Détection d'hypovigilance chez le conducteur par fusion d'informations physiologiques et vidéo

Drowsiness is the transition between the awake state and sleep where one's abilities to observe and analyse are strongly reduced. So, drowsiness is responsible for a huge number of road accidents. A drowsiness detection system is presented in this PhD. This system uses both driver's brain activity (through electroencephalogram or EEG) and driver's video analysis to detect drowsiness. A non-supervised method using a single EEG channel is first proposed. Several techniques of diagnostic and signal processing are used in this method. The method obtains good results on a large number of different drivers without tuning any parameters. Drowsiness visual indicatiors have also been studied thanks to a video analysis. The proposed video analysis has been compared to the traditional electro-oculogram (EOG) approach to study the relevance of the video analysis. This comparison highlights the need of a high frame rate camera (which frame rate can reach 200fps) for blinks characterisation. This study leads to drowsiness detection system based on blinks video characterisation. Both EEG and video methods are at last been merged using fuzzy logic to obtain a 2-levels drowsiness detection system. All these methods have been tested and validated on a consistent database of twenty different drivers which was evaluated by a specialist doctor.L'hypovigilance correspond à la transition entre la veille et le sommeil durant laquelle l'organisme voit ses facultés d'observation et d'analyse fortement réduites. Elle est responsable de nombreux accidents sur la route. Le but de cette thèse est de proposer un système de détection de cette phase accidentogène à partir de l'analyse conjointe de l'activité cérébrale (électroencéphalogramme ou EEG) et d'une vidéo du conducteur. Dans un premier temps, une méthode non-supervisée de détection d'hypovigilance fonctionnant à l'aide d'un unique canal EEG a été proposée. Cette méthode, qui met en oeuvre différentes techniques de traitement du signal et de diagnostic, obtient de bonnes performances sur un ensemble de conducteurs, sans qu'il soit nécessaire de régler de paramètres. Dans un deuxième temps, nous nous sommes intéressés à la caractérisation des signes visuels de l'hypovigilance par une analyse vidéo des clignements. Une comparaison entre l'approche vidéo développée et l'approche traditionnelle par électro-oculogramme (EOG) a permis d'étudier dans quelle mesure la vidéo peut remplacer l'EOG pour la caractérisation des clignements. Elle a également permis de souligner la nécessité d'utiliser d'une caméra rapide (pouvant aller jusqu'à 200fps) pour caractériser les clignements. Un algorithme de détection d'hypovigilance à partir de la caractérisation vidéo des clignements a ainsi été développé. Pour finir, un algorithme de détection d'hypovigilance fusionnant, à l'aide de logique floue, les informations obtenues par les approches physiologique et vidéo est présenté. Toutes ces méthodes ont été testées et validées sur une base de données conséquente de conduite en état d'hypovigilance, la base de données ayant été expertisée par un spécialiste