Détection de la somnolence au volant par ECG obtenu par des capteurs textiles capacitifs non intrusifs
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".