Détection précoce de l’endormissement en situation de conduite automobile

Early detection of drowsy driving

• Auteur / Autrice : Baptiste Chevallier
• Direction : Dan Mircea Istrate
• Type : Thèse de doctorat
• Discipline(s) : Bioingénierie et Informatique : Unité de Recherche en Biomécanique et Bioingénierie (UMR-7338)
• Date : Soutenance le 27/06/2023
• Etablissement(s) : Compiègne
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Compiègne)
• Partenaire(s) de recherche : Laboratoire : Biomécanique et bioingénierie

Mots clés

Mots clés contrôlés

Forêts d'arbres de décision

Fusion multicapteurs

Traitement du signal

Apprentissage profond

Apprentissage automatique

Rythme cardiaque

Biocapteurs

Sécurité routière -- Facteur humain

Conduite automobile

Somnolence

Mots clés libres

Variabilité cardiaque

Comportement de conduite

Heart rate variability

Machine learning

Classification

Biosensor

Drowsiness

Driving

Signal processing

Deep learning

Random forest

Traffic safety

Résumé

La sécurité routière est un enjeu de société majeur. Les pouvoirs publics sont très actifs pour rendre nos routes plus sures. De leur côté les constructeurs automobiles cherchent à produire des véhicules toujours plus sécurisants. L’une des causes majeures d’accident mortel sur la route est la somnolence au volant. Elle est générée par la fatigue physique et psychologique du conducteur qui se concentre trop longtemps sur sa tâche. La somnolence est complexe à prédire et à quantifier. Dans le cadre de ces travaux de thèse, nous avons cherché à développer un système intégrable en véhicule qui pourrait, grâce à l’étude de signaux physiologiques, prédire et détecter la somnolence au volant. Pour cela nous avons réalisé des collectes de données en simulateurs sur 15 puis 27 sujets différents. Ces collectes ont permis de rassembler des données personnelles, physiologiques et comportementales des sujets au cours d’une expérience de conduite favorisant la somnolence. L’analyse des données physiologiques a permis le développement de nombreuses caractéristiques notamment fréquentielles sur le signal de variabilité cardiaque. Ces caractéristiques ont permis de construire un modèle de détection (pendant la somnolence) et de prédiction (anticipation de l’évènement) avec un F1-Score respectivement de 91,8% et 65,1%. Le travail sur les données comportementales a également permis de créer un modèle de détection avec un F1-Score respectivement de 49% et 59%. Nous proposons dans ces travaux une fusion de données entre physiologie et comportementale qui porte les performances à 89% en détection et 68% en prédiction. Ces travaux de thèse ont été effectués en collaboration entre la chaire eBioMed du laboratoire BMBI de l’université de Compiègne et l’entreprise FIPSICO.

Road safety is a significant societal issue. Public authorities are highly engaged in making our roads safer. On their part, automobile manufacturers are striving to produce increasingly secure vehicles. One of the major causes of fatal accidents on the road is driver drowsiness. It is brought about by the physical and psychological fatigue of the driver, who remains focused on their task for too long. Drowsiness is intricate to predict and quantify. Within the scope of this thesis work, we aimed to develop an integrable in-vehicle system that could predict and detect driver drowsiness through the study of physiological signals. For this purpose, we conducted data collections in simulators involving 15 and then 27 different subjects. These collections enabled the gathering of personal, physiological, and behavioral data from subjects during a driving experience that induced drowsiness. The analysis of physiological data led to the development of numerous features, especially frequency-based features on the heart rate variability signal. These features contributed to constructing a detection model (during drowsiness) and a prediction model (anticipating the event) with Fl-Scores of 91.8% and 65.1%, respectively. Work on behavioral data also resulted in a detection model with F 1 -Scores of 49% and 59%, respectively. In this work, we propose a data fusion approach between physiology and behavior that enhances performance to 89% in detection and 68% in prediction. This thesis research was carried out in collaboration between the eBioMed chair of the BMBI laboratory at the University of Compiègne and the company FIPSICO.