Diagnostic de la somnolence d’un opérateur: analyse automatique de signaux physiologiques

L’objectif de détecter automatiquement le défaut de vigilance d’un opérateur en charge d’un système complexe est un objectif de grande actualité. Beaucoup de systèmes, aujourd’hui, sont des ensembles multi fonctionnels, largement automatisés, qui laissent à l’homme la charge de le surveiller ou de le conduire. Cette charge peut, le plus souvent, en cas de défaillance, avoir des conséquences très graves pour l’environnement, pour la société et pour l’opérateur lui-même : le problème est particulièrement aigu dans les secteurs de la production industrielle et dans les secteurs des transports terrestres, spatiaux et maritimes.

La circulation routière est devenue une activité humaine majeure. Son développement s’est traduit par d’énormes travaux d’infrastructures de communication, exploitées pour des usages très divers, mettant en œuvre des véhicules très différents. L’industrie qui leur est associée a joué, et continue de jouer, un rôle économique considérable.

Compte tenu d’un usage très intensif de ce moyen de transport, deux types de problèmes sont apparus, et ne cessent de s‘amplifier : la sécurité des personnes et la qualité de l’environnement. Les deux questions ne sont pas complètement indépendantes dans la mesure où l’aspect sécuritaire est très dépendant de la vitesse des véhicules, pendant que la pollution s’explique par la consommation des véhicules et donc aussi par leur vitesse !

La problématique générale

Comment peut-on détecter de manière prédictive, une situation de conduite à risque, lorsqu’elle peut être provoquée par des causes humaines très diverses : inattention, fatigue, alcool, médicaments, drogues… L’idée initiale de distinguer toutes ces causes a dû être rapidement abandonnée pour se consacrer principalement à l’endormissement, considérant que c’était probablement la cause la plus générique, renforcée par les effets de l’alcool , de certains médicaments ou des drogues [8]. Une autre difficulté évidente est la « variabilité » du conducteur : nous ne sommes pas égaux face à la fatigue ou autres causes, ni d’un point de vue physiologique, ni même d’un point de vue comportemental. Cette évidence conduit à l’idée d’un détecteur nécessairement « personnalisé » [13]. Une dernière difficulté est sûrement la gestion du temps. Entre l’instant où le conducteur s’endort et le choc, il va s’écouler quelques secondes : le délai de traverser la route à 100 km/h. Pratiquement, cela suppose, pour le système qui traiterait efficacement de la détection d’hypovigilance, de travailler dans un espace de diagnostique de l’ordre de la seconde, pour laisser place à l’intervention : alerte ou manœuvre, sur 2 à 3 secondes également. De nombreux travaux ont déjà été consacrés à cette problématique, notamment dans les 20 dernières années. Nous en présenterons certains dans les prochains paragraphes. L’accident automobile est un événement bref (quelques secondes), provoqué par la juxtaposition de facteurs divers mettant en interaction les conducteurs présents, l’état physique de l’infrastructure, les conditions météorologiques, la dynamique de circulation… Intervenir dans cet espace temporel ne peut être envisagé que sous forme d’automatismes sécuritaires conçus pour limiter la dangerosité de l’événement : freinages et guidages automatiques sont des possibilités techniques qui ont été déjà explorées dans le grand projet PROMETHEUS [18].

Ce qui nous importe ici est que la survenue de cet événement dramatique soit précédée de signaux permettant de signaler précocement le danger, il devient alors possible de prendre des dispositions de précaution: ralentissement ou arrêt de véhicule. « Où faut-il chercher ces signaux annonceurs du danger? » est la question soulevée dans ces premiers paragraphes :

♦ Il y a naturellement la recherche de ces signaux directement dans les caractéristiques physiques, physiologiques et psychologiques du conducteur pour diagnostiquer si le conducteur est en état ou non de conduire? On peut imaginer réaliser ce diagnostic sans aucune référence à la situation environnementale et donc disposer, en quelque sorte, d’une avance sur l’événement. C’est le domaine de la réglementation automobile. Sitôt qu’une mesure physiologique est accessible de manière assez simple, il devient possible d’imaginer une norme n’autorisant la conduite que dans le cas où le conformité à cette norme est vérifiée, ce qui, par exemple, devient de plus en plus le cas pour l’alcool au volant.
♦ Notre réflexion ici se place clairement dans les mesures embarquées. Elle vise à trouver des méthodes et des outils pour surveiller, dans le temps de conduite, les réactions des conducteurs en fonction des conditions environnementales. Le problème garde ici toute sa complexité, car se combinent des facteurs propres à l’état du conducteur et les effets des sollicitations extérieures. Ces facteurs se combinent et se manifestent par des erreurs commises par les conducteurs .

Deux approches sont possibles pour traiter de la sécurité active telle que nous venons de la définir :
♦ Celle de mesurer les actes du conducteur et d’analyser leur pertinence par rapport à la situation du véhicule sur la chaussée et dans la circulation…
♦ Celle d’instrumenter directement le conducteur par des capteurs physiologiques. Ce choix serait évidemment très pertinent puisqu’il évite toute interprétation difficile.

Ces deux approches ne sont pas en compétition, elles sont complémentaires. Il faut insister aussi sur l’intérêt opérationnel d’arriver à détecter la baisse de vigilance d’un conducteur d’automobile sans l’instrumenter. Mais, pendant les essais de validation, il est possible et indispensable d’instrumenter directement le conducteur par des capteurs physiologiques de la somnolence notamment, afin de vérifier toutes les autres formes de diagnostic, en comparant les résultats délivrés par les capteurs comportementaux avec ceux délivrés par les capteurs physiologiques.

Nous verrons que ces deux approches ont été très activement explorées ces vingt dernières années, sans encore apporter de solution véritablement compatible avec une mise en application. Cela est dû à l’extrême exigence du cahier des charges sur les points suivants :
♦ l’erreur de diagnostic qui consisterait a détecter une faux état de somnolence, est inacceptable par la situation de danger qu’il crée pour le véhicule et son environnement : surprise du conducteur qui reçoit un avis infondé et incident de circulation provoqué par l’alerte, et plus encore par une manoeuvre automatique sécuritaire.
♦ Le défaut de détection d’une situation de danger est tout aussi inacceptable dans la mesure où va être engagée de fait, la pleine responsabilité du fournisseur ou du constructeur du système de détection en cas d’accident.

L’approche par la modélisation comportementale

La conduite automobile exige du conducteur qu’il exécute des tâches précises : angle volant, freinage, accélération, indication de changement de direction,… en regard de la situation du véhicule sur la chaussée et de la circulation. L’idée de surveillance, à partir de la caractérisation de ces tâches, définit l’approche comportementale qui a été largement développée entre 1980 et 2000.

La situation 

Il faut d’abord dire que, malgré plus de quinze années de recherches réalisées tant par les constructeurs automobiles et les équipements que par les centres de recherche académiques, il n’émerge pas encore de solutions pleinement satisfaisantes. Pourtant de nombreux résultats expérimentaux, réalisés par différentes équipes, basés sur des systèmes multisensoriels différents, montrent que des solutions opérationnelles sont possibles.

Participation du LAAS aux travaux de détection de l’hypovigilance par l’approche comportementale

Ce tour d’horizon des tentatives met en évidence la complexité du problème illustré par la diversité des approches depuis plus de quinze ans, sans qu’un « produit » ne s’impose à l’usage. La difficulté tient à la sûreté du diagnostic et aux fausses alarmes qui restent toujours possibles.

Le capteur de position latérale et le capteur d’angle du volant apparaissent, dans différentes études [15], comme des capteurs possibles pour évaluer la performance du conducteur dans le véhicule. Les informations fournies par ces capteurs et leurs caractéristiques associées (l’écart type, le maximum, la moyenne, la vitesse de changement) sont très corrélées avec la baisse de vigilance [27]. Néanmoins, ils posent toujours le problème d’être dépendants de la situation de conduite, ce qui demande l’utilisation et la combinaison d’autres mesures pour améliorer la qualité de la détection.

L’approche préconisée par le LAAS, depuis le démarrage des travaux sur la détection de l’hypovigilance du conducteur automobile, repose sur l’idée qu’un conducteur hypovigilant modifie sa façon de conduire, en multipliant les erreurs ou les manquements ponctuels ou/et en réduisant ses performances dans l’exécution des tâches associées à la conduite.

Dans cette problématique, le rôle du diagnostic est de mesurer l’écart entre la conduite normale et la conduite anormale sous l’emprise de la fatigue. Les premiers travaux d’évaluations réalisés sur cette base ont vite montré que la variabilité intra conducteurs était aussi importante que la variabilité inter-conducteur. Ces premiers travaux ont donc conduit à imposer la personnalisation du système de diagnostic.

Les premiers travaux réalisés au LAAS dans ce domaine ont porté sur l’analyse de la procédure d’arrêt du véhicule à une intersection, et ont donné d’excellents résultats en multipliant les diagnostics dans les dernières secondes précédant l’arrêt. Ce diagnostic s’appuyait sur l’analyse des actions du conducteur en fonction de la distance par rapport au point d’arrêt. Même encourageante, cette option ne pouvait donc pas être rendue opérationnelle puisque cette référence au point d’arrêt n’est pas accessible en situation réelle. En plus, la tâche de procédure d’arrêt avait l’inconvénient d’être restrictive. Les travaux suivants ont cherché une tâche différente à étudier: C’est ainsi que l’on est arrivé à choisir la tâche du suivi de la ligne blanche (ou maintient du véhicule dans la voie) qui s’est s’associée à la mesure de la distance latérale de sécurité puis des mesures physiologiques.

Le principe retenu est donc que le conducteur cherche à maintenir le véhicule dans la voie de circulation, en corrigeant l’effet des perturbations: environnement, chaussée, autres usagers…C’est donc son action sur le volant que l’on cherchera à juger, en terme de précision par exemple, pour qualifier la performance et donc l’état de vigilance.

Table des matières

Introduction générale
Chapitre I
1. Etat des Connaissances
1.1 Introduction
1.2 La problématique générale
1.3 L’approche par la modélisation comportementale
1.3.1 La situation
1.3.2 Participation du LAAS aux travaux de détection de l’hypovigilance par l’approche comportementale
1.3.2.1 Le support expérimental (Le véhicule d’essais)
1.3.2.1.1 Les capteurs mécaniques embarqués
1.3.2.2 Les méthodes et outils
1.4 L’approche par la mesure de paramètres physiologiques
1.5 Conclusions sur l’état d’avancement des travaux
1.6 Présentations des objectifs de notre travail
1.7 Présentation des bases de donnés
1.7.1 Mesures électrophysiologiques
1.8 Les expertises réalisées sur les signaux physiologiques
1.8.1 Echelle Objective de la Somnolence (OSS)
1.8.2 L’Echelle de somnolence de Karolinska
1.9 Conclusion
1.10 Références
Chapitre II
2. Détection des clignements d’yeux dans un électro-occlogramme
2.1 Introduction
2.2 Origine de l’électrooculogramme
2.3 Bilan de l’existant pour l’analyse des EOG
2.4 Notre programme de détection
2.4.1 Les paramètres sélectionnés (cahier des charges)
2.4.2 Le modèle de clignement proposé
2.4.3 L’algorithme de détection
2.4.4 Calcul des caractéristiques des clignements
2.4.5 Identification de la valeur minimale de l’amplitude (Amin)
2.4.6 Validation
2.4.6.1 Synchronisation des longs clignements avec les mouvements horizontaux d’œil
2.5 Détection de la ligne de base
2.5.1 Présentation du problème
2.5.2 Détection de la ligne de base
2.5.3 Limitation de cette méthode
2.6 Résultats
2.6.1 Les limites du programme
2.6.2 Statistiques
2.6.3 Comparaison avec les résultats fournis par l’algorithme de CEPA
2.6.4 Comparaison avec KDS
2.7 Conclusion générale
2.8 Références
Chapitre III
3. Localisation des ondes alpha et thêta dans l’EEG
3.1 Introduction
3.2 L’ElectroEncéphaloGramme (EEG)
3.3 L’analyse Temps – Fréquence
3.3.1 Introduction
3.3.2 Transformée de Fourier sur fenêtre glissante
3.3.3 La transformée en ondelettes (Wavelet Transform WT)
3.3.3.1 Principe de la décomposition
3.3.3.2 Transformée en ondelette continue/ discrète
3.3.3.3 Le choix de la fonction analysante (l’Ondelette B-Spline cubique)
3.3.4 La transformée de Hilbert Huang
3.3.4.1 Introduction
3.3.4.2 Transformée de Hilbert
3.3.4.2.1 Signal analytique
3.3.4.2.2 Fréquence et amplitude instantanés
3.3.4.3 Implémentation de la Transformé de Hilbert
3.3.4.3.1 Discrétisation
3.3.4.3.2 La transformée discrète de Fourier
3.3.4.4 Implémentation du calcul de l’amplitude et de la fréquence instantanées
3.3.4.5 Diagrammes de blocs de l’implémentation de la transformée de Hilbert
3.3.4.6 Décomposition Empirique en Modes (EMD)
3.3.4.6.1 Intrinsic Mode Function (IMF)
3.3.4.6.2 Processus de tamisage (Sifting Process)
3.3.4.7 Implémentation de la décomposition empirique en modes
3.3.4.7.1 Spline Cubique
3.3.4.7.2 Problème des Bornes
3.3.4.7.3 Critère d’arrêt
3.3.4.8 Diagrammes de blocs de l’implémentation de l’EMD
3.4 Comparaison des méthodes: définition d’un signal de test
3.5 Analyse des Erreurs de calcul dans HHT (Analyse de précision de HT)
3.5.1 Le phénomène de Gibbs dans la FFT (Erreurs au Bornes)
3.5.2 Diminution des erreurs aux bornes
3.5.3 Précision de la HT pour un signal réel: une IMF d’une séquence de 20 s d’un EEG
3.5.3.1 Erreurs dues aux petites amplitudes
3.5.3.2 Estimation de l’influence du phénomène de Gibbs sur la réponse de la HHT
3.6 Localisation automatique des signes de somnolence dans l’EEG
3.6.1 Localisation des ondes Alpha, Thêta et des hautes fréquences
3.6.2 Contribution des bandes de fréquence
3.6.3 Localisation des bouffées d’onde alpha et thêta
3.6.4 Diagramme de blocs du processus d’analyse
3.7 Comparaison Filtre traditionnel / HHT
3.8 Résultats
3.9 Conclusion
3.10 Références
Conclusion Générale
Bibliographie générale
Annexe

Lire le rapport complet