L’analyse de la voix est un outil prometteur pour permettre le suivi régulier et en conditions écologique de la somnolence. Notre objectif est, dans un premier temps, de vérifier la faisabilité de détecter la somnolence dans la voix dans des conditions contrôlées.

Pour cela, nous avons enregistré la voix de 93 patients (hypersomnie de diverses étiologies) passant un TILE. Avant chaque opportunité de sieste, les patients sont enregistrés en train de lire un texte d’environ 250 mots à haute voix. Deux familles de descripteurs sont ensuite extraites de ces enregistrements : des descripteurs de la qualité acoustique de la voix (fréquence, énergie, pureté spectrale, …) ; et des descripteurs de qualité de lecture (erreurs de lecture, durée et emplacement des pauses de lecture). Nous entraînons ensuite un système de machine learning à détecter les patients présentant une latence d’endormissement pathologique (TILE moy.≤8min, n=21) et une Somnolence Diurne Excessive sévère (ESS>15, n=39).

Les descripteurs et le système de classification proposés permettent de détecter correctement à la fois la somnolence objective (Sen.=76,2 %, Spé.=95,8 %), détectée majoritairement grâce à la qualité de lecture, et la somnolence subjective (Sen.=56,4 %, Spé.=94,4 %), détectée majoritairement grâce à la qualité acoustique de la voix.

Les résultats obtenus en conditions contrôlées sont prometteurs pour le portage de cette technologie dans des conditions écologiques, puis dans leur intégration dans des applications smartphones comme KANOPÉE.