Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence
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...
Guardado en:
Autores principales: | , |
---|---|
Formato: | Documento de conferencia |
Lenguaje: | Francés |
Publicado: |
2022
|
Materias: | |
Acceso en línea: | https://repositorio.uca.edu.ar/handle/123456789/13860 |
Aporte de: |
id |
I33-R139-123456789-13860 |
---|---|
record_format |
dspace |
institution |
Universidad Católica Argentina |
institution_str |
I-33 |
repository_str |
R-139 |
collection |
Repositorio Institucional de la Universidad Católica Argentina (UCA) |
language |
Francés |
topic |
SOMNOLENCIA ANALISIS DE DATOS ESTADISTICAS ELECTROENCEFALOGRAFIA DATOS ESTADISTICOS |
spellingShingle |
SOMNOLENCIA ANALISIS DE DATOS ESTADISTICAS ELECTROENCEFALOGRAFIA DATOS ESTADISTICOS Quintero-Rincón, Antonio Batatia, Hadj Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence |
topic_facet |
SOMNOLENCIA ANALISIS DE DATOS ESTADISTICAS ELECTROENCEFALOGRAFIA DATOS ESTADISTICOS |
description |
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. |
format |
Documento de conferencia |
author |
Quintero-Rincón, Antonio Batatia, Hadj |
author_facet |
Quintero-Rincón, Antonio Batatia, Hadj |
author_sort |
Quintero-Rincón, Antonio |
title |
Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence |
title_short |
Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence |
title_full |
Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence |
title_fullStr |
Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence |
title_full_unstemmed |
Analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’EEG pour la détection de somnolence |
title_sort |
analyse statistique robuste et apprentissage profond à partir de séquences spectrales d’eeg pour la détection de somnolence |
publishDate |
2022 |
url |
https://repositorio.uca.edu.ar/handle/123456789/13860 |
work_keys_str_mv |
AT quinterorinconantonio analysestatistiquerobusteetapprentissageprofondapartirdesequencesspectralesdeegpourladetectiondesomnolence AT batatiahadj analysestatistiquerobusteetapprentissageprofondapartirdesequencesspectralesdeegpourladetectiondesomnolence |
bdutipo_str |
Repositorios |
_version_ |
1764820523638849538 |