Un article de recherche réalisé par des scientifiques de l’Université Jiaotong de Pékin a proposé une méthode de réseau cérébral basée sur l’analyse électrophysiologique pour la reconnaissance augmentée de différents types de distractions pendant la conduite.
Le nouveau document de recherche, publié le 4 juillet dans la revue Cyborg et systèmes bioniques, Nous avons conçu et mené une expérience simulée comprenant 4 sous-tâches de conduite distraite. Trois indices de connectivité, comprenant des mesures de synchronisation linéaires et non linéaires, ont été choisis pour construire le réseau cérébral. En calculant les forces de connectivité et les caractéristiques topologiques, nous avons exploré la relation potentielle entre les configurations du réseau cérébral et les états de distraction du conducteur.
Les distractions du conducteur, telles que le traitement cognitif et les perturbations visuelles pendant la conduite, entraînent des altérations distinctes des signaux d'électroencéphalogramme (EEG) et des réseaux cérébraux extraits. Nous avons conçu et mené une expérience simulée comprenant 4 sous-tâches de conduite distraite. Trois indices de connectivité, comprenant des mesures de synchronisation linéaires et non linéaires, ont été choisis pour construire le réseau cérébral. « En calculant les forces de connectivité et les caractéristiques topologiques, nous avons exploré la relation potentielle entre les configurations du réseau cérébral et les états de distraction du conducteur », explique l'auteur de l'étude Wei Guan, professeur à l'université Jiaotong de Pékin. L'analyse statistique des caractéristiques du réseau indique des différences substantielles entre les états normaux et distraits, suggérant une reconfiguration du réseau cérébral dans des conditions de distraction. Différentes caractéristiques du réseau cérébral et leurs combinaisons sont introduites dans divers classificateurs d'apprentissage automatique pour reconnaître les états de conduite distraite. Les résultats indiquent que XGBoost démontre une adaptabilité supérieure, surpassant les autres classificateurs sur toutes les caractéristiques du réseau sélectionnées. Pour les réseaux individuels, les caractéristiques construites à l'aide de la vraisemblance de synchronisation (SL) ont atteint la plus grande précision pour distinguer la distraction cognitive et visuelle. L'ensemble de fonctionnalités optimal issu de 3 combinaisons de réseaux atteint une précision de 95,1 % pour la classification binaire et de 88,3 % pour la classification ternaire des états de conduite normaux, distraits cognitivement et distraits visuellement.
« La méthode proposée pourrait permettre une reconnaissance augmentée des états de distraction au volant et pourrait servir d'outil précieux pour optimiser davantage les systèmes d'assistance à la conduite avec des stratégies de contrôle de la distraction, ainsi que de référence pour les recherches futures sur l'interface cerveau-ordinateur dans la conduite autonome.. » ont déclaré les auteurs de l'étude.
L'objectif de cette étude était d'établir un cadre de reconnaissance augmenté des états de distraction au volant en exploitant divers indicateurs de synchronisation dans les réseaux cérébraux. « Une expérience de suivi de voiture simulée contenant 4 sous-tâches de distraction a été conçue pour englober les états de distraction cognitive et de distraction visuelle. Des indices de connectivité arborescente comprenant la probabilité de synchronisation (SL), la valeur de verrouillage de phase (PLV) et l'indicateur de cohérence ont été sélectionnés pour construire des réseaux cérébraux fonctionnels. La force de connectivité ainsi que 4 caractéristiques topologiques globales ont été calculées pour explorer la relation potentielle entre la configuration du réseau cérébral et l'apparition de distraction au volant. Par la suite, les classificateurs d'apprentissage automatique ont été formés et mis en œuvre pour reconnaître les différents états de distraction au volant en fonction des caractéristiques du réseau cérébral », a déclaré Geqi Qi.
Français Les principales contributions de l'article sont énumérées comme suit : a. La configuration du réseau cérébral fonctionnel pendant la distraction au volant est construite par analyse électrophysiologique en utilisant 3 indicateurs de synchronisation comme bords de réseau et 4 caractéristiques topologiques globales comme propriétés du réseau. b. Les performances de différents indicateurs de synchronisation dans les réseaux cérébraux sont comparées et le SL présente une capacité de reconnaissance optimale pour distinguer les états de conduite normaux et distraits en utilisant la connaissance d'un seul réseau cérébral. c. Le cadre augmenté de reconnaissance des états normaux, de distraction visuelle et de distraction cognitive est proposé, et les meilleures performances de classification sont obtenues en utilisant les caractéristiques topologiques globales combinées des 3 différents réseaux cérébraux caractérisés par différents indicateurs de synchronisation. Au total, une telle analyse électrophysiologique du réseau cérébral fournira une base pour l'avancement des systèmes d'assistance à la conduite avec des stratégies de contrôle de la distraction et le développement de systèmes contrôlés par le cerveau, à la fois dans des scénarios de conduite humaine conventionnels et dans des contextes de conduite autonome.
Les auteurs de l'article sont Geqi Qi, Rui Liu, Wei Guan et Ailing Huang
Ce travail a été soutenu par la Fondation nationale des sciences naturelles de Chine (subventions n° 72101014 et 72271018) et le Laboratoire clé d'intelligence cerveau-machine pour le comportement informationnel, ministère de l'Éducation, Chine (2023JYBKFKT009).
