Mesure de l'attention visuo-spatiale dans l'espace et le temps par les potentiels reliés aux événements (PRÉ)

Abstract

Les potentiels reliés aux événements (PRÉ) sont très couramment utilisés comme méthode de mesure de l’attention visuelle. Certaines composantes PRÉ comme la N2pc et la P3 sont largement considérées comme marqueurs du déploiement de l’attention. Afin d’investiguer s’il est possible de déterminer la localisation sur laquelle l’attention est dirigée ou encore la présence ou non de l’attention à une localisation donnée, une tâche d’indiçage spatial a été utilisée. L’indice indiquait l’une de quatre localisations sur laquelle les participants devaient diriger leur attention. L’indice spatial utilisé était de nature exclusivement symbolique, impliquant que l’attention devait être déplacée de façon volontaire. L’analyse des signaux ÉEG captés alors que les participants réalisaient la tâche a été effectuée en faisant usage d’une technique d’apprentissage machine. Un classificateur de type SVM (Support Vector Machine) a ainsi été utilisé afin de prédire la présence ou l’absence d’attention à une localisation en utilisant le signal ÉEG associé aux cibles et aux distracteurs. Un taux de précision de 75% (p < 0,001) a été obtenu lors de cette classification, le niveau du hasard se trouvant à 50%. Un classificateur de type DSVM (SVM à dendrogramme) a été utilisé afin de prédire le locus précis de l’attention en utilisant le signal ÉEG relié aux cibles uniquement. Dans ce problème de classification, un taux de prédiction exacte de 51,7% (p < 0,001) a été obtenu, le niveau du hasard étant de 25%. Les résultats indiquent qu’il est possible de distinguer le locus attentionnel à partir des PRÉ dans un espace de +/- 0,4 degrés d’angle visuel et ce, avec des taux de précision dépassant largement le niveau du hasard.

Event related potentials (ERP) are commonly used as a method of measuring visual attention. ERP components such as N2pc and P3 are largely considered as markers of attention deployment. In order to investigate the possibility of predicting the locus and the presence or absence of attention, a spatial cueing task was used. A cue indicated one of the four locations on which subjects had to direct their attention. The spatial cue was exclusively symbolic, implying that attention had to be oriented voluntarily. The analysis of the EEG signal which was measured as subjects carried out the task was performed using machine learning. An SVM (Support Vector Machine) classifier was used to predict the presence or absence of attention at one location, using the EEG signal associated with targets and distractors. A decoding accuracy of 75% (p < 0,001) was achieved for this classification, with a chance level of 50%. A DSVM (Dendrogram SVM) was used to predict the precise locus of attention using the EEG signal linked to targets only. In this classification problem, a decoding accuracy of 51,7% (p < 0,001) was achieved, with a chance level of 25%. These results suggest that it is possible to distinguish the locus of attention from ERPs in a +/- 0,4 degrees of visual angle space with decoding accuracies considerably above chance.