Détection de la somnolence au volant par ECG obtenu par des capteurs textiles capacitifs non intrusifs
Notice bibliographique
Résumé
Les accidents de la route représentent une problématique majeure, engendrant un coût social de 1 000 dollars par habitant au Canada en 2020, soit 2 % du PIB national. Bien que les avancées technologiques et législatives aient permis de réduire significativement le nombre de décès entre 1973 et 2013, une tendance préoccupante à la hausse des accidents mortels est apparue depuis 2017. Parmi les causes identifiées, la fatigue se distingue par son implication dans 24 % des accidents mortels au Québec, demeurant l’un des facteurs les plus difficiles à détecter de manière fiable. Face à cette difficulté, les données physiologiques, notamment l’électrocardiogramme (ECG), se révèlent prometteuses pour détecter l’état de somnolence. Cependant, leur application dans des conditions réelles reste freinée par des limitations techniques, telles que la qualité des signaux captés de manière capacitive ou l’invasivité des dispositifs traditionnels. C’est dans ce contexte que cette recherche propose d’explorer la faisabilité d’un système non invasif de détection de la somnolence basé sur un ECG capacitif intégré au siège de conduite. Pour répondre à cet objectif, un système textile capacitif, comportant trois paires d’électrodes, a été développé, optimisé et évalué auprès de 25 participants. Les premiers résultats mettent en évidence une performance médiane de 83 % (score F1) pour la détection des pics ECG. Par ailleurs, une collecte de données multimodales, couvrant 75 heures de conduite simulée, a permis d’étudier les différences entre les états d’éveil et de somnolence. Les performances de classification des états montrent que l’ECG capacitif atteint un score F1 de 69,7 %, contre 86 % pour l’ECG médical. L’intégration des données physiologiques et véhiculaires améliore toutefois ces résultats, avec des scores atteignant 78.2 % pour l’ECG capacitif et 88.6 % pour l’ECG médical. Ces résultats soulignent le potentiel de l’ECG capacitif pour détecter la somnolence tout en mettant en lumière les défis liés à son intégration industrielle. Les meilleures performances ont été obtenues avec de petites électrodes positionnées au milieu du dos. Ceci dit, le système multicapteur ne semblait pas redondant : les capteurs avaient des périodes différentes d’optimalité du signal. Ceci suggère qu’un système combinant une grille de petites électrodes et la fusion de capteurs pourrait renforcer la robustesse de cette technologie. Cette approche ouvre des perspectives prometteuses pour le développement de systèmes de sécurité embarqués non invasifs, venant compléter les solutions existantes et renforcer la prévention des accidents liés à la fatigue.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».