E'molis : Reconnaissance automatique des émotions par sources multimodales

JEOLIS Solutions conçoit et commercialise des solutions logicielles de gestion médicale et de suivi des patients, et dans le cadre de cette activité s’intéresse au développement de services associés à l’expression des émotions chez un patient.

 Les neurosciences et l’imagerie cérébrale ont permis de savoir que l’être humain n’est pas un décideur rationnel et que l’émotion est un partenaire fondamental de la cognition humaine, de sa créativité et de sa prise de décision (Couzon et Dorn, 2009). Les émotions s’expriment de différentes manières (modalités) : par nos gestes, nos expressions, notre activité cérébrale, l’intensité de notre voix, etc.

 Régulièrement concerné par les données de patients atteints de différentes pathologies chroniques ou psychiques (dépression, …) nécessitant un suivi continu, Jeolis Solutions entend intégrer dans ses solutions la prise en compte des émotions des patients lors de ce suivi. Les émotions sont au cœur de troubles comme la schizophrénie et il est évident de les collecter et de les analyser dans ce cadre. Pour les pathologies chroniques, corroborer les émotions aux réponses des patients aux questionnaires protocolisés est tout aussi important (par exemple, dans le suivi du bien-être du patient face à une douleur ou des effets indésirables).

Une première expérimentation envisagée concernera le suivi de patients diagnostiqués schizophrènes en relation étroite avec une psychologue clinicienne de Jeolis Solutions et l’équipe médicale d’un établissement psychiatrique : évaluer et remédier au risque de rechute.

 L’ensemble des données à disposition possède les caractéristiques des mégadonnées (« Big Data »), à savoir volume, vélocité, et variété, pour lesquels les outils d’analyse actuels ne sont pas toujours efficaces du fait de la non prise en compte de l’aspect contextuel.  Ces caractéristiques ouvrent la voie à un challenge quant à la modélisation et à l’analyse de ces données.  En effet, Jeolis Solutions souhaite explorer ces données afin de :

1)    corroborer différentes sources de données, de les fusionner ;

2)    réaliser des cartographies des données, via des techniques de réduction de dimension ;

3)    établir des modèles d’apprentissage à partir des données recueillies. Il est nécessaire de prendre en compte un indicateur de confiance des grandeurs estimées pour quantifier l’incertitude associée aux connaissances extraites.