Electrodermal activity (EDA) and heart rate variability (HRV) offer opportunities to grasp critical manifestations of the nervous autonomic system using low-intrusive sensing tools. A key question relies on the capacity to adequately process EDA and HRV signals to extract cognitive load markers, a multifaceted construct with intricate neural networks functioning, where emotions interfere with cognition. Here, 34 participants (20 males, 19.2 ± 1.3 years) were exposed to two-back mental tasking and watching emotionally charged images while recording EDA and HRV. HRV signals were processed using variable frequency complex demodulation (VFCDM) and wavelet packet transform (WPT) to provide high- and low-frequency (HF and LF) markers. Three methods were used to extract EDA indices: VFCDM (EDA_TVSYMP), WPT (EDA_WPT), and convex-optimization (EDA_CVX). Cognitive load and emotion epochs were distinguished by significant differences in NASA-TLX scores, mental fatigue, and stress, on the one hand; and by EDA_CVX and, remarkably, EDA_TVSYMP and HF-HRV_VFCDM on the other hand. A linear mixed-effects model and stepwise backward selection procedure showed that these two markers were main predictors of the NASA-TLX score (cognitive load). The individual perception of cognitive load was finally discriminated by k-means clustering, showing three profiles of autonomic responses relying, respectively, on EDA_TVSYMP, HF-HRV_VFCDM, or a mix of these two markers. The existence of EDA-, HRV-, and EDA/HRV-derived profiles might explain why previous attempts that have predominantly employed a single biosignal often remained unconclusive in evaluating the perceived cognitive load, thereby demonstrating the added value of the present approach to monitor mental-related workload in human operators.

Heart rate variability (HRV) was largely used to evaluate psychophysiological status of Human at rest as well as during cognitive tasks, for both healthy subjects and patients. Among the approaches used for assessing cardiac autonomic control from HRV analysis, biomarkers such as the power in low and high frequencies (LF-HF) are often extracted from short-term recordings lasting 2 to 5 min. Although they correctly reflect the average psychophysiological state of a subject in situation, they fail to analyse cardiac autonomic control over time. For this reason, we suggest investigating the LF-HF biomarkers over time to identify mental fatigue and determine different physiological profiles. The following step consists in defining the set of parameters that characterise the LF-HF time series and that can be interpreted easily by the physiologists. In this work, polynomial models are considered to describe the trends of the LF-HF time series. The latter are then decomposed into decreasing (d) and increasing (i) parts. Finally, the proportion of the i parts of the polynomial trends of the LF and HF powers over time are combined with classically-used metrics to define individual profiles in response to mental fatigue.

Dans le domaine aéronautique, où la sécurité constitue une priorité absolue, la performance des pilotes dépend fortement de leur capacité à gérer efficacement leur charge de travail mental (CTM). Cette dernière, reconnue comme un facteur contributif dans de nombreux accidents, suscite une attention croissante de la part des acteurs du secteur : agences réglementaires, autorités nationales, industriels et chercheurs. Le suivi en temps réel de la CTM représente ainsi un enjeu majeur pour anticiper les situations à risque et renforcer la sécurité des opérations. Diverses méthodes d’évaluation de la CTM ont été développées. Certaines reposent sur la mesure de la performance, impliquant une modulation volontaire de celle-ci pour en extraire des informations pertinentes. D'autres s'appuient sur l’auto-évaluation subjective, mais nécessitent généralement l’interruption de la tâche en cours, ce qui limite leur applicabilité en environnement opérationnel. Une alternative prometteuse consiste à exploiter les bio signaux périphériques, permettant d’estimer l’état psychophysiologique de l’opérateur sans perturber son activité. Ce travail de thèse s’est concentré sur l’utilisation de deux bio signaux en particulier : l’activité électrodermale (EDA) et la variabilité du rythme cardiaque (VRC). Les marqueurs traditionnels issus de ces bio signaux, fondés sur des analyses temporelles ou fréquentielles, se révèlent souvent insuffisamment sensibles pour détecter des variations fines de la CTM. De plus, les contraintes liées aux sites de mesure classiques de l’EDA (paumes ou doigts) limitent son exploitation en environnement complexe. Plus récemment, l’émergence d’approches temps-fréquence, combinée aux évolutions technologiques, a ouvert de nouvelles perspectives pour l’utilisation de ces bio signaux dans la caractérisation de la CTM en environnement opérationnel. Dans ce contexte, ce travail de thèse a consisté à démontrer l’intérêt des marqueurs temps fréquences issus des bio signaux d’EDA et de VRC pour la caractérisation et la différenciation des niveaux de CTM. Il a également contribué à valider un site de mesure alternatif pour l’EDA, compatible avec les contraintes spécifiques du domaine aéronautique, offrant ainsi des perspectives concrètes pour le développement de dispositifs adaptés. Enfin, la robustesse des marqueurs temps fréquence à la présence d’une dette de sommeil a été confirmée, renforçant leur pertinence pour un suivi fiable de la CTM dans des contextes réalistes et contraints. Ces avancées ouvrent la voie à l’intégration de systèmes multi capteurs, non intrusifs et performants, dédiés à la surveillance continue de la CTM en environnement opérationnel.