Atlantico.fr et Sebastian Olbrich
Une étude menée par des chercheurs de l’Hôpital universitaire de Zurich s’est penchée, grâce au deep learning, sur les liens entre le cerveau et l’orientation sexuelle.
Atlantico : Vous avez récemment publié une étude (« Deep Learning in the Identification of Electroencephalogram Sources Associated with Sexual Orientation« ). Votre objectif était de classer correctement les données d’électroencéphalogramme à l’état de repos d’hommes ayant une orientation sexuelle différente à l’aide de la technologie du deep learning, de l’apprentissage profond. Comment avez-vous procédé exactement ?
Sebastian Olbrich : Avec notre étude récemment publiée, « Deep Learning in the Identification of Electroencephalogram Sources Associated with Sexual Orientation« , notre objectif principal était d’utiliser des techniques d’apprentissage en profondeur pour catégoriser avec précision les données EEG à l’état de repos d’hommes ayant des orientations sexuelles différentes. Nous disposions d’un réseau d’apprentissage en profondeur pré-entraîné, initialement utilisé pour classer les segments EEG de 2 secondes comme étant « masculins » ou « féminins », offrant une précision impressionnante de plus de 80 %. Ce réseau avait été formé sur un grand ensemble de données de plus de 1000 sujets. Nous avons ensuite essayé d’utiliser ce réseau préexistant pour catégoriser les données EEG de notre groupe spécifique, composé de 40 hommes homosexuels et 40 hommes hétérosexuels. Notre hypothèse de test initiale était que les hommes homosexuels seraient classés plus souvent comme des « femmes », mais les résultats ont montré le contraire, ce qui n’était pas surprenant. Indépendamment de l’orientation sexuelle, les hommes étaient systématiquement classés en fonction de leur sexe biologique. En conséquence, nous avons alors formé un nouveau réseau sur les étiquettes « homosexuel » ou « hétérosexuel ». Après la formation, nous avons observé que le réseau a effectivement appris à identifier et à séparer les motifs propres à chaque groupe, réussissant à classer les hommes avec une précision de 83 %.
Comment expliquer qu’un deep learning correctement formé puisse identifier l’homosexualité avec un taux de réussite de 83% mais pas pré-formé ?
Notre étude a révélé qu’un modèle de deep learning bien formé (sur l’orientation sexuelle) peut différencier l’homosexualité chez les hommes avec un taux de réussite de 83 %, alors qu’un modèle préformé (sur le sexe biologique) ne le pouvait pas. Ce résultat est un aperçu intrigant du caractère distinctif des schémas cérébraux selon les différentes orientations sexuelles et aussi selon le sexe. Il semble que les marqueurs neuronaux EEG qui différencient les hommes et les femmes, et ceux qui différencient les hommes homosexuels et hétérosexuels, ne soient pas les mêmes. Cette connaissance souligne l’importance de former le réseau de neurones sur les bonnes étiquettes pour obtenir des classifications précises.
Vous concluez que les hommes homosexuels ne présentaient pas de schémas de type féminin dans un réseau préformé sur le sexe, mais pouvaient être différenciés des hommes hétérosexuels dans un réseau nouvellement formé. Qu’est-ce que cela nous apprend sur l’homosexualité ?
Nos résultats soulignent que l’homosexualité chez les hommes, du moins au sein de notre sous-groupe étudié, semble être un trait biologique distinct associé à ses modèles EEG fonctionnels uniques. Cela montre que ces modèles ne reflètent pas simplement leur sexe biologique, mais fournissent des informations sur leur orientation sexuelle. Par conséquent, nous pouvons en déduire que l’orientation sexuelle n’est pas strictement liée au sexe biologique d’un individu, remettant en question les conceptions préexistantes sur la corrélation entre ces deux variables.
Comment cette recherche pourrait-elle être utile à l’avenir ?
Bien que nous devions faire preuve de prudence lors de l’utilisation de l’analyse EEG-Deep Learning dans des domaines sensibles tels que l’orientation sexuelle en raison du risque potentiel d’utilisation abusive, les résultats de cette étude ont des implications importantes. Nos recherches démontrent que le deep Learning peut extraire une mine d’informations des ondes cérébrales. À l’avenir, ces connaissances pourraient être utilisées pour améliorer les interfaces cerveau-ordinateur, améliorer la façon dont les sujets interagissent avec leur environnement et faciliter une communication plus efficace entre les humains. En mettant en lumière les modèles uniques d’ondes cérébrales associés à différents traits et états, nous ouvrons la voie à des interactions homme-machine plus personnalisées et plus efficaces.
Cet article vous est offert par Atlantico dans le but de vous faire découvrir ses formules d’abonnement. Convaincu(e) ?Abonnez-vous.