CAN-STRESS: A Real-World Multimodal Dataset for Understanding Cannabis Use, Stress, and Physiological Responses

Cet article présente la publication du jeu de données CAN-STRESS, un ensemble multimodal réel recueilli auprès de 82 participants via des bracelets Empatica E4 et des enquêtes, conçu pour étudier les réponses physiologiques au stress et l'impact de la consommation de cannabis dans la vie quotidienne.

L'essentiel

🌿 Le Projet CAN-STRESS : Un Détective dans le Poignet

Imaginez que vous voulez comprendre pourquoi certaines personnes utilisent du cannabis pour gérer leur stress. Jusqu'à présent, les scientifiques faisaient comme des chefs cuisiniers dans une cuisine fermée : ils invitaient des gens dans un laboratoire, leur donnaient du cannabis et mesuraient leur cœur. C'est propre et contrôlé, mais ce n'est pas la vraie vie ! Dans la vraie vie, on est stressé par le trafic, on court pour prendre le bus, et on dort mal.

L'équipe derrière CAN-STRESS a décidé de changer de décor. Au lieu d'un laboratoire, ils ont emmené leurs "détectives" (des bracelets connectés) directement dans la rue, chez les gens, pour observer comment leur corps réagit au quotidien.

1. La Mission : Comparer deux équipes

L'objectif était de voir la différence entre deux groupes de personnes :

• L'équipe "Fumeurs" : Des utilisateurs réguliers de cannabis (au moins 4 fois par semaine).
• L'équipe "Non-Fumeurs" : Des gens qui n'en ont presque jamais consommé.

Ils ont demandé à 82 volontaires (39 fumeurs et 43 non-fumeurs) de porter un bracelet spécial (la marque Empatica E4) pendant 24 heures. C'est un peu comme si on leur avait donné un stéthoscope numérique qui écoute tout ce que fait leur corps, même quand ils ne s'en rendent pas compte.

2. Les Deux Types de Preuves

Pour comprendre l'histoire complète, les chercheurs ont collecté deux sortes d'informations, comme un détective qui croise les témoignages et les preuves matérielles :

• Les "Carnets de Notes" (Ce que les gens disent) :
  Les participants devaient noter dans une application :

  • Quand ils dormaient et se réveillaient.
  • Quand ils fumaient du cannabis (début et fin).
  • Quand ils faisaient du sport.
  • Le niveau de stress (de 1 à 10) à ces moments précis. C'est comme demander : "À quel point vous sentez-vous tendu là, tout de suite ?"

• Les "Signaux du Corps" (Ce que le bracelet enregistre) :
  Le bracelet ne ment pas. Il enregistre en continu :

  • La transpiration de la peau (EDA) : Même si vous ne transpirez pas, votre peau change de conductivité quand vous êtes stressé ou excité. C'est comme un thermomètre des émotions.
  • Le cœur (Fréquence cardiaque) : La vitesse à laquelle il bat.
  • La température de la peau.
  • Les mouvements : Est-ce que vous marchez, courez ou restez assis ?

3. La Grande Découverte : Le corps ne ment pas

En analysant toutes ces données, les chercheurs ont vu des différences frappantes entre les deux équipes :

• Les fumeurs de cannabis semblaient avoir plus de stress (selon leurs propres dires) et leur corps montrait des signes de tension plus forts (cœur plus rapide, peau plus "électrique").
• C'est un peu comme si le corps des fumeurs était un moteur qui tourne plus vite même au ralenti, comparé à celui des non-fumeurs.

4. L'Intelligence Artificielle au Service de la Science

Pour prouver que ces données étaient utiles, les chercheurs ont entraîné un robot (une intelligence artificielle) à deviner si une personne était fumeur ou non, uniquement en regardant les données de son bracelet.

• Le résultat ? Le robot a eu raison 96 % du temps ! C'est comme un détective qui devine votre métier en écoutant juste le bruit de vos pas.
• Comment ? Le robot a appris que les signaux du cœur et de la peau (stress) étaient les indices les plus importants. C'est logique : quand on est stressé, le cœur s'emballe et la peau réagit.

Pourquoi est-ce important ?

Avant, on ne savait pas vraiment comment le cannabis affectait le stress dans la vraie vie. Maintenant, avec ce jeu de données (appelé CAN-STRESS), les chercheurs du monde entier peuvent :

1. Comprendre comment le cannabis aide (ou nuit) à gérer le stress au quotidien.
2. Créer de meilleurs outils de santé pour aider les gens.
3. Développer des montres connectées qui pourraient détecter le stress ou l'usage de substances sans que l'utilisateur ait à le dire.

En résumé :
Cette étude a pris le stress et le cannabis hors du laboratoire pour les observer dans leur habitat naturel. Grâce à des bracelets connectés et un peu d'intelligence artificielle, ils ont prouvé que le corps parle un langage que nous commençons enfin à comprendre, même quand nous ne le disons pas à voix haute.

Résumé technique

Voici un résumé technique détaillé de l'article scientifique "CAN-STRESS: A Real-World Multimodal Dataset for Understanding Cannabis Use, Stress, and Physiological Responses", rédigé en français.

1. Problématique et Contexte

La gestion du stress est l'une des raisons les plus fréquemment citées pour la consommation chronique de cannabis. L'hypothèse centrale de l'étude est que les utilisateurs de cannabis présentent des réponses physiologiques au stress distinctes par rapport aux non-utilisateurs, particulièrement lors de la consommation.

Cependant, la littérature scientifique souffre d'un manque de données publiques permettant de tester ces hypothèses dans des conditions réelles (écologiques). La majorité des études existantes sont menées en laboratoire, ce qui limite leur validité écologique et ne capture pas les nuances des interactions entre le stress, le contexte environnemental et la consommation de cannabis au quotidien. L'objectif est donc de combler ce vide par une collecte de données en milieu naturel.

2. Méthodologie et Collecte de Données

A. Le Dataset CAN-STRESS

L'article présente la création et la publication du dataset CAN-STRESS, un ensemble de données multimodales recueilli dans un cadre naturel.

• Participants : 82 individus (39 utilisateurs de cannabis et 43 non-utilisateurs).
  • Critères d'inclusion : Les utilisateurs consomment quotidiennement ou presque (≥ 4 fois/semaine depuis un an). Les non-utilisateurs ont consommé moins de 10 fois dans leur vie et aucune fois l'année dernière.
  • Exclusions : Troubles neurologiques, psychotiques, autisme, trouble bipolaire I, consommation lourde d'alcool, usage récent de drogues illicites, nicotine ou corticostéroïdes.
• Matériel : Port de bracelets connectés Empatica E4 pendant 24 heures.
• Modalités de données :
  1. Données physiologiques (capteurs E4) :
     • Activité Électrodermale (EDA) : 4 Hz (conductance de la peau, liée au stress).
     • Volume de sang (BVP) : 64 Hz (dérivé pour la fréquence cardiaque et l'intervalle interbattement).
     • Accéléromètre (ACC) : 32 Hz (mouvement triaxial).
     • Température corporelle (TEMP) : 4 Hz.
  2. Données auto-rapportées (Questionnaire) :
     • Journal numérique incluant les horaires de sommeil, les moments de consommation de cannabis, l'activité physique et des notes de stress perçu (échelle 1-10) à des moments clés.

B. Traitement et Analyse

• Prétraitement : Les données ont été segmentées par fenêtres glissantes de 15 minutes avec un chevauchement de 50%. Seules les données des heures d'éveil ont été conservées pour éviter les biais liés au sommeil.
• Extraction de caractéristiques : 31 caractéristiques physiologiques ont été extraites (moyennes, écarts-types, pics, composantes toniques/phasiques de l'EDA, variabilité de la fréquence cardiaque - HRV, etc.) en utilisant la bibliothèque NeuroKit2.
• Approche d'apprentissage automatique :
  • Tâche : Classification binaire (Utilisateur vs Non-utilisateur).
  • Architecture : Perceptron multicouche (MLP) avec trois couches cachées (128, 64, 32 neurones), normalisation par lots (Batch Norm), activation ReLU et dropout (0.2).
  • Stratégie d'évaluation : Validation croisée "Leave-One-Subject-Out" (un sujet en test, les autres en entraînement).
  • Personnalisation : Une approche de transfer learning a été appliquée : le modèle pré-entraîné a été affiné (fine-tuning) sur 50 % des données du sujet test, puis évalué sur les 50 % restants.

3. Résultats Principaux

A. Analyses Descriptives

Les analyses statistiques montrent des différences significatives entre les deux groupes :

• Les utilisateurs de cannabis rapportent des niveaux de stress perçu plus élevés.
• Ils présentent une activité électrodermale (EDA) et une fréquence cardiaque (HR) moyennes plus élevées que les non-utilisateurs sur la période de 24 heures.

B. Performance de Classification

Le modèle de machine learning a démontré une capacité élevée à distinguer les utilisateurs des non-utilisateurs :

• Précision (Accuracy) : ~96 % sur les données de test.
• Score F1 : ~98 %.
• Rappel (Recall) : 100 % (le modèle identifie correctement tous les utilisateurs).
• Précision (Precision) : ~97,8 %.

C. Importance des Caractéristiques (SHAP)

L'analyse SHAP (Shapley Additive Explanations) a révélé les facteurs les plus influents pour la prédiction :

1. Activité Électrodermale (EDA) : Les métriques de conductance de la peau (moyenne, minimum, maximum, composante phasique) sont les prédicteurs dominants.
2. Fréquence Cardiaque (HR) : La fréquence cardiaque maximale (hr_max) et les métriques de variabilité (HRV) comme RMSSD et SDNN sont également cruciales.
   Ces résultats confirment que les marqueurs physiologiques du stress (EDA et HR) diffèrent fondamentalement entre les deux groupes.

4. Contributions Clés

1. Publication d'un Dataset Public : Mise à disposition gratuite du dataset CAN-STRESS (via Zenodo), contenant des données multimodales synchronisées (capteurs + auto-rapports) d'un grand nombre de participants en conditions réelles.
2. Validation Écologique : Démonstration que les effets physiologiques du cannabis et du stress peuvent être capturés et analysés en dehors du laboratoire, offrant une validité écologique supérieure aux études traditionnelles.
3. Ligne de Base (Baseline) ML : Établissement d'une référence de performance (96% de précision) pour la classification des utilisateurs de cannabis basée sur des données physiologiques portables, servant de point de départ pour la recherche future.
4. Analyse de l'Importance des Signaux : Identification claire du rôle prépondérant de l'EDA et de la HR dans la différenciation des profils physiologiques liés au cannabis.

5. Signification et Impact

Ce travail est significatif car il fournit une ressource robuste pour étudier les corrélats physiologiques de la consommation de cannabis et de la régulation du stress dans la vie quotidienne.

• Recherche Clinique et Santé Publique : Permet de mieux comprendre comment le cannabis affecte la régulation du stress à long terme, éclairant ainsi les politiques de santé et les décisions individuelles.
• Innovation Technologique : Prouve la faisabilité de l'utilisation de dispositifs portables (wearables) et de l'apprentissage automatique pour la surveillance passive de la santé comportementale.
• Applications Futures : Le dataset ouvre la voie à des recherches sur la détection d'épisodes de consommation, la reconnaissance d'activités, et le diagnostic médical assisté par l'IA dans des environnements naturels.

En résumé, CAN-STRESS représente une avancée majeure pour la recherche translationnelle sur le cannabis, en passant d'un cadre contrôlé à une compréhension dynamique et écologique des interactions entre substance, stress et physiologie.