Auteur / Autrice : | Charlotte Jacobé de Naurois |
Direction : | Jean-Louis Vercher, Clément Bougard |
Type : | Thèse de doctorat |
Discipline(s) : | Sciences du Mouvement Humain |
Date : | Soutenance le 27/09/2018 |
Etablissement(s) : | Aix-Marseille |
Ecole(s) doctorale(s) : | Ecole doctorale Sciences du Mouvement Humain (Marseille) |
Partenaire(s) de recherche : | Laboratoire : Institut des Sciences du Mouvement Etienne Jules Marey (ISM) |
Entreprise : Groupe PSA | |
Jury : | Président / Présidente : Bernard Claverie |
Examinateurs / Examinatrices : Damien Léger | |
Rapporteurs / Rapporteuses : André Dufour, Alice Caplier |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
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.