Des algorithmes peuvent maintenir les automobilistes somnolents en alerte et les aider à éviter les accidents de la route, selon des scientifiques

Selon une étude, les algorithmes d'apprentissage automatique (ML) et d'apprentissage profond (DL) peuvent réduire les accidents de la route grâce à leur capacité à détecter les conducteurs somnolents et à les avertir rapidement et en temps opportun des dangers que leur somnolence peut entraîner.

Les résultats suggèrent que la somnolence, qui rend les conducteurs somnolents et léthargiques, reste un problème grave dont la solution défie les scientifiques.

La recherche conçoit un système basé sur un algorithme pour aider les conducteurs à éviter la somnolence qui contribue à des milliers « d'incidents et de blessures mortels » chaque année, explique Saad Harous, professeur d'informatique à l'Université de Sharjah.

« Détecter la somnolence du conducteur [has] devenir une tâche importante qui nécessite un système automatisé pour détecter et prévenir ces résultats indésirables dès le début.

La National Highway Traffic Safety Administration des États-Unis estime que la somnolence est à l'origine d'environ 100 000 accidents de la route chaque année, causant 1 500 morts et 70 000 blessés.

Les auteurs de la recherche, basés dans des universités des Émirats arabes unis et d'Algérie, ont publié leurs résultats dans la revue Contrôle du traitement des signaux biomédicaux.

Les auteurs écrivent : « Récemment, différents modèles d'apprentissage automatique (ML) et d'apprentissage profond (DL) ont été proposés pour détecter la somnolence des conducteurs. Cette étude a utilisé un ensemble de données accessible au public contenant 12 participants en bonne santé.

« En lisant de nombreux articles de recherche, nous n'avons déterminé aucune valeur spécifique de paramètre de prétraitement de la somnolence basée sur l'EEG. Par conséquent, dans un premier temps, et pour la première fois, à notre connaissance dans ce domaine, nous avons appliqué un algorithme d'optimisation pour déterminer les valeurs optimales des paramètres de prétraitement. en utilisant un modèle CNN et la précision comme fonction objectif.

L'EEG ou électroencéphalographie est jusqu'à présent l'un des moyens les plus fiables utilisés pour détecter l'apparition de somnolence et de sommeil au volant. CNN ou réseau neuronal conventionnel est un type d'algorithme d'apprentissage en profondeur que les scientifiques utilisent normalement pour analyser des données visuelles.

Le professeur Harous reconnaît que des recherches antérieures ont proposé de nombreux signaux et indicateurs physiologiques pour détecter la somnolence du conducteur.

« Pour détecter et prévenir la somnolence des conducteurs, de nombreux chercheurs ont proposé et mis en œuvre différents systèmes en utilisant différentes techniques, notamment des algorithmes de Machine Learning et de Deep Learning.

« Cependant, le signal d'électroencéphalogramme (EEG), communément appelé l'étalon-or, est le plus utilisé en raison de son efficacité, de sa fiabilité et de sa simplicité d'acquisition. Dans notre travail, nous avons proposé une architecture capable de détecter la somnolence du conducteur avec une grande précision et moins de temps. »

Les auteurs utilisent une méthode d'optimisation de recherche aléatoire pour tenter de sélectionner l'ensemble optimal de paramètres de prétraitement. Ils mettent en œuvre plusieurs architectures CNN, puis sélectionnent celle optimale en fonction de la précision moyenne de la méthode d'évaluation de validation croisée 10 fois.

De plus, ils combinent le CNN avec des classificateurs ML (Deep Hybrid Learning). Ce faisant, ils bénéficient de la puissance de CNN pour extraire automatiquement les caractéristiques EEG et des avantages des classificateurs ML.

En l'absence de valeurs spécifiques des paramètres de prétraitement de la somnolence basées sur l'EEG, les auteurs se concentrent d'abord sur la sélection de l'ensemble optimal de paramètres de prétraitement pouvant améliorer les performances des résultats de classification à l'aide de la méthode d'optimisation de recherche aléatoire.

Les résultats de l'étude démontrent l'importance de sélectionner des valeurs correctes. Une fois les valeurs correctes relevées, les auteurs, selon le professeur Harous, ont constaté que « le score de précision moyen passait de 91 % à 95 %, avec une réduction notable du temps de formation ».

« Nous avons utilisé le cadre d'optimisation des hyperparamètres Optuna pour sélectionner les hyperparamètres CNN optimaux, ce qui a augmenté la précision moyenne de 95 % à 97 %.

« En outre, nous avons remarqué que la plupart des travaux précédents ne se concentraient pas sur la manière de choisir les valeurs des paramètres de prétraitement ou sur les valeurs appropriées. Nous avons collecté toutes les valeurs de nombreux articles de recherche et utilisé un algorithme d'optimisation pour trouver l'ensemble optimal. »

« Enfin et surtout, l'utilisation du classificateur CNN-SVM a permis d'obtenir la précision moyenne la plus élevée de 99,9 %, et le temps de formation a été réduit à une valeur superficielle. »

Les auteurs attribuent le succès de leur projet à leur utilisation appropriée de la technique d’optimisation pour obtenir la plus grande précision possible dans la détection de la somnolence du conducteur sur la base de techniques d’apprentissage automatique et d’apprentissage profond.

Le professeur Harous est optimiste quant aux implications pratiques de l'étude, affirmant qu'elle « peut avoir un impact important sur la société si le système est adopté par l'autorité des transports ».

Maintenant que les résultats de leurs recherches ont été étayés par une revue scientifique à comité de lecture, les auteurs réfléchissent à la manière de mettre en pratique leur schéma basé sur le logarithme.

Selon le professeur Harous, « une (implication pratique) à laquelle nous réfléchissons est d'avoir une caméra/un mobile sur le tableau de bord de la voiture. L'application sera installée sur la caméra/le mobile.

« Mais malheureusement, nous n'avons pas encore reçu de courriels ou d'invitations d'industries désireuses d'investir dans le projet ou nous demandant de présenter notre travail, même si nous avons atteint la plus grande précision en moins de temps par rapport à d'autres travaux. »