🧬 biology

NDPAI: Neuroscience-Derived Predictive Active Inference for Calibrated Cross-Subject Wearable Stress Detection

Cette étude introduit NDPAI, un cadre d'inférence active inspiré des neurosciences qui parvient à une détection du stress par dispositif prêt-à-porter compétitive entre les sujets tout en offrant une calibration de probabilité supérieure, une prise de décision interprétable et une efficacité computationnelle adaptative grâce à une architecture à double voie régie par le routage de l'énergie libre variationnelle.

Auteurs originaux : Lamia Islam

Publié 2026-07-06

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Lamia Islam

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Ceci est une explication générée par l'IA d'un preprint qui n'a pas été évalué par des pairs. Ce n'est pas un avis médical. Ne prenez pas de décisions de santé basées sur ce contenu. Lire la clause de non-responsabilité complète

L'idée principale : Une « montre intelligente » qui réfléchit comme un cerveau

Imaginez que vous portez une montre connectée qui surveille votre stress. La plupart des montres actuelles utilisent un simple « reconnaissance de formes ». Elles regardent votre rythme cardiaque et votre transpiration, les comparent à une immense liste d'exemples déjà vus, et disent : « Cela ressemble à du stress ».

Le problème est que le corps de chaque personne est différent. Ce qui ressemble à du stress pour une personne peut être simplement de l'exercice pour une autre. De plus, ces montaches ne peuvent généralement pas dire : « Je ne suis pas sûr de moi » ou « J'ai besoin de réfléchir davantage à cela ».

Ce papier présente un nouveau système appelé NDPAI. Au lieu de simplement reconnaître des formes, le NDPAI tente de simuler le fonctionnement du cerveau humain pour comprendre le stress. Il utilise une théorie appelée le « Principe de l'énergie libre », qui stipule essentiellement que le cerveau essaie constamment de prédire ce qui va se passer ensuite et n'accorde son attention que lorsque quelque chose le surprend.

Comment ça marche : La « voie rapide » et la « voie lente »

Les auteurs ont conçu le NDPAI avec deux « voies de pensée », inspirées de la façon dont notre cerveau gère l'information :

L'« Amygdale » (Voie rapide) :
- Analogie : Considérez cela comme votre réaction instinctive. Si vous voyez un serpent, vous reculez immédiatement sans réfléchir.
- Dans le système : Lorsque la montre détecte un signal normal et prévisible (comme un rythme cardiaque régulier), elle utilise cette voie rapide et simple. Elle fait une estimation rapide de votre niveau de stress. C'est peu coûteux et rapide.
Le « Cortex » (Voie lente) :
- Analogie : Considérez cela comme un détective qui sort une loupe. Si vous voyez quelque chose d'étrange qui ne correspond pas à votre théorie du « serpent », vous vous arrêtez et analysez la situation attentivement.
- Dans le système : Si le signal est déroutant ou surprenant (score de « surprise » élevé), le système passe à cette voie lente et complexe. Il effectue un calcul plus approfondi pour comprendre ce qui se passe.

L'interrupteur magique : Le système décide quelle voie utiliser en fonction d'un « Compteur de Surprise ». Si les données sont banales, il reste sur la Voie Rapide. Si les données sont bizarres, il bascule sur la Voie Lente. Cela permet d'économiser la batterie et la puissance de calcul car il ne fait le travail difficile que lorsqu'il est absolument nécessaire.

L'expérience : Le « Test à l'aveugle »

Pour voir si cela fonctionne, les chercheurs ont testé le système sur un ensemble de données célèbre appelé WESAD. Cet ensemble contient des enregistrements de 15 personnes différentes soumises à trois scénarios :

Neutre : Assise tranquillement.
Stress : Un test de prise de parole en public et des problèmes mathématiques.
Amusement : Regarder des vidéos amusantes.

La règle stricète : Les chercheurs ont utilisé un test de type « Leave-One-Subject-Out » (laisser un sujet de côté). Cela signifie qu'ils ont entraîné l'IA sur 14 personnes, puis ont essayé de deviner les niveaux de stress de la 15ème personne qu'elle n'avait jamais vue auparavant. Ils ont fait pivoter ce processus pour que chaque personne ait eu son tour en tant qu'« étranger ». C'est un test très difficile car il force l'IA à généraliser, plutôt qu'à simplement mémoriser le corps spécifique d'une personne.

Les résultats : Qu'est-ce qui s'est passé ?

Précision : Le nouveau système (NDPAI) a obtenu environ 60 % de réussite. Le meilleur système traditionnel (XGBoost) a obtenu environ 64 % de réussite.
- À retenir : Le nouveau système inspiré du cerveau était statistiquement comparable au meilleur ancien système. Il n'a pas gagné par une large marge, mais il n'a pas perdu non plus.
Le facteur d'« Honnêteté » (Calibration) : C'est là que le NDPAI excelle.
- Analogie : Imaginez deux prévisionnistes météo. Le prévisionniste A dit : « Il va pleuvoir », avec 99 % de confiance, mais il fait beau. Le prévisionniste B dit : « Il se pourrait qu'il pleuve », avec 60 % de confiance, et il finit par pleuvoir. Le prévisionniste B est plus « calibré » (plus honnête).
- Le résultat : Avant correction, le NDPAI était trop confiant (comme le prévisionniste A). Mais après une simple manipulation mathématique (appelée « mise à l'échelle de température »), le NDPAI est devenu beaucoup plus honnête sur sa propre confiance que le système traditionnel. Il savait quand il n'était pas sûr de lui.
Efficacité : Parce que le NDPAI n'utilise la « Voie Lente » que pendant environ 3,4 % du temps, il a économisé 77 % de la puissance de calcul par rapport à une exécution constante de la « Voie Lente ».
Conseils exploitables : Contrairement aux autres systèmes qui disent simplement « Stress » ou « Pas de stress », le NDPAI donne une direction :
- Maintenir : Continuer la surveillance telle quelle.
- Escalader : Quelque chose s'aggrave ; portez une attention accrue.
- Désescalader : Vous vous calmez ; vous pouvez réduire la surveillance.

Les limites (La partie « Honnête »)

Le papier est très ouvert sur les échecs du système :

Les « Sujets Difficiles » : Il y avait trois personnes dans le test (S2, S8, S14) que tous les systèmes ont échoué à lire correctement, y compris les systèmes traditionnels.
- Pourquoi ? Pour ces personnes spécifiques, les capteurs de sueur (EDA) étaient presque plats et ne changeaient pas entre le stress et le calme. C'est comme essayer de deviner la météo en regardant un ciel sec et vide. Aucune mathématique intelligente ne peut corriger de mauvaises données.
Le bug du « Compteur de Surprise » : Le « Compteur de Surprise » (VFE) était efficace pour décider quand changer de voie à un instant T, mais il était mauvais pour détecter si une personne entière était « bizarre ». Il ne pouvait pas faire la différence entre une personne « normale » et l'un de ces « sujets difficiles » simplement en regardant le score de surprise.

Résumé

Ce papier propose une nouvelle façon de construire des moniteurs de stress qui agit davantage comme un cerveau humain : en utilisant des instincts rapides pour les situations normales et une réflexion profonde uniquement quand les choses deviennent étranges.

Est-ce que cela a fonctionné ? Oui, il a performé aussi bien que les meilleures méthodes existantes.
Est-ce mieux ? C'est bien meilleur pour savoir quand il n'est pas sûr de lui (calibration) et cela donne des conseils plus utiles (escalader/désescalader).
Est-ce parfait ? Non. Le système a du mal avec les personnes dont le corps ne montre pas de signaux de stress clairs, et il nécessite plus de tests sur des données réelles et désordonnées avant de pouvoir être utilisé dans les hôpitaux ou sur votre poignet.

Les auteurs concluent qu'il s'agit d'une preuve de concept. Cela montre que l'IA de type « cerveau » est une voie viable, mais que ce n'est pas encore un produit fini prêt à être vendu en magasin.

Résumé Technique : NDPAI pour la détection du stress par capteurs portables calibrée entre sujets

Problématique
Le suivi continu du stress via des dispositifs portables fait face à trois limitations structurelles persistantes dans la littérature actuelle : (1) une faible généralisation inter-sujets sous évaluation stricte de type « leave-one-subject-out » (LOSO) en raison de la variabilité physiologique interindividuelle ; (2) une absence de quantification principled de l'incertitude, où la plupart des classifieurs fournissent des prédictions ponctuelles sans mécanisme pour signaler la fiabilité ou les entrées hors distribution (OOD) ; et (3) le traitement du stress comme un événement au niveau de la fenêtre plutôt que comme un état psychophysiologique soutenu. De plus, les approches génératives existantes manquent souvent d'un mécanisme fondé sur des principes pour coupler l'inférence à la sélection d'actions prospectives sous incertitude, et aucun travail antérieur n'a appliqué le cadre de l'inférence active — spécifiquement la minimisation de l'Énergie Libre Attendue (EFE) avec routage par double voie — à la surveillance physiologique continue sous des conditions LOSO strictes.

Méthodologie
Le document propose l'architecture Neuroscience-Derived Predictive Active Inference (NDPAI), un cadre génératif fondé sur le Principe de l'Énergie Libre (FEP) et les neurosciences cognitives du double processus. Le système opère sur le benchmark multimodal WESAD (15 participants, signaux ECG et EDA) utilisant un vecteur de caractéristiques à 12 dimensions dérivé de statistiques de niveau de tension brut (moyenne, variance, étendue et différences de premier ordre) sans détection de l'onde R ni décomposition spectrale.

Le cœur de NDPAI est une conception à double voie motivée par la biologie :

Modèle Génératif : Un modèle gaussien multivarié conditionnel à une classe (avec covariance diagonale) est ajusté sur les données d'entraînement pour représenter la vraisemblance des observations physiologiques compte tenu des états affectifs cachés (Base, Stress, Amusement).
Routage par Porte VFE : Pour chaque fenêtre d'observation, un score de l'Énergie Libre Variationnelle (VFE) est calculé. Ce score agit comme un signal de « surprise » intrinsèque au modèle.
- Voie de l'Amygdale (Rapide) : Si la VFE est inférieure à un seuil dérivé de l'entraînement, la fenêtre est dirigée vers une voie de minimisation de l'EFE à étape unique et rapide. Cette voie supprime le terme épistémique (réduction de l'incertitude), opérant avec un horizon de planification de $H=1$ .
- Voie du Cortex (Délibérative) : Si la VFE dépasse le seuil, la fenêtre est dirigée vers une voie plus lente effectuant une minimisation de l'EFE multi-étapes ( $H=2$ ) avec un terme épistémique actif, permettant une analyse de l'incertitude plus profonde.
Sélection d'Action : Contrairement aux classifieurs discriminants, NDPAI produit des avis de surveillance directionnels : Maintenir, Escalader ou Désescalader. Ceux-ci sont dérivés de la minimisation de l'EFE, qui équilibre la divergence par rapport aux états préférés (valeur pragmatique) et le gain d'information anticipé (valeur épistémique). Dans cette implémentation, un a priori de préférence uniforme est utilisé, rendant la sélection d'action principalement pilotée par la minimisation de l'ambiguïté.
Calibration : Une mise à l'échelle de température par Leave-One-Fold-Out (LOO) post-hoc est appliquée pour corriger l'excès de confiance inhérent aux posteriors gaussiens diagonaux.

Contributions Clés

Première application de l'inférence active dans ce domaine : NDPAI est la première architecture appliquant l'inférence active basée sur l'EFE avec un routage par double voie à la surveillance continue du stress physiologique sous validation croisée LOSO stricte sur le benchmark WESAD.
Calibration de probabilité supérieure : Grâce à la mise à l'échelle de température LOO, NDPAI a réduit son Erreur de Calibration Attendue (ECE) de 0,319 à 0,056. Cela surpasse le principal baseline discriminatif, XGBoost (ECE = 0,128), établissant la sortie probabiliste calibrée comme une force primaire de l'approche générative.
Précision compétitive avec efficacité computationnelle : NDPAI (Double Voie) a atteint une précision équilibrée moyenne de 60,3 %, statistiquement comparable à XGBoost (64,4 %) via un test de Wilcoxon apparié. Crucialement, le routage par porte VFE a réduit les coûts de calcul de l'EFE de 77 % (seulement 3,4 % des fenêtres nécessitant un traitement cortical délibératif) tout en maintenant des performances compétitives.
Sorties d'action interprétables : Le modèle génère des avis directionnels cliniquement interprétables (Maintenir, Escalader, Désescalader), une capacité absente des standards baselines discriminants.
Comptabilité empirique honnête : L'étude documente explicitement les limitations architecturales, incluant l'échec de la VFE en tant que détecteur OOD au niveau du sujet (AUC = 0,417, en dessous du hasard) et l'existence de « sujets difficiles » (S2, S8, S14) qui présentent des performances proches du hasard sur tous les modèles en raison de limitations de signaux au niveau des données (dynamiques EDA plates).

Résultats

Précision : NDPAI Double Voie (60,33 %) a performé de manière statistiquement indiscernable de XGBoost (64,35 %) et de la Régression Logistique (62,88 %). Il a significativement surperformé les ablations à voie unique (Amygdale-Seule : 46,68 % ; Cortex-Seul : 46,32 %).
Calibration : La mise à l'échelle de température post-hoc a amélioré l'ECE de NDPAI à 0,056, nettement inférieur à celui de XGBoost (0,128).
Efficacité du Routage : Le mécanisme de routage a dirigé avec succès 96,6 % des fenêtres vers la voie efficace de l'Amygdale, réduisant le coût total de l'EFE de 77 % par rapport à une configuration Cortex-Seul.
Analyse d'Échec : Les sujets S2, S8 et S14 ont systématiquement échoué sur tous les modèles (BalAcc ~36-43 %). L'analyse a révélé que ces sujets présentaient des signaux EDA avec une variation phasique négligeable, rendant le signal d'éveil sympathique non informatif pour la discrimination à trois classes. Cela confirme que l'échec est une limitation au niveau des données plutôt qu'un déficit spécifique au modèle.
Détection OOD : Bien que la VFE ait échoué à détecter les décalages de distribution au niveau du sujet (AUC 0,417), l'entropie du postérieur a atteint un AUC modéré de 0,722, et l'incertitude de XGBoost a atteint 0,889.

Signification et Revendications
L'article affirme que l'inférence active est un paradigme d'inférence viable pour le calcul physiologique, démontrant qu'une architecture générative fondée sur le Principe de l'Énergie Libre peut égaler les classifieurs discriminants en précision tout en offrant des avantages distincts : des prédictions probabilistes mieux calibrées, des sorties orientées vers l'action et interprétables, ainsi qu'une allocation computationnelle adaptative.

Cependant, les auteurs restent modestes quant à l'état actuel de la technologie. Ils déclarent explicitement que NDPAI est une preuve de concept plutôt qu'un produit déployable. Le travail reconnaît que l'implémentation actuelle repose sur une vraisemblance gaussienne diagonale simplifiée, ce qui limite la détection d'anomalies au niveau du sujet. Les auteurs soulignent que les échements des « sujets difficiles » sont des contraintes structurelles de la surveillance basée sur l'EDA chez des individus physiologiquement atypiques, et non de simples erreurs algorithmiques. La signification du travail réside dans l'établissement que l'inférence active peut fournir une reconnaissance du stress inter-sujets compétitive avec une calibration et une interprétabilité supérieures, mais une validation future sur du matériel réel et des populations hétérogènes est nécessaire pour déterminer si ces avantages survivent au contact des contraintes cliniques réelles.