Classification neuronale multi signaux et distorsions temporelles : application à la détection de baisses de vigilance conducteur.

Résumé La détection automatique des baisses de vigilance du conducteur est envisagée a partir des signaux décrivant la conduite du véhicule. Comme la plupart des phénomènes qui reflètent une intervention humaine, des distorsions temporelles déforment ces signaux et masquent l'information recherchée. Une première approche consiste a recaler temporellement les signaux. Une énergie de recalage quantifie l'effort a produire pour réaligner deux courbes. La minimisation de cette énergie est réalisée par programmation dynamique. Une seconde approche consiste a utiliser un codage des signaux adapte a leur nature. Basée sur une transformée en ondelettes, cette représentation quantifie la distribution des tailles des oscillations a chaque échelle. Ce codage est robuste aux distorsions temporelles et réalise une compression notable des données. Une famille de classifieurs primaires de vigilance est construite : chaque classifieur base ses décisions sur le codage d'un signal donne a une échelle donnée. La classification est établie par un réseau de neurone artificiel. Les poids du réseau sont sélectionnes après balayage de plusieurs architectures. Une détection d'hypovigilance multi capteur et multi-echelle est finalement élaborée par combinaison optimale des classifieurs primaires.