical ni un essai clinique évaluant l’effet de Feelmo.

La VFC et l’émotion ne sont pas la même chose

La VFC décrit la variation de l’intervalle d’un battement au suivant. Respiration, posture, activité, sommeil, heure, médicaments, état de santé et de nombreux autres facteurs l’influencent.

Les émotions peuvent être décrites selon au moins 2 dimensions :

Valence (valence) : agréable ou désagréable
Activation (arousal) : calme ou intense

Même si le cœur accélère et que la VFC change, la cause peut être le plaisir, l’anxiété, l’exercice ou la caféine. Une même réponse corporelle peut donc avoir plusieurs significations, ce qui rend difficile l’attribution d’un nom d’émotion à partir de la VFC seule.

Comment l’étude a-t-elle procédé ?

3 jeux de données publics contenant des étiquettes émotionnelles et des signaux cardiaques ont été utilisés.

Cohorte	Signal principal	Méthode d’induction émotionnelle
CASE	ECG	Vidéos
AMIGOS	ECG	Vidéos courtes et longues
DEAP	PPG au doigt	Vidéos musicales

Plusieurs informations liées à la VFC ont été créées à partir des intervalles cardiaques. Les données ont été divisées afin qu’une même personne ne se trouve pas à la fois dans l’apprentissage et l’évaluation ; le modèle devait alors prédire valence et activation chez des personnes jamais vues pendant l’apprentissage. Cette évaluation entre personnes est essentielle : mémoriser les particularités d’une personne ne suffit pas à créer un modèle utilisable par de nouveaux utilisateurs.

Plusieurs tâches ont été testées : régression de valeurs continues, classification binaire et classification multiclasse des vidéos. Les résultats des cohortes ont été combinés statistiquement. Les détails d’implémentation — sélection des caractéristiques, prétraitement, architecture du modèle et conditions d’apprentissage — ne sont pas publics, car ils relèvent d’une technologie propriétaire de Feelmo. L’impossibilité pour un tiers de reproduire exactement le même modèle est aussi une limite de cette étude.

Lire les résultats simplement

Le résultat combiné pour la valence était R² = −0.40 (intervalle interne indicatif à 95% −0.61 à −0.19). Les effectifs nominaux étaient de 30 personnes pour CASE, 40 pour AMIGOS et 32 pour DEAP, soit 102 au total. Cependant, CASE comportait 29 folds analysés ; la raison de l’absence de 1 personne n’est pas documentée dans les artefacts internes. Le total combiné était donc de 101 folds par sujet. Il n’y avait en outre que 3 cohortes (k=3). L’intervalle est une approximation normale fondée sur la variance de R² des folds LOSO. Il est fragile avec peu de cohortes et une distribution asymétrique de R² ; il faut le lire comme un repère, non comme une certitude pour une large population.

R² exprime la part de variation émotionnelle expliquée par le modèle. Une valeur proche de 1 est meilleure ; 0 correspond à peu près à une méthode simple donnant la moyenne à tout le monde. Un R² négatif ne signifie pas une émotion négative. Il signifie que la prédiction était moins bonne que la simple réponse moyenne.

La direction du résultat était cohérente dans les 3 cohortes : les informations liées à la VFC et les modèles testés ne se généralisaient pas aux personnes inconnues pendant l’apprentissage. Toutefois, les tests stricts d’équivalence bilatérale n’étaient pas concluants dans toutes les analyses. Nous ne pouvons donc pas affirmer que l’effet réel est exactement nul ni que toute IA possible échouera.

Ce que l’étude permet — et ne permet pas — de conclure

Ce qu’elle permet de conclure

Les informations liées à la VFC et les modèles testés ne se sont pas généralisés aux personnes inconnues dans les 3 cohortes CASE, AMIGOS et DEAP
L’inclusion d’ECG et de PPG n’a pas permis, dans les mêmes conditions d’analyse, une prédiction de valence utile en pratique
Un produit qui attribue un nom d’émotion à partir de la VFC seule doit être considéré avec prudence

Ce qu’elle ne permet pas de conclure

Elle ne prouve pas que la VFC ne contient aucune information liée à l’émotion
Elle ne prouve pas que d’autres caractéristiques, de futurs modèles de fondation ou de plus grands jeux de données échoueront
Elle n’exclut pas une estimation au sein d’une même personne combinant historique personnel, respiration, mouvement, voix, contexte et auto-évaluation
Elle ne signifie pas non plus que la VFC ne puisse fournir aucun indice pour réfléchir à des états physiologiques tels que sommeil, récupération ou stress

Un échec de prédiction est un résultat important

En recherche sur l’IA, montrer dans quelles conditions un modèle ne se généralise pas est aussi important que rapporter une grande précision. Des limites claires évitent des affirmations excessives et précisent les données nécessaires à l’étape suivante.

Quelles validations faut-il ensuite ?

Agrandir uniquement le modèle ne suffit pas. Il faut vérifier, dans cet ordre :

suivre les mêmes personnes sur une longue durée et apprendre les changements par rapport à leur niveau personnel habituel ;
enregistrer simultanément le contexte qui modifie la VFC : sommeil, respiration, mouvement, heure et caféine ;
recueillir au moment de la mesure une auto-évaluation telle que « agréable/désagréable » ;
réévaluer les performances sur des personnes, appareils et environnements absents de l’apprentissage ;
publier non seulement la précision, mais aussi la calibration, les échecs et l’incertitude.

Comment cela influence-t-il la conception de Feelmo ?

Feelmo résume sur l’appareil, par un traitement propriétaire, les informations disponibles liées à la VFC et l’historique personnel sous forme d’un affichage rétrospectif. Les détails ne sont pas publics. Feelmo ne déduit pas directement une émotion précise à partir de la VFC.

Un affichage d’IA ne doit pas passer avant le ressenti de la personne. Feelmo n’impose pas un nom d’émotion comme une vérité ; son affichage peut inviter la personne à vérifier elle-même son vécu et son contexte.

Ressources de recherche

Analyse interne : Paper 1 (non évalué, avant publication générale). Le code d’analyse et les résultats intermédiaires individuels ne seront pas publiés avant la fin des audits de reproductibilité, de licence et de confidentialité
CASE : Sharma K, et al. A dataset of continuous affect annotations and physiological signals for emotion analysis. Scientific Data. 2019. doi:10.1038/s41597-019-0209-0
AMIGOS : Miranda-Correa JA, et al. AMIGOS: A Dataset for Affect, Personality and Mood Research on Individuals and Groups. IEEE Transactions on Affective Computing. 2021. doi:10.1109/TAFFC.2018.2884461
DEAP : Koelstra S, et al. DEAP: A Database for Emotion Analysis Using Physiological Signals. IEEE Transactions on Affective Computing. 2012. doi:10.1109/T-AFFC.2011.15
Revue sur la VFC et les émotions : Kreibig SD. Autonomic nervous system activity in emotion: A review. Biological Psychology. 2010. doi:10.1016/j.biopsycho.2010.03.010

※ Cette recherche interne ne valide pas l’efficacité de l’application Feelmo.