Comment réaliser des études automobiles multi-écrans complexes dans iMotions

Découvrez comment les biocapteurs multimodaux permettent d’analyser la charge de travail du conducteur afin de prévenir les accidents. Une analyse factuelle issue de la conférence HCI International montre que les situations de « charge de travail élevée » — telles que la conduite en ville au milieu de la circulation et des piétons — entraînent une augmentation significative de la fréquence cardiaque, de l’activité musculaire (EMG) et de l’activité électrodermique (EDA) par rapport à la conduite sur autoroute.

Imaginez un monde où les voitures relient les gens à diverses destinations en toute sécurité et sans effort, comblant la distance entre les lieux de travail et les villes animées, et offrant une combinaison inégalée de sécurité, d’efficacité et de facilité d’utilisation.

Des efforts sont constamment déployés pour parvenir à ce scénario, en tenant compte de facteurs clés tels que les conditions de conduite, la charge cognitive et l’expérience au volant.

Le lien entre des conditions de conduite complexes et la charge cognitive au volant est un facteur déterminant pour l’expérience souhaitée du conducteur et, en réalité, l’un des principaux facteurs à l’origine des accidents de la route. La charge cognitive, un concept qui englobe à la fois la difficulté objective d’une tâche et la perception subjective de cette difficulté par l’utilisateur, revêt une importance particulière dans le domaine de la conduite.

La difficulté objective dépend de facteurs externes tels que le volume de trafic ou les intempéries, qui accroissent la complexité de l’expérience de conduite. Parallèlement, l’expérience subjective qu’a le conducteur de cette charge de travail dépend souvent de son niveau de confort et de sa familiarité avec la gestion de telles situations, ce qui se traduit par des niveaux de stress variables. Comprendre la physiologie du stress dans ce contexte joue un rôle essentiel pour mettre en lumière un comportement des conducteurs assez complexe, dans le but ultime de réduire la fréquence des accidents de la route. 

La recherche sur le comportement humain peut contribuer à relever certains de ces défis, afin de rendre la conduite plus sûre et plus agréable. Le domaine de l’interaction homme-machine (IHM) est parfaitement placé pour relever ce défi, car il vise systématiquement à développer des conceptions et des cadres solides permettant d’obtenir des résultats concrets, en plaçant l’humain au centre de ses préoccupations. 

Un exemple de ce type de recherche a récemment été présenté lors de la dernière conférence internationale HCI. Cette conférence est un forum international réputé qui rassemble des chercheurs et des entreprises dans les domaines de l’expérience utilisateur, de la conception d’interfaces utilisateur, de l’ergonomie, des techniques d’interaction, de l’ergonomie cognitive, de l’accessibilité, des facteurs humains, et bien d’autres encore. Cette année, lors de la 25e édition de la conférence internationale HCI, iMotions a présenté les résultats préliminaires d’une étude multimodale menée en collaboration avec l’université de Padoue (Italie) et VI-Grade.  Cette étude évalue simultanément l’attention visuelle, l’analyse des expressions faciales, ainsi que l’activité électrocardiographique (ECG), respiratoire (RSP), musculaire (EMG) et électrodermique (EDA) dans le cadre de trois tâches de conduite différentes présentant une charge de travail croissante : faible, moyenne et élevée (Figure 1). 

Cette étude visait à évaluer l’impact de différents niveaux de charge de travail sur les performances des conducteurs, dans l’espoir que ses résultats permettent d’identifier des moyens de conduire de manière plus sûre. Nous vous proposons ci-dessous un aperçu de cette étude, qui constitue une véritable expérience multimodale sur le comportement des conducteurs.

Figure 1 : Schéma de l’étude. Les conducteurs ont effectué trois tâches de conduite avec une charge de travail faible (référence), moyenne et élevée.

Les trois exercices de conduite sont les suivants :

Faible charge de travail (condition de référence) : conduite sur une autoroute dégagée, sans circulation, avec des changements de voie à double file, des manœuvres, des accélérations et des freinages. 

Charge de travail moyenne : slalomez entre les cônes de signalisation et effectuez un double changement de voie aussi rapidement que possible, dans la mesure du raisonnable.

Charge de travail élevée : conduisez dans une ville où les conditions de circulation sont aléatoires, avec des feux de signalisation, de nombreux véhicules en circulation et des piétons qui traversent la rue.

L’hypothèse était que les tâches plus exigeantes entraînent une sollicitation visuelle plus importante (mesurée par le pourcentage de temps de fixation), une accélération du rythme cardiaque et de la fréquence respiratoire, ainsi qu’une activité musculaire et électrodermique plus intense. 

Figure 2 : Vidéo de rediffusion d’une tâche à forte charge de travail dans la suite logicielle iMotions, intégrant un simulateur multi-écrans équipé de trois oculomètres Smart Eye Pro, ainsi que les réponses des biocapteurs FEA, ECG, RSP, EMG et EDA.

Les résultats préliminaires de la présente étude montrent une activité EMG plus élevée, une vigilance modulée (fréquence cardiaque et pics de GSR par minute) et une charge perceptive plus importante (pourcentage de temps de fixation) dans des scénarios de conduite complexes (figure 3). 

Figure 3 : Activité électrodermique (EDA) et musculaire (EMG), ainsi que le pourcentage de temps passé dans chaque phase, pour les tâches à faible, moyenne et forte charge de travail. 

Les résultats ont mis en évidence des différences significatives concernant l’activité de l’activité électrique du cuir chevelu (EDA), l’électromyographie (EMG) et le temps de fixation mesuré par l’oculométrie. Cela indique que ces paramètres sont pertinents pour évaluer la charge cognitive liée à la conduite. Étant donné que ces paramètres sont également liés au risque d’accident, il pourrait être utile pour les constructeurs automobiles de rechercher des moyens d’intégrer ces mesures dans la conception des véhicules afin de fournir des alertes précoces ou des services d’assistance lorsque cela s’avère nécessaire. 

Cela pourrait à terme offrir un mécanisme automatisé permettant de réduire le risque d’accident. Un tel système ne nécessiterait aucune intervention du conducteur, puisqu’il serait déclenché uniquement par les données psychophysiologiques – ce qui est essentiel lorsque la charge cognitive est manifestement trop élevée à ce moment-là. Un tel système a récemment été lancé par Smart Eye et peut être intégré aux véhicules à des fins de détection.  

Pour plus de détails sur ces travaux, vous trouverez les méthodes et les résultats ici.

L’intégration de ces mesures physiologiques à d’autres sources de données, telles que les indicateurs de performance du véhicule (accélérateur, freins, boîte de vitesses) et les conditions environnementales, permet une compréhension globale du comportement du conducteur. Cette approche holistique peut contribuer au développement de systèmes avancés d’aide à la conduite (ADAS), améliorant ainsi la sécurité et les performances sur la route.

La surveillance de ces signaux physiologiques peut également être mise à profit dans le cadre de programmes de formation et d’éducation à la conduite. En fournissant aux conducteurs des retours personnalisés sur leur niveau de stress, leur vigilance et leur concentration, ceux-ci peuvent s’efforcer activement d’améliorer leurs compétences au volant, ce qui contribue à rendre les routes plus sûres et à réduire le nombre d’accidents.

Références

1. Healey, J.A., Picard, R.W. : Détection du stress lors de tâches de conduite en conditions réelles à l'aide de capteurs physiologiques. IEEE Transactions on Intelligent Transportation Systems 6(2), 156-166 (2005). doi: 10.1109/TITS.2005.848368.
2. Zontone, P., Affanni, A., Bernardini, R., Piras, A., Rinaldo, R., Formaggia, F., Minen, D., Minen, M., Savorgnan, C. : « Détection de la réaction sympathique du conducteur automobile à partir de mesures de l'activité électrodermique et de l'électrocardiogramme ». IEEE Transactions on Biomedical Engineering, vol. 49(12), 3413-3424 (2020). doi: 10.1109/TBME.2020.2987168
3. Lemonnier, S., Bremond, R., Baccino, T. : Comportement visuel à l'approche d'un carrefour : répartition des temps de fixation et comparaison avec une prédiction quantitative. Transportation Research Part F: Traffic Psychology and Behaviour 35, 60-74 (2015). doi: 10.1016/j.trf.2015.10.015
4. Jabon, M., Bailenson, J., Pontikakis, E., Takayama, L., Nass, C. : Analyse des expressions faciales pour prédire les comportements dangereux au volant. IEEE Pervasive Computing 10(4), 84-95 (2011). doi: 10.1109/MPRV.2010.46
5. Strayer, D.L., Drews, F.A., J
6. Mehler B., Reimer B., Coughlin J.F., Dusek J.A. : Impact de l'augmentation progressive de la charge cognitive sur l'éveil physiologique et les performances chez les jeunes conducteurs adultes. Transp Res Rec 2138(1), 6-12 (2009). doi: 10.3141/2138-02 
7. Collet, C., Clarion, A., Morel, M., Chapon, A., Petit, C. : Modifications physiologiques et comportementales liées à la gestion de tâches secondaires au volant. App Ergon 40(6), 1041-1046 (2009). doi: 10.1016/j.apergo.2009.01.007
8. Wierwille, W.W., Eggemeier, F.T. : Recommandations pour la mesure de la charge mentale dans un contexte d'essais et d'évaluation. Hum Factors 35(2), 263-281 (1992). doi: 10.1177/001872089303500205