SYSEME DE DIAGNOSIC PAR DES MACHINES A VECEURS DE SUPPOR Appcaton à a Détecton de Hypovgance du Conducteur Automobe Mgue GONZÁLEZ MENDOZA Drecteur(s) de thèse: André ILI et Ne HERNÁNDEZ GRESS Laboratore d'accue: LAAS - CNRS 7, avenue du Coone Roche 3077 ououse Cede 4, France Etabssement d'nscrpton: INSA ououse 35, avenue de Rangue 3077 ououse Cede 4, France IESM CEM Carretera Lago de Guadaupe Km. 3.5, Atzapán de Zaragoza, Estado de Méco, C.P. 596, Meque Résumé Nous présentons un système d ade au conducteur automobe afn de trater e décat probème du dagnostc d Hypovgance. Le système dot être capabe de détecter Hypovgance du conducteur à travers des capteurs pérphérques en gne. Le système de dagnostc est basé sur un pré-tratement des sgnau et d un modèe construt par des machnes à vecteurs de support (SVM). Les SVM, déveoppées à partr de a théore de 'apprentssage statstque, affchent des performances d apprentssage et de générasaton optmaes. Néanmons, e processus d apprentssage, se ramenant sous à un probème d optmsaton quadratque de grande dmenson, pose des probèmes de requête nformatque qu faut résoudre. Le cadre de cette étude est e proet de recherche européen AWAKE. L ntérêt d'un te système est démontré par queques epérences ans que par sa vadaton à travers des mesures physoogques d'eeg et EOG. Mots cés Surveance, dagnostc en temps rée, Machnes à Support Vectoree (SVM), détecton de hypovgance. INRODUCION L une des aes es pus mportants de recherche ces dernères années, dans e domane de transports, a été a détecton de hypovgance du conducteur automobe, car cee-c est a premère cause drecte ou ndrecte d'accdents routers. Un conducteur dans un état hypovgant ne tentera pas d acton correctrce avant une coson [3]. En Europe, 50.000 personnes meurent et 50.000 sont bessées chaque année []. I faut donc concentrer es efforts sur es causes de ces accdents afn de es évter en déveoppant des systèmes de sécurté actfs. Le LAAS mène, depus pus de d années, une recherche pour concevor un te système [8],[9]. Notons que a supervson et e dagnostc du système conducteur-véhcue-envronnement est un probème compee. Un modèe mathématque d un te système est quasment mpossbe à construre à cause de ses caractérstques dynamques, stochastques et d nteracton homme-machne. D'autre part, faut concevor un système non ntrusf, capabe de mesurer et nterpréter des symptômes de dégradaton de a condute, tout en gardant un haut degré d'acceptaton socae et en respectant des contrantes économques. Dans cet artce, une fuson mutsensoree est utsée pour créer un système de dagnostc capabe de synthétser 'nformaton mportante permettant de dstnguer un comportement norma d'un mgonza@aas.fr
anorma (fatgue, nattenton). Ce dagnostc dot être personnasé à cause de a dversté des caractérstques de condute entre dfférents conducteurs. Dans notre approche, cette adaptaton est possbe par apprentssage des caractérstques personnees de condute ors d un comportement norma du conducteur, pus par détecton des pérodes dans esquees a tâche de condute abandonne cette normaté. Pour cea, nous présentons une nouvee méthode basée sur des machnes à vecteurs de support pour anayser, surveer et dagnostquer en temps rée 'état de a vgance de conducteur. L'artce est organsé de a manère suvante: a secton donne es génératés sur e système goba de détecton et es spécfctés de a méthode d apprentssage. La secton 3 présente es performances du système de dagnostc ors d essas rées de condute. Fnaement, dans a secton 4, nous donnons es concusons et es perspectves. LE SYSEME DE DEECION.. Méthode Générae de Dagnostc Le système de détecton de 'hypovgance est basé sur une approche mutsensoree. Le LAAS dspose d'une voture nstrumentée, afn de détermner 'état physoogque du conducteur, es condtons envronnementaes et 'état mécanque de a voture [8], fgure. Fg.. Copech, e démonstrateur du LAAS-CNRS et a méthode générae de dagnostc. Le système est composé d un modue d apprentssage, hors gne, qu, utsant un dagnostc médca basé sur des sgnau EEG et EOG, détecte es eempes caractérsant une condute normae. Ensute, ces paramètres sont utsés pour évauer, en gne, a performance du conducteur tous es 50 msec et donc obtenr un dagnostc de hypovgance en temps rée. Le dagnostc fna trate e dagnostc nstantané par un cacu de moyenne à travers une fenêtre temporee, afn de fournr une dernère évauaton au conducteur, avec un mnmum d erreurs. Cette dernère étape sera consttuée, par a sute, d un système d nférence fou, décrt par une base de règes qu prendra en compte des facteurs envronnementau et de trafc. La fgure ustre e schéma généra de a méthode... Génératés sur es Machnes à Vecteurs de Support En accord avec a théore de 'apprentssage statstque, une foncton qu décrt correctement un ensembe d apprentssage X et qu appartent à un ensembe de fonctons avec une dmenson VC rédute (Vapnk-Chervonenks), aura un bon pouvor de générasaton, ndépendamment de a dmenson de 'espace de 'entrée. Basées sur ce prncpe, es SVM ont une approche systématque pour trouver une foncton néare, appartenant à un ensembe de fonctons avec une dmenson VC basse [7]. Les SVM sont appquées à a reconnassance des formes, a régresson et 'estmaton de densté (PDF). Ees convergent vers un système gobaement optma à competé mnmae. En effet, e prncpa obectf des SVM appquées à a reconnassance des formes est de construre un hyperpan séparateur optma entre deu casses, c est à dre, avec a pus grande marge, fgure drote. Lorsqu une souton néare n est pas possbe, a méthode réase une proecton de 'espace d entrée X dans un espace de caractérstques Z de dmenson pus mportante, à travers une foncton
φ(), fgure gauche. Un eempe de ce type de foncton est e produt nterne, évaué à travers des fonctons kerne : φ ( ) φ( ) = ( z z ) = arz r ( ) z r ( ) k(, ), a r 0 () r= satsfasant es condtons de Mercer [5], comme e kerne Gaussen : ( ) k (, ) = ep. () σ Donc, grâce à a berté d utser dfférents types de kerne, 'hyperpan séparateur optma correspond à des estmateurs non-néares dfférents dans 'espace orgna, fgure, drote. Fg.. Gauche: L'hyperpan séparateur optma avec es vecteurs de support entourés. Drote: ransformaton de 'espace d'entrée en un espace de caractérstques de dmenson supéreur. Dans es machnes d apprentssage tradtonnees, partcuèrement es réseau de neurones, on découpe a recherche de archtecture de a détermnaton de ses paramètres ; faut chercher es paramètres de puseurs structures afn de chosr cee qu garantt e meeur pouvor de générasaton. Cec mpque a partton de a base de données en base d apprentssage et base de test. Pour es SVM, cette recherche n est pus nécessare; nous pouvons utser toute a base de données et approche assure, mathématquement, a meeure archtecture. Par des rasons de smpcté, nous aons décrre es SVM appquées seuement à a cassfcaton, pusque es formuatons pour es probèmes de régresson et d estmaton de densté ont une forme très sembabe à cee de a cassfcaton..3. SVM Appquées à a Cassfcaton Consdérons ensembe d apprentssage {, y },, {, y }, avec X et y {-, }, où est e nombre d'observatons et X est une dstrbuton dans 'espace R n. Dans e probème de cassfcaton, e but est de trouver une méthode effcace pour construre hyperpan séparateur optma, c est à dre, avec a pus grande marge, fgure. Pour ce fare, on dot trouver e vecteur w et a constante b, qu mnmsent a norme w =w w (pusqu ee est nversement proportonnee à a marge), sous es contrantes : w + b, s y = (3) w + b, s y =. Parce qu on peut accepter queques erreurs, on reae es contrantes (3) et on ntrodut un coût addtonne é à cette reaaton, de tee sorte qu on arrve au probème quadratque, QP, suvant : Mnmser w Sous es contrantes y ξ 0 ( w w) ( w + b) + C ξ = ξ, =, K, (4)
On peut résoudre e probème (4) dans espace prma ( espace des paramètres w et b). En fat, on résout e QP dans espace dua, équaton (5), ( espace des mutpcateurs de Lagrange) pour deu rasons prncpaes: ) On rempace es contrantes (3) par es mutpcateurs de Lagrange assocés, et ) on obtent une formuaton du probème où es données d apprentssage apparassent sous a forme de produt nterne entre vecteurs, que on peut ensute rempacer par des fonctons kerne, pus construre hyperpan dans espace de caractérstques et obtenr des fonctons non-néares dans espace d entrée. Mamser α Sous es contrantes L ( α) = D = = α y α = 0, 0 α C =, K, Les α sont es mutpcateurs de Lagrange, assocées au contrantes. Le paramètre C contrôe e nveau d erreur dans a cassfcaton. La foncton d évauaton SVM est défne comme :, = α α y y ( f ( ) = α yk(, ) + b. (6) = Les eempes assocés au mutpcateurs de Lagrange α pus grands que zéro correspondent au vecteurs de support, et ont une contrbuton sgnfcatve en (6). Géométrquement, ces vecteurs résdent dans a marge défne par hyperpan séparateur. La constante b représente e seu de hyperpan apprt dans espace de caractérstques. I peut être cacué par a moyenne de a foncton (6), évauée en utsant es vecteurs de support..4. Constructon d une SVM Pour ben défnr un agorthme ou chosr un ogce d optmsaton quadratque afn de résoudre e probème (5), on dot consdérer : a tae de a matrce Hessenne et sa structure, a nature de a souton et a structure des contrantes. L agorthme utsé en ce moment correspond à une méthode duae de Godfarb et mpanté par Powe []. Nous avons trouvé epérmentaement, [4], que agorthme est effcace et numérquement stabe, parfos meeur, que agorthme du pont ntéreur LOQO de Vanderbe [6]. Beaucoup de ponts sont à consdérer dans a mse en pace de agorthme d apprentssage SVM. En partcuer, s ensembe d apprentssage augmente, es tâches d apprentssage devennent rapdement ntratabes avec des technques d'optmsaton généraes, à cause des besons nformatques (.e. a matrce Hessene requert une tae de mémore égae à ) et en temps [4][]. En utsant un agorthme de décomposton, Osuna propose une souton pour ce probème, smare à cee utsée dans es stratéges d ensembe actf []. I fractonne e probème en une sére de tâches pus pettes. L agorthme sépare es varabes α en une parte nactve α N et une autre actve α B, cette dernère appeée ensembe de trava. A chaque pas, es eempes qu voent es condtons de Karush-Kuhn- ucker sont addtonnés à ensembe de trava, tands que es eempes de ensembe de trava ayant un mutpcateur de Lagrange assocé éga à zéro sont dépacés vers ensembe nactf usqu à convergence. Osuna a démontré que cet agorthme converge vers a souton optmae []. Le processus commence avec un ensembe de trava nta, trouvé par une recherche gaussenne proposée dans nos travau en [5], aors que es varabes nactves sont temporarement fées à une vaeur partcuère, normaement zéro. 3 EXPERIMENAION E ANALYSE Le protocoe d epérmentaton est e suvant : es conducteurs ont condut deu fos dans un our, matn et après-md à une vtesse de 90 km/h, pus ou mons constante, fasant un tota de 368 km, fgure 3 gauche. Is ont été nstrumentés avec des éectrodes afn d enregstrer eur actvté cérébrae (EEG) et ocuare (EOG). Pendant tout e traet, e médecn eur a demandé eur état de fatgue. De pus, on a enregstré nformaton provenant des capteurs à bord du véhcue et es scènes dans e cockpt et ) (5)
envronnement ont été fmées et enregstrées sur une vdéocassette. L anayse utéreure des EEG et EOG a permt de connaître état physoogque des conducteurs. Pour apprentssage, nous avons consdéré sept varabes: tros physques (Poston Latérae PL, Ange du Voant AV et Vtesse V) et quatre artfcees (écart type et fréquence de PL et AV) cacuées sur des ntervaes de temps détectés à partr d une anayse par ondeettes, décrte dans es travau du LAAS en [3]. Nous avons dentfé, grâce au dagnostc médca et au comportement des sgnau, que es premères d mnutes de a ournée correspondent à une condute entèrement vgante. Nous avons fat appe à un apprentssage SVM pour estmaton de a densté avec es paramètres υ=0.05 et σ=0.35, obtenant 67 vecteurs de support pour une base de 8400 ééments, sot 7,3% de a base d apprentssage. Fg.3. Gauche: L autoroute françase A6dans a secton ououse-carcassonne. Drot: A: Dagnostc Médca et auto dagnostc eprmés en quatre nveau. B: Dagnostc PDF-SVM. C: Dagnostc fna PDF- SVM. Nous avons ensute utsé a SVM apprse pour évauer a ournée toute entère, représentant 00 mnutes de condute, fgure 3 drote. Dans a parte haute (A), est représenté e dagnostc médca et auto dagnostc spécfés en quatre nveau. Le nveau 4 représente e nveau e pus mportant d hypovgance. I faut noter que e nveau évoque un mode de condute non dentfé à cause d un probème d acquston. Au meu (B), nous montrons a sorte négatve de a foncton d évauaton PDF-SVM. S a vaeur est égae à, ou pus grande que, zéro, observaton évauée correspond, en accord avec a PDF-SVM, à un comportement anorma. Dans e cas contrare, observaton appartent à une condute normae. En fat, f() est représenté de manère à meu percevor a condute hypovgante. Dans a dernère parte (C), a sorte négatve PDF-SVM est normasée par : ( f ( ),0) w fˆ ma ( ) =. (7) w = reg où w est proportonne à 40 secondes de condute et reg=ma(f( )) de a base d apprentssage. Remarquons que des résutats théorques ont prouvé qu este un certan décaage tempore entre es mesures EEG et EOG et es comportements physques des conducteurs [4]. 4 CONCLUSIONS E PERSPECIVES Les machnes à vecteurs de support sont une technque adéquate pour a supervson et e dagnostc en temps rée de systèmes compees et non-statonnares, donc ben adaptée à a détecton de hypovgance du conducteur. Mas dentfcaton d une foncton d évauaton de hypovgance à travers des PDF-SVM donne des résutats pus ntéressants et meu cbés pour notre appcaton car e système peut seuement représenter une condute normae. De fat, nous ne pouvons pas demander au conducteurs de condure dans un état nusue (fatgue, nfuence de acoo, etc.) dans e but de ben caractérser un état anorma!
Au cours de ces travau, nous avons constaté e beson d mpémenter un système de dagnostc fna pus performant qu une smpe anayse statstque ou une ntégraton dans e temps. Notre dée consste à concevor un système qu pusse ntégrer a connassance acquse, au cours de ces dernères années, sous forme de règes, en prenant en compte e dagnostc nstantané de hypovgance, des ndcateurs smpes de envronnement, a densté de trafc et e code de a route. Au nveau méthodoogque, ce système d nférence foue peut bénéfcer des technques basées sur a théore de apprentssage statstque pour dentfer un nombre de règes optma ans que es fonctons d appartenance assocées. Références [] Bekars E. et a. (999). SAVE Proect Fna Report. European Proect, ransport eematcs. Proect No.: R 047. [] Burzo G., Carrea Paoa et Levzzar Gannetto (999). Zero Accdents: he new fronter n car safety. AA November-December 999, vo. 5, No. /, pp. 50-504. [3] Evans, L. (99). raffc Safety and the Drver, van Nostrand Renhod (ed.), New York. [4] Gonzáez-M. Mgue (000). Etude du probème d optmsaton dans es Machnes à Vecteurs de Support. Rapport de DEA, INSA-LAAS-CNRS, France. [5] Gonzáez-M. Mgue, t André, Hernández-G. Ne (00). Boostng up Support Vector Machnes n Densty Estmaton Probems. IPMU 00 Symposum (Accepted), Annecy, France. [6] Gonzáez-M. Mgue et a (00). Drver Vgance Montorng, a New Approach. IEEE Integent Vehces Symposum IV-00 (Accepted), Versaes, France. [7] Gonzáez-M. Mgue, t André, Hernández-G. Ne (00). Comparson between Cassfcaton and PDF Estmaton SVMs for Drver s Vgance Montorng. IEEE 5 th Integent ransportaton Systems IS-00 (Submted), Sngapore. [8] Hernández, Ne (998). Système de Dagnostc par Réseau de Neurones et Statstques: Appcaton à a détecton d hypovgance du conducteur automobe. hèse LAAS-ENSEEIH, ououse France, décembre 998. LAAS Report 9857. [9] Hernández, Ne and Estève, Dane (000). Drver's mparment detecton: a mutsensory fuson approach. Research LAAS Report 00054, February 000. [0] Joachms, horsten (998). Makng Large-scae SVM Learnng Practca. LS-8 Report Unversty of Dortmund. [] Osuna, Edgar. et a (997). An Improved ranng Agorthm for Support Vector Machnes. Proceedngs of IEEE NNSP'97, Amea Isand, FL, 4-6 sep. [] Powe, M.J.D (983). ZQPCVX A fortran subroutne for conve quadratc programmnsg. echnca Report DAMP/83/NA7, Unversty of Cambrdge (UK). [3] Santana-D. Afredo, et a (00). Drver Hypovgance Dagnoss usng waveets and statstca anayss. IEEE 5 th Integent ransportaton Systems IS-00 (Submted), Sngapore. [4] SAVE EEC/DG XIII echnoogy Intatve ransports and eematcs. System for effectve Assesment of the drver state and Vehce contro n Emergency stuatons (SAVE) R047. URL: http://www.ao.fhg.de/proects/save, 996-998. [5] Schökopf, Bernhard et. a (999). Estmatng the Support of a Hgh-Dmensona Dstrbuton. echnca Report Mcrosoft Research. 7 November 999. [6] Vanderbe, R (994). LOQO: An nteror pont code for quadratc programmng. echnca Report SOR 94-5. Prnceton Unversty. [7] Vapnk, Vadmr N. (998). Computatona Learnng heory. John Wey & Sons.