Variabilité de la fréquence cardiaque : un indicateur de détection de la fatigue pour la recherche en facteurs humains

Découvrez comment la variabilité de la fréquence cardiaque (VFC) mesurée à partir d’un ECG offre une alternative pratique et sensible à l’EEG pour la détection de la fatigue dans les domaines de la conduite automobile, de l’aviation et des métiers à risque. Découvrez les paramètres de la VFC dans les domaines temporel et fréquentiel, leurs applications concrètes, ainsi que leur rôle dans la compréhension du stress, de la charge mentale et de la récupération dans le cadre de la recherche sur les facteurs humains.

La recherche sur la fatigue a des implications vitales dans le domaine de l’ergonomie, qu’il s’agisse de la somnolence au volant, de la vigilance en vol ou de l’état d’éveil dans les métiers à risque.  

L’électroencéphalographie (EEG) est considérée par beaucoup comme la référence absolue pour mesurer la fatigue, mais sa mise en œuvre pose de nombreux défis pratiques lorsqu’il s’agit de recueillir des données utiles dans le cadre de recherches sur le terrain en ergonomie, car les participants peuvent être amenés à se déplacer et les conditions expérimentales ne sont pas toujours optimales pour obtenir des données EEG de qualité (Pan et al., 2021). Les clignements des yeux, les schémas respiratoires et l’analyse des expressions faciales des conducteurs ont également été utilisés pour détecter la fatigue au volant, en tant qu’alternatives plus pratiques à l’EEG. 

Dans cet article, nous nous intéressons à la manière dont les paramètres de variabilité de la fréquence cardiaque issus de l’électrocardiographie (ECG) peuvent être utilisés pour détecter la fatigue dans le cadre de la recherche en ergonomie. Auparavant, les paramètres de la VFC dans le domaine temporel étaient disponibles dans le module ECG d’iMotions. Cette année, nous avons lancé un notebook ECG R qui permet aux utilisateurs de collecter également des paramètres de la VFC dans le domaine fréquentiel à partir des données ECG.

Utilisation de l’ECG pour mesurer la fatigue

La fréquence cardiaque est l’indicateur cardiaque le plus couramment utilisé, car elle est simple à mesurer et facile à comprendre. Il s’agit simplement du nombre de battements cardiaques sur un intervalle de temps donné (généralement exprimé en battements par minute, bpm). En général, la fréquence cardiaque est plus basse au repos et plus élevée lors d’une activité physique. 

La fréquence cardiaque peut donner une indication du niveau de fatigue. Une fréquence cardiaque au repos élevée sur une longue période peut indiquer que votre corps est soumis à un stress ou qu’il se remet d’un état de fatigue. Pendant une activité physique, si votre fréquence cardiaque atteint des niveaux plus élevés que prévu pour un effort donné, cela peut indiquer une fatigue ou un surmenage. La vitesse à laquelle votre fréquence cardiaque revient à son niveau de base après l’effort peut refléter votre condition physique et votre état de récupération ; des temps de récupération plus longs peuvent suggérer une fatigue.

Pourquoi utiliser la variabilité de la fréquence cardiaque pour mesurer la fatigue ?

• La VRC est un indicateur plus précis du fonctionnement du système nerveux autonome
• La VRC est un indicateur plus sensible, qui permet de détecter des variations de fatigue qui pourraient passer inaperçues si l'on se base uniquement sur la fréquence cardiaque. 
• La VRC peut fournir des informations utiles sur la fatigue chronique et aiguë. 

Qu’est-ce que la variabilité de la fréquence cardiaque ?

La variabilité de la fréquence cardiaque (VFC) reflète les variations dans l’intervalle entre deux battements cardiaques et constitue une mesure plus précise du système nerveux autonome que la fréquence cardiaque elle-même. Même si la fréquence cardiaque au repos est généralement de 60 bpm, cela ne signifie pas pour autant que les battements cardiaques se succèdent à intervalles réguliers d’une seconde. Certains intervalles seront légèrement plus longs, d’autres légèrement plus courts.  

Les indicateurs de VRC permettent de résumer ces légères variations. Une VRC élevée est un bon indicateur d’une communication saine entre le cerveau et le cœur ; elle reflète la capacité d’adaptation du système nerveux autonome aux stimuli internes et externes, et témoigne de sa capacité à revenir à un état de repos (maintenir l’homéostasie). C’est pourquoi la VRC est souvent utilisée pour évaluer le stress. 

La VRC est un indicateur clé pour comprendre le stress et la récupération. Comme elle reflète l’activité du système nerveux autonome, elle est influencée tant par nos processus mentaux que par nos processus physiques. Lorsque nous ne sommes pas stressés, le rythme cardiaque est plus variable et s’adapte mieux à notre environnement. Lorsque le corps est en mode « combat ou fuite », la VRC a tendance à diminuer.

Comment mesurer la variabilité de la fréquence cardiaque ? 

Il existe deux types de paramètres de VRC : les paramètres dans le domaine temporel et les paramètres dans le domaine fréquentiel :

Mesures dans le domaine temporel 

Les paramètres de la VRC dans le domaine temporel mesurent le temps qui s’écoule entre deux battements cardiaques (intervalle inter-battements, IBI) et quantifient cette variation. De nombreux paramètres utilisent une approche dans le domaine temporel (voir le tableau ci-dessous pour quelques exemples). Leur mode de calcul diffère, mais ils reposent tous sur des stratégies différentes pour quantifier la variation de l’IBI.

Mesures dans le domaine fréquentiel 

Les paramètres du domaine fréquentiel se concentrent sur la régularité du rythme cardiaque en utilisant l’intervalle R-R (également appelé NN, pour « normal-à-normal », dans le cas de rythmes cardiaques réguliers). Les densités spectrales de puissance sont obtenues en appliquant des analyses spectrales de puissance afin d’extraire les informations de fréquence d’un ECG (par exemple, des transformations de Fourier rapides, des modèles autorégressifs ou d’autres méthodes). 

Tout comme la lumière blanche peut traverser un prisme qui trie les longueurs d’onde par taille et révèle un arc-en-ciel, les données ECG peuvent également être classées dans un spectre de puissance. À partir de ces données, nous créons des catégories (pour les couleurs, nous avons une gamme de longueurs d’onde que nous appelons « rouge », une autre gamme pour le « jaune », etc.). Pour les spectres de puissance ECG, chaque onde a une fréquence (mesurée en Hz) ; les ondes peuvent donc être classées en haute fréquence (HF), basse fréquence (LF) et très basse fréquence (VLF). 

Un indicateur couramment utilisé pour évaluer la variabilité de la fréquence cardiaque dans le domaine fréquentiel est le rapport entre la puissance des signaux LF (0,04-0,15 Hz) et celle des signaux HF (0,15-0,4 Hz), appelé rapport LF/HF. Le rapport LF/HF représente l’équilibre entre les systèmes nerveux sympathique et parasympathique, également appelé équilibre sympathico-vagal. En général, on considère que la LF représente le système nerveux sympathique (SNS) et que la HF reflète le système nerveux parasympathique (PNS) (European Heart Journal, 1996). 

D’autres paramètres du domaine fréquentiel, tels que les très basses fréquences (VLF), les ultra-basses fréquences (ULF) et les très hautes fréquences (VHF), sont parfois mentionnés. Ces puissances sont parfois exprimées sous forme de valeurs normalisées, et il arrive que les chercheurs s’intéressent davantage à la fréquence des pics qu’à la puissance (c’est-à-dire l’aire sous la courbe dans la bande de fréquences concernée). 

Image illustrant la relation entre la puissance et le pic. 

Résumé des indicateurs de VRC

Système métrique	Précision	Type
RMSSD	Moyenne quadratique des différences successives entre les battements cardiaques	Domaine temporel
SDNN	écart-type des IBI (écart-type de l’intervalle normal-normal)	Domaine temporel
NN50	Nombre de paires successives d’intervalles NN (R-R) dont la différence est supérieure à 50 ms	Domaine temporel
pNN50	proportion de NN50 divisée par le nombre total d’intervalles NN	Domaine temporel
LF/HF	Basse fréquence / Haute fréquence	Domaine fréquentiel

Il existe également des paramètres non linéaires pour la VRC. Pour une description détaillée des calculs relatifs aux paramètres du domaine temporel, aux paramètres du domaine fréquentiel et aux paramètres non linéaires, consultez notre blog sur la VRC. 

Comment choisissez-vous l’indicateur de VRC à utiliser pour détecter la fatigue ?

Étant donné que tous les indicateurs de VRC peuvent être extraits d’un seul signal ECG, les chercheurs ont souvent recours à plusieurs indicateurs de VRC. Chaque indicateur présente ses propres avantages et inconvénients. Certains indicateurs sont

certaines sont plus sensibles aux variations du système nerveux parasympathique (SNP), tandis que d’autres sont plus sensibles aux variations du système nerveux sympathique (SNS). Certains indicateurs sont plus adaptés aux enregistrements de longue durée, tandis que d’autres conviennent mieux aux enregistrements courts ou ultra-courts. Pour un aperçu général, voir Shaffer et Ginsberg 2017. Une autre raison de privilégier un indicateur de VRC particulier est que les chercheurs souhaitent comparer leurs résultats à ceux d’études antérieures similaires et choisissent donc d’utiliser des méthodes et des indicateurs de VRC similaires. 

La variabilité de la fréquence cardiaque dans la recherche sur les facteurs humains

Maintenant que vous avez découvert ce qu’est la variabilité de la fréquence cardiaque, pourquoi elle est utile pour détecter la fatigue et les différents types de paramètres disponibles pour la VFC, nous avons résumé trois rapports de recherche appliquée qui mettent en évidence la manière dont la VFC a été utilisée dans la recherche sur les facteurs humains, plus précisément dans le cadre de travaux menés avec des simulateurs et des panneaux de commande.  

Patel et al. 2011 : La VRC seule peut être utilisée par des outils d’IA pour détecter la somnolence au volant.

Cet article de validation de principe a été cité des centaines de fois, tant dans le domaine de la recherche que dans celui des politiques (et a donné lieu à au moins un brevet), ce qui témoigne de son importance dans le domaine de la détection de la somnolence au sein de la recherche sur les facteurs humains. Patel et al. ont mis au point un système basé sur l’IA qui utilise la variabilité de la fréquence cardiaque (VFC) pour détecter la fatigue chez les conducteurs avec une précision de 90 %. 

Méthodes

Dans une étude antérieure portant sur une tâche de simulation de conduite « continue et monotone », Lal et Craig (2002) avaient démontré que les variations de l’activité delta et thêta mesurées par EEG pouvaient servir à détecter la fatigue, mais ils n’avaient pas inclus leurs données ECG dans leur rapport. À partir des données ECG recueillies lors de cette étude antérieure, Patel et al. ont cherché à déterminer si la VRC seule pouvait permettre de détecter la fatigue du conducteur.  

Résultats

En recourant à une analyse de la densité spectrale de puissance des données ECG (approche dans le domaine fréquentiel), Patel et al. ont mis en évidence un pic marqué dans la gamme des basses fréquences chez les conducteurs en état de vigilance et un pic marqué dans la gamme des hautes fréquences chez ceux en état de somnolence, démontrant ainsi que la VRC, mesurée à l’aide de paramètres du domaine fréquentiel, pouvait servir à distinguer les conducteurs vigilants de ceux en état de somnolence. À l’aide d’un réseau neuronal à une seule couche et d’un échantillon de petite taille, les chercheurs ont réussi à détecter la somnolence avec précision.

Ces résultats montrent que les paramètres de la VRC dans le domaine fréquentiel peuvent, à eux seuls, servir à détecter la fatigue lors de tâches de conduite, ce qui en fait une alternative valable à l’EEG lorsque les conditions ne sont pas optimales pour cette dernière. 

Cité plus d’une centaine de fois, l’article de Majid et al. montre comment une approche multimodale de la détection de la fatigue peut apporter davantage de nuances à notre compréhension de ce phénomène. Selon les auteurs, il s’agit de l’une des premières études à avoir évalué la charge mentale des opérateurs pendant qu’ils surveillaient les embouteillages.

La surveillance de la densité du trafic, dans le cadre d’un poste de régulateur de circulation urbain, exige de rester concentré pendant de longues périodes sur de nombreux écrans relayant les images de centaines de caméras installées aux carrefours. L’intensité de ce travail varie : elle augmente à mesure que le trafic s’intensifie, car la gestion de la circulation demande alors davantage d’efforts. Elle varie également selon les horaires de travail, la surveillance s’effectuant 24 heures sur 24. Les participants à cette étude effectuaient un service de 12 heures, suivi d’une pause de 24 heures, puis d’un nouveau service de 12 heures, ce qui signifie qu’ils effectuaient chacun un service de jour et un service de nuit. 

Méthodes

Pour chaque condition, les participants ont rempli le questionnaire TLX (NASA-Task Load Index) de la NASA, qui consiste en une évaluation subjective comportant cinq échelles à 7 points : exigence mentale, exigence physique, exigence temporelle, performance, effort et frustration. 

Les données ECG et EMG ont été recueillies au repos, en conditions de faible densité de circulation, de forte densité de circulation et pendant la phase de récupération. Majid et al. ont mesuré la tension musculaire des muscles de l’épaule (trapèze supérieur, des deux côtés) à l’aide de l’EMG. Ils ont également utilisé l’ECG pour mesurer la fréquence cardiaque et la variabilité de la fréquence cardiaque (à la fois dans le domaine temporel et dans le domaine fréquentiel).  

Aperçu des indicateurs

Système métrique	Outil	Détails des mesures
Tension dans les épaules	EMG	Amplitude (µV)
Fréquence cardiaque	ECG	bpm
Variabilité de la fréquence cardiaque (domaine temporel)	ECG	SDNN (ms), RMSSD (ms) et pNN50 % (voir le tableau ci-dessus pour la signification des abréviations)
Variabilité de la fréquence cardiaque (domaine fréquentiel)	ECG	LF/HF

Résultats

Tous les indicateurs ont montré que l’état de récupération n’était pas, d’un point de vue physiologique, identique à celui du repos. Il s’agit d’un test de validation important, car les participants ne surveillaient pas la circulation (ils étaient assis, les yeux ouverts, dans une pièce calme pendant cinq minutes) ; or, un bon système de détection de la fatigue devrait être capable de faire la distinction entre le repos et la récupération. 

À mesure que la densité du trafic augmentait et que la surveillance devenait plus complexe, tous les indicateurs ont été affectés, ce qui montre qu’il existe de nombreuses façons de mesurer les effets physiologiques de la charge cognitive ou du travail sous pression. À l’instar de Patel et al., cela constitue un bon indicateur du fait que l’ECG et l’EMG constituent des alternatives utiles à l’EEG pour la détection de la fatigue dans le cadre de la recherche appliquée. 

Parmi tous les indicateurs pris en compte dans cette étude, l’effet du travail posté n’a été mis en évidence qu’avec le rapport LF/HF (indicateur de VRC dans le domaine fréquentiel). Grâce à cet indicateur de VRC, les chercheurs ont pu détecter des effets liés au travail posté entre les conditions de repos et celles de forte densité de trafic, ainsi qu’entre les conditions de faible et de forte densité de trafic. Cela suggère que la VRC basée sur la fréquence peut, dans certains cas, être plus sensible à la fatigue que d’autres indicateurs, y compris d’autres indicateurs de VRC. Le TLX a indiqué que les participants percevaient la charge de travail du quart de nuit comme étant plus élevée que celle du quart de jour ; le fait de disposer d’un indicateur physiologique reflétant cette expérience subjective constitue donc une découverte importante. 

Dans le cadre de cette étude réalisée à l’aide d’un simulateur de passerelle de navire, un utilisateur d’iMotions a combiné des questionnaires à des méthodes physiologiques multimodales afin d’étudier la corrélation entre les états mentaux déclarés par les participants et leurs paramètres physiologiques. 

Méthodes

Dans cette étude sur simulateur, les participants (des étudiants n’ayant aucune expérience des simulateurs de navigation ni des tâches associées) ont piloté un paquebot de 200 mètres dans deux scénarios différents. Le scénario en pleine mer comprenait de longues périodes pendant lesquelles il ne leur restait guère d’autre chose à faire que de vérifier les systèmes de surveillance. Le scénario en port était plus difficile à gérer, impliquait des tâches secondaires supplémentaires et était soumis à une contrainte de temps. 

Des mesures subjectives et physiologiques ont été recueillies au cours de chaque scénario. L’enquête sur les mesures subjectives portait principalement sur les états affectifs (notamment l’excitation, la vigilance, l’état de veille, le sentiment de bien-être et le stress) et la charge de travail (à l’aide du questionnaire TLX mentionné précédemment, ainsi que d’une échelle globale de charge de travail). Les mesures physiologiques comprenaient l’EDA (activité électrodermique ; également appelée GSR, réponse galvanique de la peau) et l’ECG. 

Résultats

Cette étude a révélé que la charge mentale et le stress sont en corrélation avec la VRC et l’activité de la peau (EDA). La fréquence HF maximale (un indicateur de la VRC dans le domaine fréquentiel reflétant l’activité du système nerveux parasympathique) présentait une forte corrélation négative avec le stress et la charge de travail, ainsi qu’avec de nombreux indicateurs de l’activité de la peau (EDA). L’état de veille était quant à lui en corrélation avec la fréquence LF maximale (un indicateur de la VRC dans le domaine fréquentiel reflétant l’activité du système nerveux sympathique). 

Des analyses plus complexes, capables de prendre en compte plusieurs variables (analyse en composantes principales, ou ACP, et régression par les moindres carrés partiels, ou PLSR), ont été utilisées pour déterminer dans quelle mesure les combinaisons de mesures ECG et EDA étaient corrélées aux auto-évaluations de l’état affectif et de la charge mentale. Ces analyses ont montré que les deux scénarios présentaient des variables physiologiques et subjectives liées à l’état mental différentes, qui constituaient des prédicteurs importants de la variance. 

En ce qui concerne les paramètres de la VFC dans le domaine fréquentiel, les paramètres HF (puissance HF et pic HF, indiquant un rôle du SNP) étaient davantage associés au scénario « en pleine mer », tandis que les paramètres LF (puissance LF et pic LF, indiquant un rôle du SNS) étaient plus étroitement liés au scénario « dans le port », démontrant ainsi que l’utilisation séparée des paramètres du domaine fréquentiel de la VRC (plutôt que sous forme de rapport LF/HF) peut également fournir des informations intéressantes sur la manière dont le SNS et le SNP peuvent fonctionner séparément. Les paramètres EDA (qui reflètent les changements au niveau du SNS) étaient également étroitement liés au scénario « Port », ce qui renforce l’idée selon laquelle la réaction physiologique est davantage liée au SNS. Dans l’ensemble, ce rapport montre que les paramètres de la VRC dans le domaine fréquentiel sont utiles pour distinguer les différentes contributions du SNS et du PNS. 

L’un des principaux enseignements de cette étude est la manière dont la recherche multimodale peut permettre de tenir compte des variations individuelles. Dans cette étude, les participants n’étaient pas familiarisés avec la tâche. Chaque individu présentait un niveau de stress différent, en fonction de sa réaction face à l’apprentissage de nouvelles tâches et aux situations de forte pression. Les résultats des questionnaires d’auto-évaluation varient également d’un individu à l’autre, car certains ont tendance à évaluer différemment leur charge de travail mentale et leur niveau de stress. La physiologie varie également d’un individu à l’autre, ce qui signifie qu’il peut être difficile de détecter des changements chez certaines personnes ou que certaines présentent simplement moins de changements que d’autres. 

Conclusion

Lorsqu’il s’agit d’étudier la fatigue et la charge de travail des muscles lors de simulations et de tâches sur un panneau de contrôle, la VRC mérite d’être envisagée comme alternative à l’EEG. Bien que ces deux techniques mesurent l’état d’éveil, la combinaison de l’ECG avec l’EDA/GSR peut offrir une compréhension plus nuancée de la manière dont le système nerveux sympathique (SNS) et le système nerveux parasympathique (PNS) contribuent à la réponse physiologique. Enfin, l’exploration des états mentaux à l’aide d’informations subjectives et physiologiques est extrêmement utile, car elle nous permet de comprendre ce que nos participants ne parviennent pas toujours à exprimer avec des mots. 

Références

M. Patel, S.K.L. Lal, D. Kavanagh, P. Rossiter, « Application de l’analyse par réseaux neuronaux aux données de variabilité de la fréquence cardiaque pour évaluer la fatigue des conducteurs », Expert Systems with Applications, volume 38, numéro 6, 2011, pages 7235-7242, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2010.12.028.

Majid Fallahi, Majid Motamedzade, Rashid Heidarimoghadam, Ali Reza Soltanian, Shinji Miyake, « Effets de la charge mentale sur les réponses physiologiques et subjectives lors de la surveillance de la densité du trafic : une étude sur le terrain », Applied Ergonomics, volume 52, 2016, pages 95-103, ISSN 0003-6870, https://doi.org/10.1016/j.apergo.2015.07.009.

Wulvik, A.S., Dybvik, H. & Steinert, M. Étude de la relation entre l’état mental (charge de travail et état émotionnel) et la physiologie dans un environnement de salle de contrôle (simulateur de passerelle de navire). Cogn Tech Work 22, 95–108 (2020). https://doi.org/10.1007/s10111-019-00553-8

Pan, T., Wang, H., Si, H., Li, Y., & Shang, L. (2021). Identification de l’état de fatigue des pilotes à partir des signaux d’électrocardiogramme. Sensors, 21(9), 3003. https://doi.org/10.3390/s21093003