Quality of Experience (QoE) Assessment Using Physiological Signals : Focus on Multimedia Services.

Évaluation de la qualité d’expérience utilisateur basée sur le traitement de signaux physiologiques : Application aux services multimédia. Ces dernières années ont montré une évolution du traffic Internet sans précédent, supportée par le développement des technologies de communication, impactant durablement la place occupée par les contenus multimédia dans notre quotidien. Des services de streaming aux jeux vidéos, en passant par les services de vidéo conférence, chaque aspect de notre vie comporte une opportunité d’intégration d’un tel contenu. De cette manière, nombre d’opérateur de contenu (Netflix, Meta, Zoom, Amazon, Youtube, etc...) ont vu le jour et entretiennent leur service. Cette omniprésence a justifié l’introduction d’un nouveau paradigme, centré sur de nouvelles métriques mesurant la satisfaction de l’utilisateur, regroupées dans un concept appellé la Qualité d’Expérience (QoE).Celle-ci (QoE) a vu le jour dans un cadre de recherche il y a maintenant quelques années. Elle a pour but de comprendre comment mesurer la satisfaction des utilisateurs de services informatiques, notamment multimédia. Ces recherches ont d’abord porté sur les aspects techniques de ces applications, en se concentrant sur les méthodes permettant de délivrer le contenu de manière aussi fidèle et rapide que possible. Ce domaine demeure un sujet de recherche actif, bénéficiant des avancées technologiques du domaine des télécommunication. Une autre approche est née en parallèle, permise par l’apparition puis l’évolution de nouveaux domaines de recherche, exploitant des systèmes de mesures de signaux physiologiques de plus en plus performants, portables, et répandus. Basée sur la perception unique de chaque utilisateur, elle consiste à s’intéresser à ces mesures, non-contrôlable par ces utilisateurs, afin d’y observer l’impact du niveau de qualité ressenti, permettant l’évaluation objective d’une notion subjective. Les travaux effectués dans le cadre de cette thèse ont pour objectifs de mettre au point des techniques permettant l’estimation de cette qualité d’expérience d’un utilisateur en exploitant des signaux physiologiques récoltés directement sur celui-ci, dans un cadre de consommation de contenus multimédia. Un état de l’art sur les liens entre la QoE et divers signaux physiologiques, ainsi que sur les méthodes prédictives performantes se basant sur de telles données, nous a permis de concevoir une approche originale pour permettre la prédiction de la QoE, et l’optimisation de celle-ci tant sur l’aspect efficacité que l’aspect temporel, dans le but de contrôler le réseau plus efficacement. Nos travaux se basent sur l’exploitation des signaux de nature non contrôlée, en particulier ceux issus d’électroencéphalogramme (EEG) et l’électrocardiogramme (ECG), correspondant respectivement aux signaux du système nerveux central (cerveau) et du système nerveux périphérique. La démarche suivie dans le cadre de cette thèse a été incrémentale. Une première étape a consisté à exploiter les signaux EEG très informatifs mais présentant une grande complexité. En nous inspirant de la littérature scientifique médicale qui utilise ces signaux depuis de nombreuses années, nos travaux ont eu pour objectifs d’identifier des biomarqueurs permettant la mesure de la QoE dans ces signaux physiologiques, ainsi que leur utilisation pour permettre de la prédire avec des méthodes d’apprentissage automatique. La deuxième étape a eu pour objectif d’améliorer l’architecture du modèle proposé par l’intégration d’un module d’enrichissement des données d’entrée du modèle conçu sur la base d’une méthode traitant et intégrant les signaux ECG au cadre global, pour intégrer des informations sur l’état émotionnel, important pour la QoE, à notre prédiction. Enfin, l’aspect temporel est abordé, réduisant le temps nécessaire pour la prédiction des facteurs d’influence de la QoE par le concept d’apprentissage multi-tâches. Cet aspect temporel est primordial pour permettre un contrôle du réseau piloté par une QoE affective en temps réel, qui nécessitera une prédiction rapide.