PAMG-AT: A Physiological Attention Multi-Graph Model with Adaptive Topology for Stress Detection using Wearable Devices

Cette étude présente PAMG-AT, un modèle hiérarchique de graphes neuronaux interprétable qui détecte le stress avec une haute précision en exploitant les relations physiologiques entre les signaux portés par des dispositifs corporels, tout en offrant des insights cliniques sur les variations individuelles.

L'essentiel

🧠 Le Projet : "PAMG-AT", le Détective du Stress

Imaginez que votre corps est une orchestre symphonique complexe. Quand vous êtes stressé, ce n'est pas juste un instrument qui joue faux ; c'est tout l'orchestre qui change de rythme. Le cœur bat plus vite, la peau devient moite, la respiration s'accélère et la température change.

Le but de cette étude est de créer un chef d'orchestre numérique (une intelligence artificielle) capable d'écouter ces instruments pour dire : "Attention, l'orchestre joue une symphonie de stress !"

Jusqu'à présent, les méthodes classiques écoutaient chaque instrument séparément (le cœur ici, la peau là), ce qui manquait la magie de l'ensemble. Les nouvelles méthodes "boîte noire" (comme les réseaux de neurones profonds) écoutaient tout, mais personne ne comprenait pourquoi elles prenaient telle ou telle décision.

PAMG-AT, c'est la nouvelle approche. C'est comme si on donnait au chef d'orchestre une partition intelligente qui lui montre non seulement les notes, mais aussi comment les musiciens se parlent entre eux.

---

🕸️ Comment ça marche ? (L'analogie du Réseau de Routes)

Au lieu de traiter les données comme une liste de chiffres, les chercheurs ont construit un réseau routier virtuel :

1. Les Nœuds (Les Villes) : Chaque mesure (battement de cœur, conductance de la peau, respiration) est une ville.
2. Les Routes (Les Connexions) : Au lieu de laisser les villes isolées, on trace des routes entre elles basées sur la science. Par exemple, on sait que le stress fait accélérer le cœur et la transpiration en même temps. Donc, on construit une autoroute directe entre la "Ville Cœur" et la "Ville Peau".
3. Le Trafic (L'Attention) : C'est là que la magie opère. Le modèle utilise un système de "feux de circulation intelligents" (l'attention). Il décide quelle route est la plus importante à ce moment précis.
   • Exemple : Si le modèle voit que la route entre le Cœur et la Peau est très fréquentée, il se dit : "Ah ! C'est le signe typique du stress !"

📱 Les Trois Types de Capteurs (Les Outils du Détective)

Les chercheurs ont testé leur détective avec trois types d'équipements, comme un détective qui essaie différents outils :

• 👕 Le Gilet de Laboratoire (Capteurs Thoraciques) : C'est l'outil le plus précis, comme un stéthoscope de haute technologie posé sur la poitrine. Il capte tout avec une précision chirurgicale.
  • Résultat : Il a été excellent (94,6% de réussite). C'est le champion de la précision, mais c'est lourd et inconfortable pour le quotidien.
• ⌚ La Montre Connectée (Capteurs Poignet) : C'est l'outil du grand public, comme une Apple Watch ou une Fitbit. Il est moins précis car le poignet bouge beaucoup et la peau est plus loin des organes vitaux.
  • Résultat : Étonnamment, il a très bien réussi (91,8% de réussite). Cela prouve qu'on peut détecter le stress avec nos montres actuelles, même si ce n'est pas parfait.
• 🔄 Le Duo (Hybride) : On a essayé de combiner le gilet et la montre, pensant que "deux vaut mieux qu'un".
  • Le Twist : Résultat inattendu ! Le duo n'a pas été meilleur que le gilet seul. Parfois, ajouter trop d'informations crée du "bruit" (comme essayer de parler à deux personnes qui crient en même temps). Le gilet seul suffisait déjà.

🔍 Ce que le Modèle a "Appris" (La Révélation)

Le plus beau de ce projet, c'est qu'il est transparent. Contrairement aux boîtes noires, on peut regarder les "feux de circulation" pour voir ce que le modèle a pensé.

• La Découverte : Le modèle a appris que le lien le plus important pour détecter le stress est la connexion entre le Cœur (ECG) et la Peau (EDA).
• L'Analogie : C'est comme si le modèle disait : "Quand le cœur s'emballe ET que la peau devient moite en même temps, c'est 100% du stress !" Cela confirme ce que les médecins savent depuis longtemps : le stress attaque le corps par deux fronts simultanés.

🎭 Le Cas des "Stressés Silencieux"

L'étude a aussi découvert quelque chose d'intéressant sur certaines personnes (S2, S3, S9). Pour eux, le détective s'est trompé plus souvent.

• Pourquoi ? Ce sont des gens qui, même quand ils sont très stressés psychologiquement, ne montrent pas de signes physiques forts (leur cœur ne bat pas plus vite, ils ne transpirent pas). On les appelle des "répondeurs faibles".
• L'Enseignement : Cela nous apprend qu'une montre connectée ne peut pas tout détecter. Pour certaines personnes, le stress est invisible aux capteurs. Il faudra peut-être d'autres méthodes pour les aider.

🏁 En Résumé

Cette étude nous dit trois choses importantes :

1. On peut faire de l'intelligence artificielle qui explique ses choix. Au lieu de dire "C'est du stress" sans raison, on peut dire "C'est du stress parce que le cœur et la peau sont connectés".
2. Nos montres connectées sont assez bonnes pour surveiller le stress au quotidien, même si elles ne sont pas aussi précises que les machines de labo.
3. Parfois, moins c'est mieux. Ajouter plus de capteurs ne garantit pas une meilleure détection ; il faut choisir les bons outils.

C'est un grand pas vers des systèmes de santé numériques qui ne sont pas seulement intelligents, mais aussi compréhensibles et fiables pour les médecins et les patients.

Résumé technique

1. Problématique et Contexte

La détection du stress via des capteurs physiologiques portables est un enjeu majeur pour la santé numérique et l'informatique affective. Cependant, les approches actuelles présentent deux limites fondamentales :

• Manque de modélisation des interactions : Les techniques d'apprentissage automatique conventionnelles traitent souvent les signaux physiologiques (ECG, EDA, respiration, etc.) de manière isolée, ignorant les connexions complexes et les couplages physiologiques inhérents à la réponse au stress.
• Opacité des modèles (Boîte noire) : Bien que les réseaux de neurones profonds (Deep Learning) offrent une haute précision, ils fonctionnent comme des « boîtes noires », offrant peu d'explications sur les processus physiologiques sous-jacents aux prédictions. Cela limite leur adoption clinique où l'interprétabilité est cruciale.

L'objectif de cette étude est de combler ces lacunes en développant un modèle capable de capturer explicitement les relations inter-signaux tout en restant interprétable, sans sacrifier la performance prédictive.

2. Méthodologie : L'Architecture PAMG-AT

Les auteurs proposent PAMG-AT (Physiological Attention Multi-Graph with Adaptive Topology), une architecture de réseau de neurones graphiques (GNN) hiérarchique conçue spécifiquement pour la détection du stress multimodale.

A. Construction du Graphes Guidée par la Connaissance

Contrairement aux approches purement basées sur les données, la structure du graphe est définie par des connaissances physiologiques :

• Nœuds : Chaque caractéristique physiologique extraite (ex: RMSSD, conductance de la peau) est un nœud.
• Arêtes Intra-signal : Les caractéristiques d'un même signal (ex: les 19 features ECG) forment un sous-graphe complet, reflétant leur origine commune.
• Arêtes Inter-signal : Des connexions sont établies entre différents signaux basées sur des mécanismes physiologiques connus :
  • ECG ↔ EDA : Couplage sympathique (activation simultanée du cœur et des glandes sudoripares).
  • ECG ↔ Respiration : Arythmie sinusoïdale respiratoire (RSA).
  • EDA ↔ Température : Thermorégulation et vasoconstriction.
  • EMG ↔ Respiration : Coordination musculaire.
• Fusion Hybride : Pour les configurations combinant poignet et torse, des arêtes transversales relient les signaux correspondants (ex: ECG thoracique ↔ BVP poignet).

B. Architecture Hiérarchique à Trois Niveaux

Le modèle intègre trois mécanismes d'attention distincts :

1. Encodage Spatial (GAT) : Utilisation de Graph Attention Networks (GATv2) pour apprendre l'importance des relations entre les nœuds.
   • Niveau 1 (Intra-signal) : Attention au sein de chaque groupe de signaux.
   • Niveau 2 (Inter-signal) : Attention entre les systèmes physiologiques différents, permettant d'identifier quels couplages sont les plus prédictifs du stress.
2. Modélisation Temporelle (Transformer) : Les embeddings des fenêtres temporelles (10 secondes) sont séquencés (5 fenêtres consécutives = 50 secondes) et traités par un encodeur Transformer pour capturer la dynamique de l'évolution du stress (début, plateau, récupération).
3. Classification : Un perceptron multicouche (MLP) finalise la classification binaire (Stress / Non-stress).

C. Protocole d'Évaluation

• Dataset : WESAD (15 participants, capteurs RespiBAN au torse et Empatica E4 au poignet).
• Validation : Leave-One-Subject-Out (LOSO), considérée comme le standard-or pour garantir la généralisation à de nouveaux sujets (évitant le surapprentissage sur l'identité des sujets).
• Configurations : Torse uniquement, Poignet uniquement, et Hybride.

3. Contributions Clés

1. Construction de graphes basée sur la connaissance : Intégration explicite des mécanismes physiologiques (couplage cardiaque-électrodermique, etc.) dans la topologie du graphe.
2. Architecture hiérarchique : Séparation de l'attention spatiale (interactions de signaux) et temporelle (évolution dans le temps) pour une modélisation multiscale.
3. Interprétabilité par l'attention : Les poids d'attention appris révèlent quelles relations physiologiques le modèle juge importantes, offrant une transparence clinique.
4. Analyse des « Low-Responders » : Identification de sujets présentant une réponse physiologique atténuée au stress, un phénomène clinique souvent ignoré par les métriques globales.
5. Validation rigoureuse : Évaluation complète sur trois configurations de capteurs avec une validation LOSO stricte.

4. Résultats

Le modèle a été évalué sur le dataset WESAD avec une validation LOSO (15 plis) :

• Performance Globale :

  • Torse uniquement : 94,59 % de précision (±6,8 %), F1-score de 91,10 %. C'est une performance compétitive, très proche de l'état de l'art (95,21 %), mais avec l'avantage de l'interprétabilité.
  • Poignet uniquement : 91,76 % de précision (±9,2 %). Démontrant la faisabilité d'une détection clinique sur des appareils grand public (montres connectées).
  • Hybride (Torse + Poignet) : 92,80 % de précision. Curieusement, cette configuration n'a pas surpassé le torse seul, suggérant que l'ajout de données bruyantes du poignet peut introduire de la redondance ou du bruit.

• Analyse par Sujet :

  • Trois sujets (S2, S3, S9) ont montré des performances nettement inférieures (81-87 %). L'analyse des signaux bruts a confirmé qu'il s'agissait de « low-responders » (réponses physiologiques atténuées au stress), un défi majeur pour la détection automatique.

• Analyse d'Interprétabilité (Poids d'Attention) :

  • Le couplage ECG ↔ EDA a reçu le poids d'attention le plus élevé (0,18), confirmant que l'activation sympathique simultanée du cœur et de la conductance cutanée est le marqueur le plus prédictif.
  • Le couplage ECG ↔ Respiration (0,15) et EDA ↔ Température (0,12) suivent, validant la cohérence physiologique du modèle.

5. Signification et Impact

• Équilibre Performance-Interprétabilité : PAMG-AT démontre qu'il est possible d'atteindre des niveaux de précision proches des modèles « boîte noire » tout en fournissant des explications physiologiques claires, un atout crucial pour l'adoption clinique.
• Déploiement Grand Public : La forte performance sur les capteurs de poignet (91,76 %) valide l'utilisation de wearables grand public pour la surveillance du stress en temps réel, au-delà des environnements de laboratoire.
• Insights Cliniques : La capacité du modèle à identifier les « low-responders » ouvre la voie à des stratégies de gestion du stress personnalisées, reconnaissant que les approches standard peuvent échouer chez certains individus.
• Fusion de Capteurs : L'étude remet en question l'hypothèse selon laquelle « plus de capteurs = meilleure performance », montrant que la fusion naïve peut dégrader les résultats si les signaux supplémentaires ne sont pas pertinents ou sont trop bruyants.

En conclusion, PAMG-AT représente une avancée significative vers des systèmes de détection du stress fiables, interprétables et cliniquement pertinents, en combinant l'apprentissage profond avec la connaissance physiologique experte.