ACTUALITÉ SCIENTIFIQUE
ET INNOVATION DE L'ÉTS
Adopter de saines habitudes de vie grâce à l’intelligence artificielle - Par : Éric Granger,

Adopter de saines habitudes de vie grâce à l’intelligence artificielle


Le 20 mai 2021, le Fonds de recherche du Québec – santé (FRQS) annonçait la création de la Chaire de recherche en intelligence artificielle et santé numérique pour le changement des comportements de santé.

Éric Granger
Éric Granger est professeur au Département de génie des systèmes de l’ÉTS. Ses recherches portent sur l’apprentissage machine, la reconnaissance de formes, la vision par ordinateur, la fusion d’information.

Achetée sur Istockphoto.com. Droits d’auteur.

Les maladies non transmissibles, comme les maladies cardiaques, le cancer, le diabète et l’obésité, sont responsables de 70 % des décès dans le monde (88 % au Canada), et ce, même en temps de pandémie. Malgré la hausse constante des budgets alloués à nos systèmes de santé, cette proportion ne cesse d’augmenter parce ces maladies sont causées majoritairement par de mauvaises habitudes de vie : sédentarité, mauvaise alimentation, tabagisme. Les Canadiens ont beau être au courant qu’il est important d’être actif physiquement, de consommer des fruits et des légumes, ou de cesser de fumer, nombreux sont ceux qui n’arrivent pas à mettre ces conseils en pratique. Cet écart entre attitude et comportement montre la difficulté d’effectuer des changements durables dans les habitudes de vie. 

L’ambivalence : un frein à un mode de vie plus sain

L’ambivalence se définit par l’écart entre le désir de changer un comportement et les barrières perçues pour y arriver : p. ex. « Je sais que faire de l’exercice serait bon pour moi. Mais je ne trouve pas le temps d’en faire ». Les approches qui s’attaquent à l’ambivalence au changement, basées sur la communication motivationnelle, se sont avérées très efficaces pour induire des changements durables sur le long terme. Toutefois, ce type d’intervention a traditionnellement été prodigué en personne, ce qui en a limité l’accès à une portion importante de la population. 

Le professeur Simon Bacon, professeur en médecine comportementale de l’Université Concordia et chercheur au Centre de recherche du CIUSSS du Nord de l’île de Montréal, est l’un des instigateurs d’une application santé appelée ACCELERATION. Ce service de santé en ligne a l’objectif d’aider les patients à suivre un plan de traitement ou à adopter des habitudes plus saines, et fonctionne sans intervention humaine. Il se sert de la communication motivationnelle pour augmenter la motivation intrinsèque et réduire l’ambivalence face à l’adoption de saines habitudes. La première mouture a montré des résultats encourageants, mais très variables d’une personne à l’autre. Pour augmenter la capacité d’intervention d’ACCELERATION, Éric Granger, professeur en génie des systèmes de l’ÉTS et membre du Laboratoire d’imagerie, de vision et d’intelligence artificielle (LIVIA), s’est joint au projet. Son objectif : utiliser l’intelligence artificielle pour interpréter le langage non verbal, comme l’ambivalence, et même la détresse ou la démotivation des utilisateurs de services en ligne. 

En effet, les récentes avancées en apprentissage machine et en puissance de calcul rendent maintenant possible le développement de technologies capables de détecter l’ambivalence en temps réel. Dans le cadre de ce projet, l’ambivalence et d’autres expressions pertinentes seront interprétées à partir de la façon dont le participant répondra à une série de questions posées par un avatar. Cette conversation fournira les données de base à l’entraînement du système d’intelligence artificielle.

Détection automatique de l’expression

Lors d’entrevues face à face, le langage non verbal des personnes, comme l’expression du visage, un haussement des épaules, un manque de participation, ou un timbre de voix hésitant vont alerter l’intervenant de la présence d’ambivalence chez le participant. Quand cette situation survient dans le cadre d’un service de santé en ligne sans intervention humaine, l’intervention doit être ajustée automatiquement pour contrer l’ambivalence, d’où l’intérêt d’intégrer la détection de l’ambivalence dans ACCELERATION.

Si certains systèmes de reconnaissance d’expressions vocales ou faciales existent déjà, ils sont peu robustes, peu précis et cantonnés dans certaines émotions primaires : joie, tristesse, colère, etc. L’ambivalence est une émotion plus subtile qui demande un ensemble de données représentatives afin de créer un modèle plus raffiné de reconnaissance. Par contre, au moyen de modèles spécialisés en apprentissage profond, il sera possible de reconnaître avec précision un état émotionnel à partir d’une combinaison d’expressions du visage et de la voix ainsi que la posture. Ce projet ambitieux devra surmonter plusieurs défis, dont voici les principaux.

 

Construction de modèles sans annotations

À la base, il n’existe pas de données pertinentes (expression d’ambivalence) dans les banques de données publiques. De plus, la collecte et l’annotation manuelle d’expressions que devront effectuer l’équipe du professeur Bacon sont des processus laborieux et coûteux. Les modèles d’apprentissage profond devront donc être entraînés à partir de données faiblement annotées ou encore, raffinés avec des données sans annotation (pas annotées du tout).

 

Fusion de différentes sources de données

Les expressions faciales, les expressions verbales et la posture offrent toutes des indices importants et complémentaires de l’état d’esprit d’une personne. La fusion multimodale spatiotemporelle de données (visuelles et audio) extraites de vidéos devra être effectuée afin d’améliorer la précision et la robustesse de la détection automatique de l’expression.

Personnalisation des modèles selon l’expression individuelle et l’environnement

Finalement, les modèles devront être personnalisés afin de tenir compte des différences dans l’expression individuelle selon, p. ex., le sexe, l’ethnicité, la race, l’âge et la culture. Aussi, les modèles d’apprentissage profond devront être adaptés aux conditions de capture, comme le type de capteurs, l’appareil utilisé et l’environnement dans lequel les images et le son sont collectés.

 

 Une solution à haut potentiel

L’objectif principal de ce projet est l’adaptation de l’intervention en présence d’ambivalence, lors d’une démarche de changement d’habitudes de vie. Or l’ambivalence a des répercussions sur d’autres enjeux de santé, comme l’observance thérapeutique ou le respect de mesures sanitaires. Les modèles développés pourront facilement être incorporés dans d’autres applications visant un changement de comportement.

En plus d’allonger la vie de patients et d’en bonifier la qualité, ce projet pourrait faire épargner énormément d’argent public en frais de santé. Les étudiants formés dans le cadre de la Chaire seront bien positionnés pour alimenter la croissance future de ce domaine.

 

Éric Granger

Profil de l'auteur(e)

Éric Granger est professeur au Département de génie des systèmes de l’ÉTS. Ses recherches portent sur l’apprentissage machine, la reconnaissance de formes, la vision par ordinateur, la fusion d’information.

Programme : Génie de la production automatisée 

Chaire de recherche : Chaire de recherche en intelligence artificielle et santé numérique pour le changement des comportements de santé 

Laboratoires de recherche : LIVIA – Laboratoire d'imagerie, de vision et d'intelligence artificielle  LiNCS – Laboratoire en ingénierie cognitive et sémantique 

Profil de l'auteur(e)


Recevez les dernières actualités scientifiques de l'ÉTS