Un système intelligent de reconnaissance des émotions basé sur l’IoT utilisant des paramètres internes du corps

Pourquoi vos émotions pourraient bientôt devenir un signe vital

Imaginez que votre montre intelligente suive discrètement non seulement vos pas et votre fréquence cardiaque, mais aussi à quel point vous êtes stressé, calme ou joyeux au fil de la journée — et qu’elle alerte votre médecin avant que l’épuisement ou la dépression ne s’installe. Cet article décrit une avancée vers ce futur : un système intelligent qui lit des signaux internes du corps, les transmet via l’Internet des objets (IoT) et utilise l’apprentissage automatique pour déterminer en temps réel l’émotion que vous ressentez.

Écouter les émotions à travers le corps

Nos émotions ne se manifestent pas seulement sur nos visages ou dans notre voix ; elles parcourent notre corps. Lorsque nous sommes en colère, notre tension artérielle peut augmenter. La peur peut accélérer le pouls, tandis que la tristesse peut nous ralentir. Les chercheurs à l’origine de cette étude ont voulu construire un système qui capte ces ondulations internes et les traduit en six états émotionnels courants : neutre, heureux, triste, peur, colère et surprise. Plutôt que d’utiliser des caméras ou des microphones, ils s’appuient sur des mesures internes du corps — telles que la fréquence cardiaque, la tension artérielle, la température corporelle, la glycémie, la saturation en oxygène et l’activité musculaire — captées par des capteurs portables et envoyées à un système informatique pour analyse.

Transformer un dispositif portable en radar émotionnel

L’équipe a conçu un brassard multi-capteurs associé à un petit microcontrôleur compatible Wi‑Fi. Cet appareil collecte plusieurs flux de données simultanément : la vitesse des battements du cœur, la chaleur de la peau, la quantité d’oxygène transportée par le sang, la tension des muscles, la pression artérielle et les variations de la glycémie. Ces signaux sont transmis sans fil à un téléphone ou à une passerelle à proximité, puis vers des serveurs cloud. Là, les données sont nettoyées — suppression du bruit, correction des erreurs évidentes et normalisation des unités — avant d’être stockées dans des bases de données locales et cloud. Des experts médicaux ont aidé à définir des plages réalistes pour chaque paramètre et à élaborer des règles qui lient des schémas spécifiques de variations corporelles à des émotions probables, créant ainsi un jeu de données étiqueté pour entraîner des modèles d’apprentissage automatique.

Apprendre aux machines à lire les humeurs

Avec un large ensemble d’exemples étiquetés en main, les chercheurs ont testé onze méthodes d’apprentissage automatique différentes pour voir laquelle pouvait le mieux deviner l’émotion d’une personne à partir de ses relevés internes. Cela comprenait des techniques bien connues telles que la régression logistique, les machines à vecteurs de support, les k plus proches voisins, les réseaux neuronaux et plusieurs méthodes d’ensemble qui combinent de nombreux arbres de décision simples. L’approche Random Forest — une méthode qui vote à travers de nombreux arbres de décision — est ressortie en tête. Sur leur jeu de données principal, elle a identifié correctement les six émotions dans environ 91 % des cas lors de tests standards, et environ 93 % lorsqu’elle a été évaluée de manière plus rigoureuse via une validation croisée k‑fold, qui aide à se prémunir contre le surapprentissage.

Tester le système au‑delà du laboratoire

Pour vérifier si le modèle fonctionnerait sur des personnes et des situations différentes de ses données d’entraînement, l’équipe a réalisé un test externe en utilisant une référence émotionnelle largement utilisée appelée DEAP. Dans ce protocole, des volontaires regardaient des vidéos soigneusement sélectionnées pour évoquer différentes sensations, pendant que leurs signaux internes étaient mesurés avec la même configuration de capteurs. Le modèle Random Forest entraîné, sans être réentraîné, a ensuite été chargé de classer ces nouveaux enregistrements. Il a atteint environ 94 % de précision, avec de bons résultats pour toutes les émotions — preuve que le système peut se généraliser au‑delà de son échantillon d’origine. Les auteurs soutiennent que cela valide à la fois leur choix de signaux corporels et leur conception globale, qui couvre le matériel des capteurs, la communication IoT, le stockage cloud et le logiciel intelligent.

Du prototype de recherche au compagnon du quotidien

Pour un lecteur non spécialiste, la conclusion clé est simple : les signaux cachés de votre corps peuvent révéler de manière fiable ce que vous ressentez, et les ordinateurs peuvent apprendre à les interpréter. Ce travail montre qu’un réseau de capteurs portables, connecté via Internet et analysé avec des algorithmes avancés, peut suivre les émotions de façon non invasive et presque en temps réel. Bien que le système actuel présente des limites — comme une taille d’échantillon modeste et une focalisation sur seulement six émotions de base — il ouvre la voie à des outils futurs susceptibles de soutenir la santé mentale, de personnaliser les expériences numériques, de surveiller des personnes isolées ou vulnérables à domicile et de rendre les environnements intelligents plus sensibles à notre vie intérieure.

Citation: Rashid, T., Bajwa, I.S. & Kim, J. An IoT-based smart emotion recognition system by using internal body parameters. Sci Rep 16, 7210 (2026). https://doi.org/10.1038/s41598-026-35982-9

Mots-clés: reconnaissance des émotions, capteurs portables, signaux physiologiques, Internet des objets, apprentissage automatique