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...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Quintero-Rincón, Antonio, Batatia, Hadj
Formato: Documento de conferencia
Lenguaje:Francés
Publicado: 2022
Materias:
SOMNOLENCIA
ANALISIS DE DATOS
ESTADISTICAS
ELECTROENCEFALOGRAFIA
DATOS ESTADISTICOS
Acceso en línea:https://repositorio.uca.edu.ar/handle/123456789/13860
Aporte de:
Repositorio Institucional de la Universidad Católica Argentina (UCA) de Universidad Católica Argentina
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

Ejemplares similares