La somnolence a un impact direct sur la sécurité, les performances et le bien-être. Il est essentiel de bien comprendre ce phénomène dans les domaines de la sécurité automobile et des transports, de la santé au travail, de l’aviation, de la recherche clinique sur le sommeil, de la santé des consommateurs et des tests ergonomiques. Les recherches axées sur le travail posté (en particulier les quarts de nuit ou les longues journées de travail) et les tâches de longue durée (par exemple, la pratique d’interventions chirurgicales, le pilotage d’avions ou la conduite de camions) portent souvent sur la somnolence, la fatigue et l’état de vigilance.

Cet article présente différentes façons d’utiliser iMotions pour étudier la somnolence à l’aide de capteurs physiologiques, notamment l’oculométrie, l’ECG et l’EEG.

PERCLOS

Le PERCLOS (pourcentage de fermeture des paupières au fil du temps) mesure la proportion de temps pendant laquelle les yeux restent fermés au-delà d’un seuil (généralement de 80 %) et est largement utilisé comme marqueur comportemental de la somnolence. Le PERCLOS est un indicateur fiable, basé sur l’observation visuelle, de la fermeture des yeux et d’une baisse de la vigilance.

Présentation de PERCLOS

Secteurs d'activité phares : automobile/transports (systèmes de surveillance des conducteurs), aviation, engins de chantier et sécurité au travail.
Matériel : lunettes d'oculométrie, oculomètres sur écran
Niveau de complexité de l'analyse des données : faible à modéré.
- Les algorithmes existants nécessitent un prétraitement (pour la détection des visages et des yeux ainsi que le filtrage des clignements) et un étalonnage (en fonction des sujets et des conditions d'éclairage).
- Le logiciel iMotions R Notebook intègre des fonctions de prétraitement et d'étalonnage dans les modules d'oculométrie concernés.

Éléments à prendre en compte lors de l’utilisation de l’oculométrie pour mesurer le PERCLOS

Avantages : pas de contact nécessaire grâce à l’oculométrie par écran. Matériel facile à utiliser avec des lunettes d’oculométrie. Fonctionne bien pour la surveillance en véhicule, sur simulateur ou sur poste de travail. Les données générées sont faciles à comprendre.

Inconvénients : PERCLOS est sensible à l’éclairage, aux occlusions et au placement de la caméra.

Fréquence de clignotement

La fréquence des clignements varie en fonction de la fatigue : des clignements plus longs et une augmentation des clignements lents ou partiels indiquent souvent une baisse de vigilance ou une somnolence.

Présentation du taux de clignotement

Secteurs d'activité phares : surveillance des conducteurs, sécurité au travail, tests d'ergonomie et santé des consommateurs.
Matériel : oculomètres ou webcams (équipées d'un module d'analyse des expressions faciales)
Niveau de complexité de l'analyse des données : faible à modéré.
- Les algorithmes de détection sont simples, mais la fréquence des clignements est également influencée par des facteurs environnementaux et cognitifs, ce qui rend leur interprétation difficile.
- Les modules d'oculométrie iMotions (sur écran, lunettes et réalité virtuelle) ainsi que le module d'analyse des expressions faciales fournissent automatiquement la fréquence de clignement des yeux.

Éléments à prendre en compte lors de l’utilisation de Blink Rate

Avantages : facile à mesurer à l’aide de caméras, complète le système PERCLOS et offre une haute résolution temporelle pour des intervalles de temps courts.

Inconvénients : les paramètres relatifs au clignement des yeux sont influencés par l’environnement (vent, sécheresse oculaire) et la charge cognitive (et pas seulement la fatigue).

Variabilité de la fréquence cardiaque (VFC)

La variabilité de la fréquence cardiaque (VFC) reflète les variations temporelles entre les battements cardiaques (intervalle inter-battements ; IBI). La VFC est mesurée par électrocardiographie (ECG) et reflète l’activité du système nerveux autonome. Plus précisément, les paramètres de la VFC peuvent être utilisés pour évaluer l’équilibre entre les systèmes nerveux parasympathique et sympathique. En général, une diminution de certains paramètres de la VFC est associée à de la fatigue ainsi qu’à une baisse de la vigilance et de la concentration.

Pour plus d’informations sur la VRC, consultez notre blog.

Présentation de la variabilité de la fréquence cardiaque

Secteurs d'activité courants : recherche clinique, médecine du sommeil, médecine du travail, applications sportives et militaires.
Matériel : ECG avec électrodes, sangles thoraciques
Niveau de complexité de l'analyse des données : modéré à élevé.
- La VRC nécessite une détection fiable des artefacts, des calculs dans les domaines spectral et temporel, ainsi qu'une interprétation par rapport aux valeurs de référence.
- Avec le notebook iMotions HRV R, ces calculs s'effectuent automatiquement.

Éléments à prendre en compte lors de l’utilisation de l’ECG pour mesurer la variabilité de la fréquence cardiaque

Avantages : matériel non invasif et facilement accessible. Surveillance en continu. Complète d’autres indicateurs.

Inconvénients : faible spécificité, car également influencée par des facteurs tels que la charge cognitive. Ne reflète que les changements progressifs.

Puissance thêta et delta

Les augmentations de la puissance des ondes thêta (4–8 Hz) et delta (0,5–4 Hz) dans l’EEG constituent des signatures neuronales classiques de l’endormissement et de la somnolence.

Présentation des puissances thêta et delta

Secteurs d'activité courants : recherche sur le sommeil, neurologie clinique, surveillance des opérateurs à haut risque dans le cadre de la recherche militaire et aéronautique, et études universitaires.
Matériel : casques EEG
Niveau de complexité de l'analyse des données : modéré à difficile.
- Le prétraitement des données EEG brutes est essentiel. Il faut réfléchir à la manière d'identifier les artefacts et de filtrer le bruit.
- Choisissez la méthode de calcul, la longueur de la fenêtre et les fréquences du filtre passe-bande
- Le notebook « Power Spectral Density R » d'iMotions fournit des mesures pour les bandes de fréquences standard, y compris les bandes thêta et delta. Vous pouvez sélectionner des options de prétraitement dans iMotions Lab. Le notebook « Power Spectral Density R » est disponible en version transparente, ce qui facilite la description des méthodes en vue d'une publication. Aucune expérience en programmation n'est requise.

Éléments à prendre en compte lors de l’utilisation de l’EEG pour mesurer la puissance des ondes thêta et delta

Avantages : mesure directe de l’activité cérébrale avec une grande sensibilité aux phases de sommeil et aux micro-sommeils ; grande facilité d’interprétation dans le cadre de la recherche.

Inconvénients : l’EEG nécessite des capteurs de contact, ce qui peut être gênant au quotidien, et il est sensible aux mouvements et aux artefacts musculaires ; des questions se posent quant à la réglementation et au confort en cas de déploiement sur le terrain à long terme.

Conclusion

La détection de la somnolence est plus efficace lorsqu’on combine plusieurs modalités, en compensant les faiblesses d’un outil par les atouts d’un autre, ce qui permet de créer un système plus résilient et sensible au contexte. PERCLOS reste une pierre angulaire de la surveillance par la vision grâce à son interprétabilité et à ses capacités en temps réel, tandis que la VRC et l’EEG apportent une dimension physiologique supplémentaire pour l’analyse des tendances à long terme et la détection des états de sommeil. Le coût du matériel, le caractère intrusif et la complexité de l’analyse varient selon les méthodes ; le choix de la combinaison appropriée dépend donc de l’application et des contraintes de déploiement.

Si vous souhaitez obtenir une recommandation personnalisée ou assister à une démonstration de l’intégration de PERCLOS avec des flux physiologiques synchronisés (PPG, ECG, EEG, respiration, GSR et voix), n’hésitez pas à nous contacter : nous vous aiderons à concevoir une solution adaptée à vos objectifs de recherche.

Références

Takashi Abe, « Technologies basées sur le PERCLOS pour la détection de la somnolence : données actuelles et perspectives d’avenir », SLEEP Advances, volume 4, numéro 1, 2023, zpad006, https://doi.org/10.1093/sleepadvances/zpad006

M. Patel, S.K.L. Lal, D. Kavanagh, P. Rossiter, « Application de l’analyse par réseaux neuronaux aux données de variabilité de la fréquence cardiaque pour évaluer la fatigue des conducteurs », Expert Systems with Applications, volume 38, numéro 6, 2011, pages 7235-7242, ISSN 0957-4174, https://doi.org/10.1016/j.eswa.2010.12.028.

Pan, T., Wang, H., Si, H., Li, Y. et Shang, L. (2021). Identification de l’état de fatigue des pilotes à partir des signaux d’électrocardiogramme. Sensors, 21(9), 3003. https://doi.org/10.3390/s21093003

Détection de la somnolence à l'aide de 4 indicateurs validés

Table of Contents