Approches pour la détection automatique de présence sexuelle en temps réel via analyse d'EEG

La détection de la présence sexuelle constitue un enjeu important en contexte médico-légal et clinique, notamment pour l’évaluation du risque de récidive chez les auteurs d’infractions sexuelles. Ce mémoire propose une exploration de diverses méthodes non invasives de détection en temps réel de l’impulsion sexuelle à partir de seuls signaux Electroencéphalogramme (EEG), en supprimant la Plétysmopgraphy Pénienne (PPG). L’impulsion sexuelle est définie comme une réponse physiologique rapide à un stimulus sexuel, distincte de la présence sexuelle, qui relève d’une expérience subjective plus complexe. L’étude repose sur des immersions virtuelles de participants masculins dans des scénarios neutres et érotiques. Trois approches de classification issues de divers domaines de la littérature sont comparées : réseaux Convolutional Neural Network (CNN) appliqués à des spectrogrammes , extraction de caractéristiques profondes via Regional-Asymmetric Convolutional Neural Network (RA-CNN), et modèles Perceptron Multi-couches (MLP) basés sur des entropies. Malgré des résultats prometteurs intra-participants, la généralisation à des individus inconnus reste limitée et le raffinage est nécessaire pour obtenir des performances satisfaisantes. Ces travaux montrent la prévalence des modèles MLP basés sur des caractéristiques d’entropie Fuzzy et met en avant leur limites avec la nécessité de prétraitements et d’extraction de caractéristiques computationnellement lourds et incompatibles avec le temps réel. Des pistes d’amélioration sont proposées, telles que l’optimisation GPU et l’intégration de données oculométriques. Ce travail ouvre la voie à des outils non invasifs pour l’évaluation clinique de la réponse sexuelle.

Abstract

Detecting sexual presence is a major concern in clinical and forensic contexts, particularly for assessing the risk of recidivism among sexual offenders. This thesis introduces an exploration of non-invasive methods for real-time detection of sexual impulse using only EEG signals, eliminating the need for PPG. Sexual impulse is defined as a rapid physiological response to sexual stimuli, distinct from sexual presence, which involves a more complex and subjective experience. The study is based on immersive virtual scenarios involving male participants exposed to both neutral and erotic content. Three classification approaches drawn from various fields are compared: CNN applied to spectrograms, deep feature extraction via RA-CNN, and MLP models based on entropy features. While intra-participant results are promising, generalization to unseen individuals remains limited, requiring fine-tuning to achieve satisfactory performance. This work highlights the effectiveness of MLP models based on fuzzy entropy features, while also underscoring their limitations due to computationally intensive preprocessing and feature extraction, which are incompatible with real-time use. Potential improvements include GPU optimization and the integration of eye-tracking data. This research paves the way for non-invasive tools to assess sexual response in clinical settings.