Gang Li et Wan-Young Chung, Département de génie électronique, Université nationale de Pukyong, Corée. 2014

Résumé

Actuellement, les détecteurs de somnolence au volant utilisant la technologie vidéo sont largement étudiés. Le degré de fermeture des paupières (ECD) est la mesure principale des méthodes basées sur la vidéo, cependant, des inconvénients tels que les limites de luminosité et des obstacles pratiques tels que la distraction des conducteurs limitent son succès. Cette étude présente un moyen de calculer l'ECD en utilisant des capteurs EEG à la place des méthodes basées sur la vidéo. Le principe est que l'ECD présente une relation linéaire avec les changements de l'EEG occipital. Un total de 30 sujets sont inclus dans cette étude : dix d'entre eux ont participé à une expérience simple de preuve de concept afin de vérifier la relation linéaire entre l'ECD et l'EEG, puis vingt ont participé à une expérience de conduite monotone sur autoroute dans un environnement de simulateur de conduite afin de tester la robustesse de la relation linéaire dans des applications réelles. En prenant la méthode basée sur la vidéo comme référence, le pourcentage de puissance Alpha du canal O2 s'avère être la meilleure caractéristique d'entrée pour l'estimation par régression linéaire de l'ECD. Le meilleur coefficient de corrélation au carré global (SCC, noté r2) et l'erreur quadratique moyenne (MSE) validés par le modèle de régression linéaire à vecteurs de support et la méthode d'exclusion d'un sujet sont r2 = 0,930 et MSE = 0,013. Le modèle linéaire EEG-ECD proposé peut atteindre une précision de 87,5 % et 70,0 % pour les sujets masculins et féminins, respectivement, pour une application de somnolence au volant, le pourcentage de fermeture des paupières sur la pupille au fil du temps (PERCLOS). Cette nouvelle méthode d'estimation de l'ECD résout non seulement les inconvénients de la méthode basée sur la vidéo, mais rend également l'estimation de l'ECD plus efficace sur le plan informatique et plus facile à mettre en œuvre dans des capteurs EEG en temps réel.Cliquez ici pour lire le rapport complet