Qu'est-ce que la détection de la fatigue ?

La détection de la fatigue consiste à identifier et à évaluer le niveau de fatigue des individus, en particulier dans les environnements de travail à haut risque. Grâce à des technologies et des méthodologies de pointe, cette pratique vise à renforcer la sécurité et à améliorer les performances en surveillant les indicateurs physiologiques et comportementaux. Une détection efficace de la fatigue contribue à améliorer la prise de décision et à réduire les risques dans divers secteurs d’activité.

Introduction à la détection de la fatigue

Qu’est-ce que la détection de la fatigue ? En 1965, un certain Dr Dement a loué une décapotable en Californie et a emmené un adolescent de 17 ans faire un tour dans le cadre d’une expérience scientifique. Ce n’est pas la scène d’ouverture d’un film d’horreur, mais une partie de la tentative de record du monde de privation de sommeil menée par Randy Gardner, alors âgé de 17 ans. Son expérience pour le salon des sciences a finalement été couronnée de succès, et il est resté éveillé pendant les 264 heures prévues, soit 11 jours d’affilée.

Il s’agit là d’un cas extrême de fatigue, que très peu de gens ont l’occasion de vivre. Mais nous sommes tous confrontés au manque de sommeil à un moment ou à un autre de notre vie, et nous ne pouvons pas nous retrancher derrière la participation à une expérience scientifique pour nous soustraire aux exigences de la vie : le travail, la famille et tout ce qui se trouve entre les deux.

Si le manque de sommeil, et la fatigue en général, sont des phénomènes courants, les conséquences de cet épuisement peuvent être graves. Jusqu’à 274 000 accidents du travail et 6 000 décès dus à des accidents de la route ont été associés à l’insomnie, rien qu’aux États-Unis [2-5].

Si, dans ces cas précis, l’insomnie est sans doute due en grande partie à des contraintes sociales et culturelles, il existe d’autres situations où le manque de sommeil fait partie de la norme. Les soldats en temps de guerre, les chauffeurs routiers et le personnel médical, pour n’en citer que quelques-uns, sont tous soumis aux mêmes exigences qui les obligent à se passer de sommeil dans le cadre de leur travail.

Cela peut inévitablement avoir des conséquences désastreuses : chacune de ces professions comporte un risque accru d’accident si les choses ne se déroulent pas comme prévu. Comprendre comment la fatigue affecte les individus et être capable de la prévoir pourrait réduire considérablement le nombre d’accidents, améliorer la santé et permettre aux personnes concernées de donner le meilleur d’elles-mêmes aussi longtemps que possible. Comment y parvenir ?

Tout savoir sur la détection de la fatigue

Avant d’entrer dans les détails concernant la détection de la fatigue, il est utile de définir ce qu’est réellement la fatigue. On pourrait penser que l’on sait quand on est fatigué et que cela est donc facile à définir, mais ce n’est pas forcément le cas. Les auto-évaluations sont généralement connues pour leur manque de fiabilité, et celles concernant la fatigue ne font pas exception [6-7].

La fatigue peut être étudiée et définie de nombreuses façons différentes : il existe des différences entre la fatigue induite par des troubles psychiatriques (tels que la dépression), des troubles somatiques (tels que la maladie de Parkinson) ou des « comportements de consommation » (tels que l’alcoolisme) [8]. Mais lorsqu’il s’agit d’évoquer les taux d’accidents causés par la fatigue, celle-ci peut être définie comme une baisse des performances cognitives pouvant être attribuée à une charge cognitive soutenue et/ou à des périodes prolongées d’éveil.

Compte tenu des imprécisions inhérentes aux auto-évaluations de la fatigue, demander à quelqu’un dans quelle mesure il est fatigué n’est pas fiable : nous ne sommes pas des évaluateurs précis. Les auto-évaluations constitueraient également, de toute évidence, un système inefficace pour détecter la fatigue. Nous avons besoin de signaux pouvant être détectés de manière passive et non invasive sur le corps, capables de transmettre de manière fiable des informations sur le degré réel de fatigue d’une personne. Heureusement, plusieurs options s’offrent à nous pour y parvenir.

Comment détecter la fatigue

La fatigue est un facteur fréquent dans les accidents de la route : aux États-Unis, environ 328 000 accidents de voiture par an sont attribués à la fatigue au volant [3]. La position d’une personne assise dans une voiture constitue également un contexte propice pour évaluer les niveaux de fatigue. Ces dernières années, des recherches et des innovations ont permis de réaliser plusieurs avancées dans ce domaine.

L’une des méthodes les plus couramment utilisées pour détecter la fatigue est l’oculométrie (par exemple [9-12]), qui exploite la position du regard, l’amplitude de la dispersion du regard et même les clignements des yeux comme indicateurs de fatigue. En 2018, des chercheurs ont utilisé des simulateurs de conduite couplés à des oculomètres pour évaluer les mouvements oculaires lors d’un comportement de conduite naturel, et ont constaté que « le temps de fixation moyen sur la zone d’intérêt (AOI) et la surface de la pupille peuvent servir d’indicateurs efficaces pour détecter la fatigue du conducteur » [13].

D’autres chercheurs ont eu recours à des modèles d’apprentissage automatique afin de prédire le niveau de fatigue d’un participant à partir de données d’oculométrie [14]. Le pourcentage de fermeture des paupières a également été utilisé comme indicateur fiable du niveau de fatigue [15]. Des chercheurs ont également utilisé uniquement des mesures de la distance entre les paupières, avec un taux de précision moyen de 90 % pour la fatigue [16]. Ce ne sont là que quelques exemples illustrant la capacité des données d’oculométrie à fournir des informations sur le niveau de fatigue ressenti par un individu.

Les techniques d’oculométrie peuvent également être utilisées dans des contextes autres que la conduite automobile : des méthodes adaptables, faisant appel à un suivi par plusieurs caméras ou à des lunettes d’oculométrie, peuvent servir à détecter les mouvements oculaires dans des situations complexes. Cela pourrait facilement s’appliquer aux pilotes, aux contrôleurs aériens ou aux opérateurs de drones, permettant ainsi de mieux déterminer quand un travailleur est performant et quand il a besoin de faire une pause.

L’analyse des expressions faciales est un autre exemple de méthodologie permettant de fournir des informations sur le niveau de fatigue d’un individu de manière non intrusive. Tant des mouvements spécifiques (tels que le bâillement) que l’ensemble de multiples mouvements faciaux peuvent être utilisés pour prédire les niveaux de fatigue. Plusieurs chercheurs ont utilisé des données d’expressions faciales collectées automatiquement par des systèmes tels qu’Affectiva pour élaborer des modèles d’apprentissage automatique capables de prédire avec précision l’apparition de la somnolence (par exemple [17-19]).

Une autre méthode clé pouvant être utilisée de manière fiable pour détecter les niveaux de fatigue est l’électroencéphalographie, ou EEG. Cette technologie est particulièrement bien adaptée à la mesure des niveaux de somnolence, car elle évalue directement l’activité cérébrale [20]. Les chercheurs ont utilisé des casques EEG filaires et sans fil pour détecter une augmentation de la fréquence des ondes correspondant à l’apparition de la somnolence (par exemple, une augmentation de l’activité occipitale à ondes lentes [21]).

Les chercheurs ont également tiré parti du lien évident entre l’activité cardiaque et le niveau de conscience physiologique et psychologique. Des paramètres tels que la fréquence cardiaque et la variabilité de la fréquence cardiaque permettent de fournir des informations fiables sur l’apparition de la fatigue, tout en offrant une mesure plus précise de la charge cognitive [22, 23].

Il est également possible de prédire la fatigue grâce à la mesure de l’activité électrodermique (EDA, parfois également appelée GSR). Des chercheurs s’en sont servis pour étudier le lien entre la somnolence et l’allongement des temps de réaction [24]. Ces résultats ont également été confirmés dans le cadre de tâches de conduite automobile [25], et cette méthode a même été utilisée pour évaluer l’anxiété provoquée par la fatigue [26].

Conclusion

Les effets de la fatigue peuvent être désastreux : l’augmentation du nombre d’accidents et de décès qui surviennent lorsque les personnes sont fatiguées en témoigne. Heureusement, il existe un large éventail de méthodes permettant de suivre, de mesurer et de prévoir quand le risque d’accident atteint des niveaux dangereux. La nature variée des tâches auxquelles les individus peuvent être confrontés implique inévitablement que chaque situation devra être examinée afin de fournir une évaluation précise de la sécurité et de la réussite, mais les outils et les capacités nécessaires sont disponibles. Il ne reste plus qu’à se lancer.

J’espère que cet article sur la détection de la fatigue vous a plu. Si vous souhaitez en savoir plus sur l’une des principales méthodes utilisées pour surveiller la fatigue, téléchargez notre guide gratuit sur l’oculométrie ci-dessous.

Références

[1] Dement, William C. (1999). La promesse du sommeil. New York : Dell Publishing.

[2] Klauer SG, Dingus TA, Neale VL, Sudweeks JD, Ramsey DJ. L’impact de l’inattention du conducteur sur le risque d’accident ou de quasi-accident : une analyse à partir des données de l’étude naturaliste « 100-Car », 2006. Springfield, Virginie : DOT ; année. DOT HS 810 594.

[3] Tefft, B. C., Fondation AAA pour la sécurité routière. Prévalence des accidents de la route impliquant des conducteurs en état de somnolence, États-Unis, 2009-2013 [457 Ko]. Washington, DC : Fondation AAA pour la sécurité routière ; 2014. 19 octobre 2015.

[4] Institut de médecine. Troubles du sommeil et privation de sommeil : un problème de santé publique non résolu. Washington, DC : The National Academies Press ; 2006.

[5] Shahly V, Berglund PA, Coulouvrat C, et al. Les liens entre l’insomnie et les accidents du travail et les erreurs coûteux : résultats de l’enquête américaine sur l’insomnie. Arch Gen Psychiatry. 2012 ; 69(10) : 1054-1063.

[6] Adams A, Soumerai S, Lomas J, Ross-Degnan D. (1999). Preuves d’un biais lié à l’auto-évaluation dans l’évaluation du respect des recommandations. Int J Qual Health Care ; 11(3) : 187–192.

[7] Dalziel, J.R., Job, R.F. (1997). Accidents de la route, fatigue et biais d’optimisme chez les chauffeurs de taxi. Accident Analysis Prevention 29, 489–494.

[8] Barofsky, I., Legro, M. W. (1991). Définition et mesure de la fatigue. Reviews of Infectious Diseases, volume 13, numéro Supplément_1, janvier-février, pages S94–S97, https://doi.org/10.1093/clinids/13.Supplement_1.S94

[9] W. Horng, C. Chen, Y. Chang, C. Fan, « Détection de la fatigue du conducteur à l’aide de l’oculométrie et de la comparaison dynamique de modèles », dans : Actes de la Conférence internationale de l’IEEE sur les réseaux, la détection et le contrôle, Taïwan, vol. 1, 2004, p. 7-12.

[10] H. Huang, Y. S. Zhou, F. Zhang, F. C. Liu. (2007). Système optimisé de localisation et de suivi du regard pour la surveillance de la fatigue du conducteur. Dans Actes de l’ICWAPR, vol. 3, p. 1144-1149

[11] R. C. Coetzer et G. P. Hancke (2011). Détection du regard pour un système de surveillance en temps réel de la fatigue du conducteur. Dans : Actes du Symposium IEEE sur les véhicules intelligents, juin, p. 66-71

[12] C. A. Perez, A. Palma, C. A. Holzmann et C. Pena. (2001). Algorithme de suivi du visage et des yeux basé sur le traitement numérique de l’image. Dans : Actes de la Conférence internationale IEEE sur les systèmes, l’homme et la cybernétique, vol. 2, octobre, p. 1178-1183.

[13] Xu J, Min J, Hu J. Suivi oculaire en temps réel pour l’évaluation de la fatigue du conducteur. Healthc Technol Lett. 5(2):54-58. doi:10.1049/htl.2017.0020.

[14] Yamada, Y., Kobayashi, M. (2018). Détection de la fatigue mentale à partir de données d’oculométrie recueillies pendant le visionnage d’une vidéo : évaluation chez des adultes jeunes et âgés, Artif. Intell. Med. 91, 39–48, https://doi.org/10.1016/j.artmed.2018.06.005.

[15] Lin, L., Huang, C., Ni, X., Wang, J., Zhang, H., Li, X., & Qian, Z. (2015). Détection de la fatigue du conducteur à partir de l’état des yeux. Technology and Health Care, 23(2), 453–463.

[16] Wenhui Dong et Xiaojuan Wu. (2005). Détection de la fatigue à partir de la distance entre les paupières. Actes de l’atelier international IEEE 2005 sur la conception VLSI et les technologies vidéo, Suzhou, Chine, 2005, pp. 365-368.

[17] Henni, K., Mezghani, N., Gouin-Vallerand, C. et al. (2018). Appl Inform, 5: 7. https://doi.org/10.1186/s40535-018-0054-9

[18] Gu, H. & Ji, Q. (2004). Un système automatisé de reconnaissance faciale pour la détection de la fatigue, Actes de la Conférence internationale IEEE sur la reconnaissance des visages et des gestes, pp. 111-116.

[19] J. Qiang, Z. Zhiwei et P. Lan. (2004). Surveillance et prévision en temps réel et non intrusives de la fatigue du conducteur. IEEE Trans. Veh. Technol., vol. 53, p. 1052–1068, juillet.

[20] Borghini, G., Astolfi, L., Vecchiato, G., Mattia, D. et Babiloni, F. (2014). Mesure des signaux neurophysiologiques chez les pilotes d’avion et les conducteurs automobiles pour l’évaluation de la charge mentale, de la fatigue et de la somnolence. Neurosci. Biobehav. Rev. 44, 58–75. doi: 10.1016/j.neubiorev.2012.10.003

[21] Neu, D., Mairesse, O., Verbanck, P., Linkowski, P. et Le Bon, O. (2014). Répartition de la puissance EEG pendant le sommeil non-REM en cas de fatigue et de somnolence. J. Psychosom. Res. 76, 286–291. doi: 10.1016/j.jpsychores.2014.02.002

[22] Segerstrom, S. C., & Nes, L. S. (2007). La variabilité de la fréquence cardiaque reflète la capacité d’autorégulation, l’effort et la fatigue. Psychological Science, 18, 275–281. doi:10.1111/j.1467-9280.2007.01888.x

[23] Patel, M. ; Lal, S.K.L. ; Kavanagh, D. ; Rossiter, P. (2001). Application de l’analyse par réseaux neuronaux aux données de variabilité de la fréquence cardiaque pour évaluer la fatigue des conducteurs. Exp. Syst. Appl. 38, 7235–7242.

[24] Miro E, Cano-Lonzao MC, Buela-Casal G. (2002). Activité électrodermique pendant la privation totale de sommeil et ses liens avec d’autres mesures de l’activation et de la performance. J Sleep Res. 11:105–12.

[25] Dorrian, J., Lamond, N., Kozuchowski, K., & Dawson, D. (2008). Le système de contrôle télémétrique de la vigilance du conducteur (DVTCS) : étude de la sensibilité à la privation de sommeil et à la fatigue provoquées expérimentalement. Behavior Research Methods, 40, 1016-1025.

[26] Rani, P., Sarkar, N., Smith, C.A., Kirby, L.D. (2004). Système robotique de détection de l’anxiété : vers une collaboration implicite entre l’homme et le robot. Robotica, 22 : 85-95.