Impact des contraintes physiologiques aéronautiques sur la performance mentale lors d'une tâche cognitive complexe

Les pilotes d'avions de chasse évoluent dans des environnements extrêmes et cognitivement exigeants. Ils sont soumis à des contraintes physiologiques telles que l'hypoxie, les accélérations ou la restriction de sommeil. Ces contraintes altèrent la performance cognitive, augmentent le risque d'erreurs et compromettent la sécurité des missions. La détection des périodes de surcharge mentale grâce à des signaux physiologiques est ainsi devenue un enjeu majeur pour la sécurité et la performance. Cependant, les modèles actuels de classification des niveaux de charge de travail mentale (CTM) sont souvent développés dans des conditions physiologiques favorables. L'objectif de ce travail de thèse était d'évaluer l'impact combiné d'une CTM élevée et de contraintes physiologiques aéronautiques sur les performances cognitives et les réponses physiologiques. Différents niveaux de CTM ont été induits par le Multi-Attribute Task Battery-II (MATB-II) associé à un paradigme d'Oddball auditif. Un deuxième objectif était de développer un modèle robuste de classification des niveaux de CTM à partir de données physiologiques enregistrées grâce à un panel de capteurs : électroencéphalogramme (EEG), électrocardio-gramme (ECG), oculomètre et ceinture respiratoire. Dans une première étude, nous avons évalué l'effet combiné de trois contraintes : CTM (3 niveaux), hypoxie modérée (2h avec une fraction inspirée d'oxygène (FiO2) = 13,6 %, ' 3 500 m, vs condition normoxique) et restriction de sommeil (3h de temps passé au lit vs 6h). L'association de l'hypoxie et de la restriction de sommeil a entraîné une augmentation de la CTM ressentie et une diminution des performances au MATB-II. Nous avons comparé les performances de six modèles d'apprentissage supervisé pour classer les niveaux de CTM, en utilisant la méthode de Backward Recursive Feature Elimination (RFE) pour optimiser chaque modèle. Les performances de classification se sont fortement dégradées sous hypoxie et/ou restriction de sommeil (F1-score < 35 %). Cependant, les algorithmes K-Nearest Neighbors (KNN) et Random Forest (RF) ont maintenu des performances satisfaisantes lorsque l'apprentissage était réalisé dans des conditions physiologiques variées. Nous avons observé une amélioration des performances de classification grâce à des modèles multimodaux combinant plusieurs paramètres physiologiques. Dans une seconde étude, nous avons exploré l'impact d'une CTM (2 niveaux) combinée à des accélérations modérées prolongées (+2Gz ou +3Gz pendant 12min, vs +1Gz) et à une restriction de sommeil (3h de temps passé au lit). L'exposition à +3Gz a entraîné une diminution des performances au MATB-II ainsi qu'une augmentation de la CTM ressentie. La précision et les temps de réaction aux tâches auditives ont été particulièrement affectées. Ces contraintes ont également fortement impacté les réponses physiologiques. Nos travaux sur les modèles de classification soulignent l'importance de l'apprentissage et de la validation croisée des modèles à travers différentes conditions physiologiques. Ces résultats contribueront à l'optimisation des systèmes embarqués de monitoring de l'état cognitif des pilotes d'aéronefs, en améliorant la détection des phases de CTM élevée en vol.