Modèles de détection et de prédiction de la somnolence au volant pour des systèmes personnalisés d'aide à la conduite / Charlotte Jacobé de Naurois ; sous la direction de Jean-Louis Vercher et de Clément Bougard

Date :

Type : Livre / Book

Type : Thèse / Thesis

Langue / Language : français / French

Automobiles -- Systèmes d'aide à la conduite

Somnolence

Rythme cardiaque

Vigilance (physiologie)

Classification Dewey : 612

Vercher, Jean-Louis (Directeur de thèse / thesis advisor)

Bougard, Clément (1982-...) (Directeur de thèse / thesis advisor)

Claverie, Bernard (1955-....) (Président du jury de soutenance / praeses)

Dufour, André (1967-....) (Rapporteur de la thèse / thesis reporter)

Caplier, Alice (1968-.... ; chercheuse en informatique) (Rapporteur de la thèse / thesis reporter)

Léger, Damien (19..-.... ; chef de clinique-assistant à l'Hôtel-Dieu, Paris, en 1994) (Membre du jury / opponent)

Aix-Marseille Université (2012-....) (Organisme de soutenance / degree-grantor)

Ecole doctorale Sciences du Mouvement Humain (Marseille) (Ecole doctorale associée à la thèse / doctoral school)

Institut des Sciences du Mouvement Etienne Jules Marey (ISM) (Laboratoire associé à la thèse / thesis associated laboratory)

Groupe PSA (Entreprise associée à la thèse / thesis associated company)

Résumé / Abstract : La conduite automobile requiert la mobilisation des ressources cognitives et physiologiques. Ainsi, détecter si le conducteur est somnolent ou même prédire dans combien de temps il risque de le devenir sont des défis importants pour le développement de nouveaux systèmes d’aide à la conduite. La somnolence, état intermédiaire entre le sommeil et la veille, représente un état dégradé et affecte donc potentiellement les performances de conduite. Ces travaux s’intéressent à la modélisation de la somnolence au volant grâce à des réseaux de neurones artificiels (ANN) et à l’aide de mesures physiologiques (rythme cardiaque et respiratoire), comportementales (mouvement des paupières et de tête) et à l’activité et performances de conduite. La première étude a montré qu’un ANN peut détecter le niveau de somnolence compris entre 0 et 4 (alerte à extrêmement somnolent) avec une racine carrée de l’erreur quadratique moyenne (REQM) de 0,40, mais aussi prédire dans combien de temps un état dégradé risque d’arriver avec une REQM de 2,23 min. Le temps de conduite et les informations personnelles permettent d’accroître les performances. Puis, ces modèles ont été testés sur un nouveau conducteur, mais de mauvaises performances sont observés. Ainsi, Un ANN a été entraîné sur un ensemble de conducteurs, puis il a été adapté à un nouveau conducteur, jamais vu avant par le ANN, grâce à ces premières données d’enregistrement. Grâce à cette adaptation personnalisée du ANN, une amélioration des performances de 40 et 80% est observé pour la détection et la prédiction de la somnolence au volant respectivement. Cette adaptation est une première réponse au problème de la variabilité interindividuelle.

Résumé / Abstract : Driving a car is a requiring full mobilization of physiological and cognitive resources to maintain performance. Detecting when the driver is drowsy but also predicting when the driver’s operational state begins to degrade has become one ambitious challenge for the development of new Advanced Driving Assistance Systems. Drowsiness, the intermediate state between sleep and awake, represents an impaired state for driving and its potential effect on the driving performance. This work focuses on developing a driver drowsiness model by using artificial neural networks (ANN) and physiological measures (heart and respiratory rate and their variability), behavioral (eyelids and head movement) and driving and performance activity (speed, time-to-lane-crossing, speed, steering wheel angle, position on the lane). The first study shows that a model can detect the level of drowsiness between 0 and 4 (alert and extremely drowsy) with a root mean square error (RMSE) of 0.4 and also predict when the impaired state will occur with a RMSE of 2.23 min. The driving time and personal information can enhance the performance. These models were then tested on a different participant, but in this case, we observe poor generalization performance. We then tested a personalized adaptation of this ANN, where the ANN was trained on a group of drivers and then adapted to a new driver. With this personalized adaptation of the ANN, we observe a performance improvement of 40% and 80% for the detection and the prediction of driver drowsiness respectively. This personalized adaptation process to the first data recorded is an initial response to the problem of inter-individual variability.