Soutenance de thèse de Charlotte JACOBE DE NAUROIS

La conduite automobile requiert la mobilisation des ressources cognitives et physiologiques dans l’objectif de maintenir les performances et la sécurité du conducteur ainsi que des passagers. C’est pourquoi de nombreux chercheurs ont étudié la problématique de la somnolence au volant. Détecter quand le conducteur est somnolent ou même prédire dans combien de temps il risque de le devenir sont devenus des défis importants pour le développement de nouveaux systèmes d’aide à la conduite (Advanced Driving Assistance Systems, ou ADAS). Cette thèse s’est non seulement intéressée à la détection de la somnolence, c’est-à-dire l’estimation à un instant t du niveau de somnolence du conducteur, mais également à la prédiction de la somnolence, c’est-à-dire l’estimation du temps avant l’occurrence d’un certain niveau critique de somnolence. La somnolence, état intermédiaire entre le sommeil et la veille, représente un état dégradé pour la conduite et affecte donc potentiellement les performances de conduite. Ces travaux se sont intéressés à la modélisation de la somnolence au volant à partir de réseaux de neurones artificiels (ANN) et à l’aide de mesures physiologiques (rythme cardiaque et respiratoire et leurs variabilités), comportementales (mouvement des paupières et de tête) et de l’activité et performances de conduite (vitesse, angle au volant et déviation de la position sur la voie). Une première étude a montré qu’un ANN pouvait non seulement détecter le niveau de somnolence du conducteur compris entre 0 et 4 (alerte à extrêmement somnolent) avec une racine carrée de l’erreur quadratique moyenne de 0,40, mais aussi prédire dans combien de temps un état dégradé risquait d’arriver avec une racine carrée de l’erreur quadratique moyenne de 2,23 minutes. Le temps de conduite et les informations par rapport aux participants permettent d’accroitre les performances. Ces modèles ont été par la suite testés sur un nouvel individu. Mais, dans ce cas, nous observons de mauvaises performances de généralisation. Ainsi nous avons testé une adaptation personnalisée de ces ANN, c’est-à-dire, qu’un ANN a été entraîné sur un ensemble de participants, puis il a été ensuite adapté à un nouveau conducteur, jamais vu précédemment par le modèle, grâce à ces premières données d’enregistrement. Grâce à cette adaptation personnalisée du ANN, nous observons une amélioration des performances de 40 et 80% pour la détection et la prédiction de la somnolence au volant respectivement. Ce processus d’adaptation grâce aux premières données d’enregistrement est une première réponse au problème de la variabilité inter-individuelle.

Driving a car is a complex, multifaceted and potentially risky activity requiring full mobilization of physiological and cognitive resources to maintain performance over time and the security of driver and passengers. That is why many researchers study the driver drowsiness. 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 (ADAS). This thesis is not only interested in detecting drowsiness (the estimation at an instant t of the driver’s level of drowsiness), but also, estimation of time before the occurrence of an impaired driver state. 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 of 0.4 and also predict when the impaired state will occur with a root mean square error of 2.23 minutes. The driving time, the time elapsed since the beginning of the driving session, 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 participants 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 adaptation process to the first data recorded is an initial response to the problem of inter-individual variability.