Soutenance mémoire
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.
Nous traitons ici de l’automobile et du transport routier, selon un objectif de détection de l’hypovigilance du conducteur, à laquelle on associe une grande part des accidents de la route. C’est une question très ancienne qui remonte à la découverte même du transport mécanisé rapide et qui est devenu une priorité à partir des années 70-80, après que le développement des véhicules et des structures routières ait permis de résoudre une grande partie des causes « mécaniques » : l’état des véhicules, l’état de la route, les « points noirs »…etc. L’évidence était que les principales causes d’accidents étaient liées à un défaut de vigilance du conducteur. Ce défaut de vigilance est, en fait, le résultat des nombreux facteurs que l’on identifie sous la forme d’: inattention, erreurs et de la somnolence liée à la fatigue, à la prise de médicaments, de drogues, d’alcools…etc. De nombreuses équipes, depuis près de vingt ans, se sont mobilisées pour mieux comprendre les origines de cette hypovigilance et pour en détecter la survenue aussi précocement que possible, de manière à prendre les dispositions sécuritaires qui s’imposent : freinage, arrêt… Dans le monde automobile, cet objectif s’appelle : « Sécurité active » et vient en complément de la « Sécurité passive » qui vise à réduire l’ampleur des dommages 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. Notre laboratoire a participé aux travaux de détection de l’hypovigilance par l’approche comportementale depuis plus de quinze ans (c.f paragraphe 1.3.2 ), ce qui nous permet d’avoir une analyse argumentée de la situation.
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.
Les capteurs mécaniques embarqués
Ces capteurs sont : la position latérale, l’angle du volant et la vitesse.
Le capteur de position latérale
La mesure de la position du véhicule dans la voie de circulation, que l’on désignera par la suite par position latérale, est obtenue à partir de l’analyse des images fournis par la camera numérique. Ces images sont traités en temps réel par un algorithme basé sur les travaux de R. AVFRERE et al [33][34]. Cet algorithme, implémenté récemment sur Copietech et en cours de validation. En complément de la distance latérale, il permet de déterminer la courbure de la route.
Le capteur de l’angle du volant
Le capteur de l’angle du volant est un potentiomètre connecté mécaniquement à l’axe du volant. Ce capteur fournit une mesure en degrés. Lorsque les roues sont dans l’axe du véhicule le capteur retourne 0°, le mouvement à gauche du volant donne une mesure négative. Les mesures sont dans l’intervalle –120°, 120° avec une précision de l’ordre de ±0,075°.
Le capteur de vitesse
La vitesse du véhicule est fournie par le capteur d’origine. La mesure est fournie dans l’intervalle 0 à 200km/h, avec une précision de ±2km/h.
|
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
