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

• Autores: Quintero-Rincón, Antonio; Batatia, Hadj
• Año de publicación: 2021
• Idioma: francés
• Tipo de recurso: documento de conferencia
• Fuente: Conférence Internationale Francophone sur la Science des Données : 9 al 11 de junio. Marsella : Universidad de Aix-Marsella, 2021
• Materia: SOMNOLENCIA; ANALISIS DE DATOS; ESTADISTICAS; ELECTROENCEFALOGRAFIA; DATOS ESTADISTICOS
• Institución: Pontificia Universidad Católica Argentina

Fil: Quintero-Rincón, Antonio. Pontificia Universidad Católica Argentina. Facultad de Ingeniería y Ciencias Agrarias. Departamento de Electrónica; Argentina
Fil: Batatia, Hadj. Heriot-Watt University, MACS School, Knowledge park, Dubai-Campus; Emiratos Árabes Unidos
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.
Abstract: Driver fatigue is a major cause of traffic accidents. Electroencephalogram (EEG) is considered one of the most reliable predictors of fatigue. This paper proposes a novel, simple and fast method for driver fatigue detection that can be implemented in real-time by using a single channel on the scalp. The study consists of two objectives. First, determine the most significant EEG channel to monitor fatigue using maximum covariance analysis. And second, develop a machine learning method to detect fatigue from this single channel using a Long Short-Term Memory (LSTM) deep learning model based on spectral features. Experiments with 12 EEG signals were conducted to discriminate the fatigue stage from the alert stage. Our main discovery was that the most significant channel found (TP7) is located in the left tempo-parietal region where spatial awareness and visual-spatial navigation are shared. This channel is also related to the cautiousness faculty. In addition, despite the small dataset, the proposed method yielded 75% accuracy for fatigue prediction with a 1.4-second delay. These promising results provide new insights on relevant data for monitoring driver fatigue.