Quand un chercheur en neurosciences rencontre l'un des pionniers du jeu en ligne, cela donne la start-up Conscious Lab, à l'origine d'un petit capteur capable d'analyser l'activité cérébrale. Nous avons rencontré ces deux créateurs dont l'invention porte de nombreuses promesses.
On peut comparer chaque état de notre cerveau (comme l'attention, le stress, la fatigue…) à un style de musique. Chacune des fréquences d'oscillation du courant cérébral a des spécificités, un peu comme à chaque style musical, on peut associer un spectre particulier (des basses pour l'électro, des aigus pour du classique). Voilà pour la théorie. Dans la pratique, les données sont un peu plus compliquées à relever et à étudier. Il faut filtrer les signaux parasites (les « bruits ») et comprendre les spécificités des sujets. C'est pourquoi les dispositifs médicaux de mesure sont souvent soit intrusifs soit encombrants. Loin des bracelets connectés qui mesurent aujourd'hui notre pouls. Julien Dauguet, chercheur en neurosciences et Aksel Piran, pionnier du jeu en ligne, sont pourtant parvenus à réduire considérablement la taille d'un capteur. Ils nous en disent un peu plus sur cette aventure passionnante dans les méandres de notre cerveau.
Comment est né votre projet ?
« C'est la rencontre de deux mondes, ceux de ses deux fondateurs. Julien est issu de la recherche en neurosciences sur les maladies neurodégénératives. Il a cherché à sortir cette discipline du laboratoire et à trouver des applications pour aider les athlètes du quotidien. Aksel est un technophile pionnier des jeux en ligne qui a plus récemment lancé la première caméra 360° pour le livestreaming 4K, à la croisée de la réalité virtuelle, de la vidéo et de l'électronique. Nous avons décidé d'axer notre développement, dans un premier temps, sur le jeu vidéo, parfait laboratoire pour nos expériences. La composante neurophysiologique est en effet ultra importante pour la performance et le bien-être des gamers, ça nous a paru une évidence d'essayer d'apporter une solution adaptée pour ces athlètes du cerveau, avant de déployer notre technologie à d'autres activités ».
Quelles sont les informations que l'on peut recueillir en analysant le courant faible émis par le cerveau lorsqu'il est en activité ?
« L'avantage de la mesure de l'activité cérébrale, c'est qu'on est à la source de toute chose. Toute action ou intention humaine s'initie dans le cerveau. Grâce à des technologies comme l'EEG (électroencéphalographie) ou l'ECG (électrocardiographie), il y a une très grande connaissance de l'analyse des états durant le sommeil mais beaucoup moins grande concernant la veille. Cela est principalement dû au fait qu'il est compliqué de porter un dispositif EEG dans la journée, sur une longue période, pendant qu'on réalise son activité normalement. C'est ce qu'on souhaite changer grâce à notre dispositif intégré dans un casque, en l'occurrence de Gaming (projet Mindbuff, N.D.L.R.). L'une des applications assez naturelle est la commande de la machine directement par la pensée : ça fait un peu rêver, mais on est loin d'atteindre des résultats utilisables pour l'heure. L'autre domaine est le neuro-sensing, comprendre les états neurophysiologiques de manière automatique et objective. C'est dans cette tranche que nous évoluons ».
Quelle est la fiabilité des données recueillies ?
« On a toujours cherché à travailler avec des laboratoires de recherche de pointe pour valider notre matériel et nos algos. On peut donc dire que l'on mesure un signal fiable et de qualité. Il faut bien entendu faire des compromis pour passer d'un système médical à un casque audio, on a moins de canaux, un signal un peu plus bruité mais on a une partie analyse logicielle très solide. De plus, le fait d'acquérir des grandes bases de données nous permet de mettre en place des stratégies de machine learning extrêmement puissantes ».
Où en êtes-vous dans le développement de votre produit ?
« Nous avons énormément travaillé en amont pour le développement des capteurs et des marqueurs d'état neurophysiologiques. On est arrivé à une version stable de l'électronique, on itère encore sur la forme optimale pour les capteurs et on est en phase active d'acquisition de données pour alimenter notre base et lancer les algorithmes de machine learning sur des problématiques spécifiques ».
