Prédiction de la performance de conduite sur simulateur à l’aide de paramètres cliniques et de sommeil : le projet PANDORE-IA

Objectif

Déterminer si certains paramètres cliniques et de sommeil peuvent prédire les performances de conduite sur un simulateur le jour suivant.

Méthodes

Des sujets sains ont effectué un EEG nocturne à l’aide du bandeau Dreem et 2 tests de conduite de 45 min sur un simulateur validé le lendemain à 22 h et à 4 h du matin. Une mauvaise performance de conduite a été définie par un nombre de franchissements de lignes inférieur à la médiane de la population. Un random forest utilisant 10 découpages aléatoires stratifiés a été utilisé pour prédire les mauvaises performances de conduite.

Résultats

Quarante et un participants (33 ± 8 ans/46 % d’hommes) ont été inclus. Le 1^er modèle utilisant uniquement les paramètres EEG du sommeil de la nuit précédente a atteint un score F1 de 62,6 ± 9,1 et de 59,2 ± 8,1 pour les performances de conduite à 22 h et 4 h, respectivement. Le 2^e modèle incluant les paramètres cliniques et du sommeil a atteint un score F1 de 73,3 ± 4,9 et de 66,2 ± 7,6 pour les performances de conduite de 22 h et 4 heures. Les 2 caractéristiques les plus importantes identifiées par drop column étaient la consommation de caféine et la durée d’éveil après l’endormissement pour la prédiction de 22 h et l’âge pour la prédiction de 4 h.

Conclusion

L’approche ML utilisant les caractéristiques cliniques et l’EEG du sommeil de la nuit précédente prédit les performances de conduite sur un simulateur avec une assez bonne précision. La consommation de caféine et l’âge sont les caractéristiques les plus importantes pour prédire les performances de conduite.