Détection visuelle et cognitive de la distraction en situation de conduite par signal EEG

Visual Cognitive Driving Distraction Detection using EEG

• Auteur / Autrice : Norhasliza MOHAMAD YUSOFF
• Direction : Frédéric Merienne, Christophe Guillet, Naufal Mohamad Saad
• Type : Thèse de doctorat
• Discipline(s) : Informatique-traitement du signal
• Date : Soutenance le 06/12/2019
• Etablissement(s) : Paris, ENSAM en cotutelle avec Université de technologie de Petronas (1997-.... ; Seri Iskandar, Perak, Malaisie)
• Ecole(s) doctorale(s) : École doctorale Sciences des métiers de l'ingénieur (Paris)
• Partenaire(s) de recherche : Laboratoire : LISPEN

Mots clés

Mots clés contrôlés

Sciences -- Aspect cognitif

Conduite automobile -- Simulateurs

Mots clés libres

Détection de distractions

Signaux physiologiques

Simulateur de conduit

Distraction detection

Physiological signal

Driving simulator

Résumé

Le principe de la distraction au volant est de détourner l'attention du conducteur en phase de conduite en toute sécurité au profit d'une tâche concurrentielle. Le paradigme de la double tâche repose sur l’hypothèse que la distraction se traduit par une charge cognitive excessive et des ressources restreintes en termes d'attention. Pour combler les lacunes des travaux de recherche portant sur l’étude de la sécurité des conducteurs, cette thèse vise à découvrir les mécanismes de détection de la distraction cognitive visuelle à l'aide de signaux physiologiques. A cette fin, deux séries d'expérimentations ont été menées avec 18 participants. La première expérimentation avec 10 participants vise à évaluer les effets de la distraction et de la synchronisation des signaux de l’EEG. Pour l'analyse statistique, le test de Shapiro-Wilk et l'analyse de variance à deux facteurs ANOVA ont été utilisés. Les résultats indiquent que les deux tâches de distraction cognitive visuelle sont exécutées de façon séquentielle et que le temps de réaction est affecté par le passage d'une tâche à l'autre. Pour la deuxième expérimentation avec 8 participants, un système intégré a été créé en C++, qui implique un système CAVE à 4 parois, un simulateur de conduite utilisant le logiciel de simulation SCANeR, un simple casque EEG à 20 canaux (Enobio 20), un SMI de suivi oculaire et un logiciel BeGaze. Comme paramètres qualitatifs, les réponses aux questionnaires SSQ et NASA-TLX ont été utilisés pour évaluer les commentaires des utilisateurs. Comme paramètres quantitatifs, des solutions d’équations mathématiques, des mesures de mouvements oculaires, de signaux EEG et de performances de conduite ont été utilisées. Pour l'analyse des données, les logiciels Matlab et SPSS ont été utilisés et pour l'analyse statistique, le test Shapiro-Wilk et ANOVA à un facteur. Les résultats indiquent que l'expérience exige une capacité mentale plutôt qu'une capacité physique. Les fréquences de la bande delta dans le lobe frontal des signaux EEG n'ont pas d'impact significatif sur la différentiation entre conduite et distraction, mais les bandes delta et thêta au centre et au pariétal en ont. Les résultats ont également révélé que les fréquences des bandes thêta et alpha sont effectivement des caractéristiques importantes dans les deux expérimentations. Dans une tâche où le sujet peut contrôler quand il s'engage dans la tâche secondaire, la bande bêta a montré son importance d’un point de vue statistique, étant la seule capable de faire la distinction entre différents niveaux des tâches cognitives. La similitude la plus frappante entre les deux expérimentations est que certaines des caractéristiques statistiquement significatives se chevauchent entre les régions du cerveau. Par conséquent, une analyse comparative des techniques d'apprentissage machine (SVM-RFE c. les forêts aléatoires) dans la sélection des caractéristiques pertinentes des signaux EEG, en combinaison avec les valeurs de cohérence, a également été réalisée. Les résultats indiquent que, bien qu'en général, les forêts aléatoires donnent de meilleurs résultats que le séparateur SVM, le score F1 du SVM avec SVM-RFE montre les scores les plus élevés (0.90).

Driving distraction shift the attention away from safe driving towards a competing task. Dual task paradigm defines distraction in terms of excessive workload and limited attentional resources. To fill the gap in driver’s safety research, the thesis aims to uncover the mechanics of detecting visual cognitive distraction by using physiological signals. There are 2 sets of experiments conducted with 18 participants. The first experiment with 10 participants aims at evaluating the effects of distraction and synchronising EEG signals. For statistical analysis, Shapiro Wilk test and two-way ANOVA have been used. The results state that the two visual cognitive distraction tasks are performed sequentially and reaction time is affected by the switch. For the second experiment with 8 participants, an integrated system has been created in C++, which involves a 4-wall CAVE system, a driving simulator using SCANeR simulation software, a simple EEG headset with 20 channels (Enobio 20), SMI Eye tracker, BeGaze software. As qualitative methods, SSQ and NASA TLX have been used to evaluate user feedback. As quantitative methods, maths equations, eye movements, EEG signals, and driving performance have been used. For data analysis, Matlab and SPSS and for statistical analysis, Shapiro Wilk test and one-way ANOVA have been used. The results indicate that experiment demands mental capacity, rather than physical capacity. Delta band frequencies in frontal lobe of EEG signals do not have a significant impact on discriminating between driving and distraction, but delta and theta band at central and parietal do. The results also revealed that theta and alpha band frequencies are indeed an important features in both experiments. In a task where subject can control when they are engaging towards the secondary task, beta band showed its statistical importance being the only one able to discriminate up to different level of cognitive tasks. The most striking similarity between both experiments were, some of the statistically significant features are overlapped between brain regions. A comparative analysis of machine learning techniques (SVMs vs Random Forests) in selecting relevant features of EEG signals, referring to the coherence values, has also been conducted. Results indicate that although in general random forests perform better than SVM classifier, F1-score for SVM demonstrates the highest scores (0.90).