Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence

Abstract

Résumé: La somnolence des conducteurs est une cause majeure d’accidents de la route. L’électroencéphalogramme (EEG) est considéré comme le prédicteur le plus robuste de somnolence. Cet article propose une méthode nouvelle, simple et rapide pour détecter la somnolence de conducteurs, qui peut être implémentée en temps réel en utilisant une seule électrode. L’étude vise deux objectifs. Le premier consiste à déterminer le canal EEG unique le plus pertinent pour surveiller la somnolence. Cela est fait en procédant par analyse de covariance maximale. Le second objectif consiste à développer une méthode d’apprentissage profond à partir de ce canal. Pour cela, des caractéristiques spectrales du signal sont d’abord extraites. Un modèle de réseau récurrent à mémoire court et long terme (LSTM) est alors utilisé pour détecter les états de somnolence. Des expériences ont été conduites avec 12 signaux EEG pour discriminer les états de somnolence et d’alerte. Notre résultat principal est que le canal le plus significatif est TP7 situé dans la région temporo-pariétale gauche. Cela correspond à une zone partagée entre la conscience spatiale et la navigation spatiale visuelle. Ce canal est aussi relié à la faculté de prudence. En plus, malgré le petit nombre de données, la méthode proposée permet de prédire la somnolence avec une précision de 75% et un délai de 1.4 secondes. Ces résultats prometteurs mettent en lumière des données intéressantes à considérer pour la surveillance de la somnolence.