Résumé
L’électroencéphalographie (EEG) combinée à l’intelligence artificielle (IA) ouvre la voie à de nouvelles méthodes d’analyse des processus cognitifs, en particulier dans les régions du monde où l’accès aux outils de diagnostic avancés demeure restreint.
En Afrique, cette combinaison représente une opportunité majeure d’améliorer l’efficacité, la précision et la reproductibilité de la recherche en neurosciences cognitives. Cette étude explore une approche reposant sur l’enregistrement de signaux EEG durant une tâche simple (alternance yeux ouverts / yeux fermés), suivie d’un traitement de signal avancé et d’une classification automatique via l’algorithme Random Forest. Après filtrage des signaux bruts, la densité spectrale de puissance est estimée à l’aide de la méthode de Welch, permettant de calculer les puissances dans les bandes Alpha et Thêta, largement reconnues pour refléter les états attentionnels et cognitifs. Ces puissances sont ensuite transformées en mesures relatives normalisées. En exploitant ces caractéristiques, le modèle Random Forest a pu distinguer les deux états avec une précision finale de 91,7 %,
validée par un F1-score global de 92 %. Ces résultats démontrent la faisabilité d’un protocole EEG + IA dans des environnements à faibles ressources, tout en fournissant des outils de diagnostic et d’analyse prometteurs pour l’éducation, la
santé mentale et la neurologie en Afrique.
Mots-clés : EEG, intelligence artificielle, Random Forest, cognition, Afrique
Abstract
The combination of Electroencephalography (EEG) and artificial intelligence (AI) paves the way for new methods of analyzing cognitive processes, particularly in regions where access to advanced diagnostic tools is limited. In Africa, for example, this combination offers a significant opportunity to improve the efficiency, accuracy, and reproducibility of cognitive neuroscience research. This study explores an approach involving EEG signal recording during a simple task (alternating between opening and closing the eyes), followed by advanced signal processing and automatic classification using the Random Forest algorithm. After filtering the raw signals, power spectral density is estimated using Welch’s method to calculate power values in the Alpha and Theta bands, which are both widely recognized as indicators of attentional and cognitive states. These power values are
then transformed into normalized relative measures. Using these features, the Random Forest model successfully distinguished between the two states, achieving a final accuracy of 91.7%, and an overall F1-score of 92%. These results demonstrate the feasibility of an EEG + AI protocol in low-resource settings while providing promising diagnostic and analytical tools for education, mental health, and neurology in Africa.
Keywords : EEG, artificial intelligence, random forest, cognition, Africa
