Résumé
L’activité électrodermique (EDA), également appelée réponse galvanique de la peau (GSR), mesure l’activité du système nerveux sympathique et est largement utilisée pour évaluer l’excitation émotionnelle. L’une des principales méthodes d’analyse consiste à détecter les pics d’EDA, ce qui permet d’identifier les variations rapides du signal phasique connu sous le nom de réponses de conductance cutanée (SCR).
Ces pics peuvent être liés à un événement (ER-SCR) ou non spécifiques (NS-SCR) et constituent un indicateur fiable de l’intensité émotionnelle au cours des expériences. La détection des pics d’activité de la peau (EDA) implique de filtrer le bruit, d’identifier les seuils de signal et d’isoler les réponses physiologiques significatives.
Si des pics d’activité EDA plus nombreux indiquent généralement un niveau d’excitation ou de stress plus élevé, l’EDA ne permet pas à elle seule de déterminer si l’émotion est positive ou négative. Pour obtenir des informations plus approfondies, il est préférable de l’associer à d’autres méthodes, telles que les auto-évaluations ou l’analyse faciale.
En résumé, la détection des pics EDA constitue une méthode standardisée et efficace pour quantifier l’excitation émotionnelle, ce qui en fait un outil précieux dans les domaines de la psychologie, des neurosciences et de la recherche sur les utilisateurs.
Table of Contents
L’activité électrodermique (EDA) est un indicateur fiable de l’excitation émotionnelle sous-jacente dans le domaine de la recherche sur le comportement humain. L’EDA (souvent appelée « réponse galvanique de la peau » ou GSR) reflète l’activité du système nerveux sympathique, dont le fonctionnement dépend de l’activation physiologique et émotionnelle.
Il existe plusieurs indicateurs clés issus des signaux d’analyse exploratoire des données (EDA), qui dépendent de votre problématique de recherche spécifique. En effet, il est toujours important de déterminer au préalable quels indicateurs vous intéressent et quelles analyses vous comptez réaliser avant de commencer la collecte des données. C’est pourquoi cet article propose une présentation générale d’un de ces indicateurs EDA bien établis : la détection des pics.
Présentation des composants EDA et des SCR
Il est important de passer d’abord en revue les principes fondamentaux de l’EDA avant d’aborder les détails de la réalisation des analyses de détection des pics. L’EDA mesure la conductance cutanée, qui résulte de modifications microscopiques du niveau de transpiration à la surface de la peau [1]. La sécrétion de sueur intervient dans divers processus de régulation [4], et de nombreuses recherches suggèrent que les réponses de conductance cutanée (SCR) sont associées à l’excitation émotionnelle [4-7].
La détection des SCR résulte des fluctuations de deux composantes sous-jacentes de l’activité EDA : la composante tonique de base, lente et régulière, et la composante phasique, plus rapide ou réactive. Les variations soudaines de l’activité phasique au-dessus de l’activité tonique sont appelées « pics EDA ».
Lorsque ces pics surviennent en réponse à des stimuli, on les appelle « réponses de conductance cutanée liées à un événement » (ER-SCR). Lorsqu’ils ne semblent pas liés à la présentation d’un stimulus, on les appelle « réponses de conductance cutanée non spécifiques » (NS-SCR) [1, 6].
L’évaluation du nombre de pics EDA fournit des données quantitatives sur le niveau d’excitation émotionnelle ou d’intensité au cours d’une séance expérimentale.
Comment détecter les pics EDA
Plusieurs étapes de traitement du signal sont nécessaires pour obtenir les pics EDA. Les étapes décrites ci-dessous su0026#x27;appuient sur des méthodes normalisées [4, 9-11] et peuvent être réalisées à lu0026#x27;aide de la boîte à outils de traitement du signal de votre choix. iMotions propose un flux de traitement du signal pour la détection des pics EDA via un notebook R directement dans le logiciel, en suivant les étapes décrites ci-dessous
u003cstrongu003eImportez un signal EDA calibré dans la boîte à outils de traitement du signal de votre choixu003c/strongu003e
a. Cette valeur dépend du dispositif EDA que vous utilisez : le iMotions R Notebook la détecte automatiquement pour tout dispositif intégré.u003cbru003e b. Du0026#x27;autres outils, tels que Ledalab, des scripts personnalisés créés sous MatLab ou Python, ou encore du0026#x27;autres systèmes de traitement du signal, peuvent également être utilisés.
u003cstrongu003eDéterminer la fréquence du0026#x27;échantillonnage du signalu003c/strongu003e
u003cstrongu003eExtraire les données phasiques du signal EDA du0026#x27;origine à lu0026#x27;aide du0026#x27;un filtre médianu003c/strongu003e
Le signal phasique est extrait du signal EDA du0026#x27;origine à lu0026#x27;aide du0026#x27;un filtre médian appliqué sur une fenêtre de longueur fixe (généralement 8 000 ms).
u003cstrongu003eAppliquez un filtre passe-bas de Butterworth aux données phasiques afin du0026#x27;éliminer le bruit de ligneu003c/strongu003e
Cela permet du0026#x27;éliminer les composantes parasites du signal EDA. On utilise généralement une fréquence de coupure de 5 Hz.
u003cstrongu003eIdentifier les points de début et de finu003c/strongu003e
a. Déterminez les valeurs de début et de fin des pics afin de définir les points où lu0026#x27;outil de traitement du signal recherchera ces pics.u003cbru003eb. Les points de début correspondent à tous les instants où le signal phasique dépasse le seuil de début (généralement u0026gt; 0,01 µs).u003cbru003ec. Les points de fin correspondent à tous les instants où le signal phasique repasse en dessous du seuil de fin (généralement u0026lt; 0 µs).
u003cstrongu003eDéfinir le seuil du0026#x27;amplitude de crêteu003c/strongu003e
a. Déterminez la valeur du0026#x27;amplitude maximale dans chaque fenêtre de début-fin.u003cbru003eb. Soustrayez la valeur du0026#x27;amplitude au début de lu0026#x27;amplitude maximale.u003cbru003ec. Déterminez le seuil du0026#x27;amplitude maximale (généralement 0,005). Les valeurs ne sont considérées comme des pics potentiels que si elles dépassent le seuil du0026#x27;amplitude maximale au-delà de la valeur du0026#x27;amplitude au début.
u003cstrongu003eDéterminer le seuil de saut de signalu003c/strongu003e
a. Ici, vous définissez un seuil de 0,1 µs entre les signaux afin de détecter un « saut de signal » significatif.u003cbru003eb. Ces sauts peuvent correspondre à des pics de faux positifs dus à des artefacts de mouvement qui ne seraient pas détectés par les filtres.u003cbru003ec. Un pic potentiel nu0026#x27;est sélectionné que si :u003cbru003e son amplitude est supérieure au seuil du0026#x27;amplitude (0,005 µs) et siu003cbru003e la différence de temps entre le début et la fin est supérieure au seuil de durée (500 ms).
u003cstrongu003eDonnées de créneau (attribuer des données à un créneau horaire virtuel)u003c/strongu003e
Interprétation des pics EDA
Maintenant que vous avez identifié les pics d’activité EDA pour votre étude, il est important que vous soyez en mesure de les interpréter correctement. N’oubliez pas que l’activité EDA peut refléter l’intensité émotionnelle et que le nombre de pics d’activité EDA peut vous donner une indication de l’impact émotionnel de certains stimuli sur les participants.
Les recherches sur la réactivité au stress suggèrent que l’on détecte davantage de pics d’activité de l’électrodermogramme (EDA) dans des situations stressantes que dans des situations non stressantes [7, 12, 13]. Ces pics reflètent l’excitation émotionnelle plus intense ressentie en situation de stress. Il est toutefois important de noter que, si un nombre plus élevé de pics d’EDA indique une plus grande intensité émotionnelle, la nature de cette émotion (sa valence) ne peut être déduite de l’EDA seul.
Par exemple, les personnes qui aiment prendre la parole en public peuvent présenter une activité accrue de l’EDA avant et pendant leur intervention, mais peuvent également faire état d’un état émotionnel plus positif ou plus enthousiaste. À l’inverse, celles qui n’aiment pas s’exprimer en public peuvent également présenter une activité accrue de l’EDA pendant leur intervention, mais faire état d’émotions négatives face à cette tâche [12]. Le signal de l’EDA n’est donc pas représentatif du type d’émotion, mais simplement de son intensité.
Ainsi, une approche multimodale associant l’EDA à des outils permettant d’évaluer la valence émotionnelle (par exemple, l’auto-évaluation et l’analyse automatisée des expressions faciales) peut, en fin de compte, vous fournir des informations plus approfondies tant sur l’intensité que sur la valence émotionnelle.
Si vous souhaitez en savoir plus sur la manière d’utiliser l’EDA dans vos recherches, téléchargez notre guide de poche gratuit ci-dessous.
Références
[1] Boucsein, W. (2012). L’activité électrodermique. New York, Berlin : Springer, 2e édition
[2] Wenger CB. Thermorégulation. Dans : Freedberg IM, Eisen AZ, Wolff K, Austen KF, Goldsmith LA, Katz SI, éd. Dermatologie en médecine générale, vol. 1. New York : McGraw-Hill ; 2003. p. 119-127.
[3] Critchley, H. (2002). Critique : « Electrodermal Responses: What Happens in the Brain ». The Neuroscientist, 8(2), p. 132-142.
[4] Fowles DC, Christie MJ, Edelberg R, Grings WW, Lykken DT, Venables PH. Recommandations pour la publication des résultats de mesures électrodermales. Psychophysiology, 1981 ; 18(3) : 232-9.
[5] Anders, S., Lotze, M., Erb, M., Grodd, W. et Birbaumer, N. (2004). Activité cérébrale sous-jacente à la valence émotionnelle et à l’excitation : une étude IRMf liée à la réponse. Human Brain Mapping, 23(4), p. 200-209.
[6] Dawson, M., Schell, A. et Filion, D. (2000). Le système électrodermique. Dans J. T. Cacioppo, L. G. Tassinary et G. B. Bernston, Handbook of Psychophysiology : deuxième édition, p. 200-223. Cambridge Press, Cambridge, 2000.
[7] Bakker, J., Pechenizkiy, M., & Sidorova, N. (2011). Quel est votre niveau de stress actuel ? Détection de schémas de stress à partir des données d’un capteur GSR. Dans Actes de la Conférence internationale IEEE sur l’exploration de données, ICDM (pp. 573–580). doi:10.1109/ICDMW.2011.178
[8] Guo, R., Li, S., He, L., Gao, W., Qi, H., & Owens, G. (2013). Détection omniprésente et discrète des émotions au service de la santé mentale. Actes du colloque « Les TIC au service de l’amélioration des techniques de rééducation des patients », p. 436–439. doi:10.4108/icst.pervasivehealth.2013.252133
[9] Benedek, M., & Kaernbach, C. (2010). Décomposition des données de conductance cutanée par déconvolution non négative. Psychophysiology, 47, 647–658. doi:10.1111/j.1469-8986.2009.00972.x
[10] Benedek, M., & Kaernbach, C. (2010). Une mesure continue de l’activité électrodermique phasique. Journal of Neuroscience Methods, 190, 80–91. doi:10.1016/j.jneumeth.2010.04.028
[11] Greco, A., Valenza, G., & Scilingo, E. (2016) Progrès dans le traitement de l’activité électrodermique et leurs applications en santé mentale : des méthodes heuristiques à l’optimisation convexe. Suisse. Springer.
[12] Tomaka, J., Blascovich, J., Kelsey, R.M. (1993). Effets subjectifs, physiologiques et comportementaux de l’évaluation de la menace et du défi. Journal of Personality and Social Psychology, vol. 65, n° 2, p. 248-260. doi: 10.1037/0022⁃3514.65. 2.248.
[13] Bradley, M., & Lang, P., (2000). Mesurer les émotions : comportement, sentiments et physiologie. Dans *Cognitive Neuroscience of Emotion*, sous la direction de R. Lane et L. Nadel. New York, États-Unis : Oxford University Press, 2000, p. 242-276.