Driving distraction shift the attention away from safe driving towards a competing task. Dual task paradigm defines distraction in terms of excessive workload and limited attentional resources. To fill the gap in driver’s safety research, the thesis aims to uncover the mechanics of detecting visual cognitive distraction by using physiological signals. There are 2 sets of experiments conducted with 18 participants. The first experiment with 10 participants aims at evaluating the effects of distraction and synchronising EEG signals. For statistical analysis, Shapiro Wilk test and two-way ANOVA have been used. The results state that the two visual cognitive distraction tasks are performed sequentially and reaction time is affected by the switch. For the second experiment with 8 participants, an integrated system has been created in C++, which involves a 4-wall CAVE system, a driving simulator using SCANeR simulation software, a simple EEG headset with 20 channels (Enobio 20), SMI Eye tracker, BeGaze software. As qualitative methods, SSQ and NASA TLX have been used to evaluate user feedback. As quantitative methods, maths equations, eye movements, EEG signals, and driving performance have been used. For data analysis, Matlab and SPSS and for statistical analysis, Shapiro Wilk test and one-way ANOVA have been used. The results indicate that experiment demands mental capacity, rather than physical capacity. Delta band frequencies in frontal lobe of EEG signals do not have a significant impact on discriminating between driving and distraction, but delta and theta band at central and parietal do. The results also revealed that theta and alpha band frequencies are indeed an important features in both experiments. In a task where subject can control when they are engaging towards the secondary task, beta band showed its statistical importance being the only one able to discriminate up to different level of cognitive tasks. The most striking similarity between both experiments were, some of the statistically significant features are overlapped between brain regions. A comparative analysis of machine learning techniques (SVMs vs Random Forests) in selecting relevant features of EEG signals, referring to the coherence values, has also been conducted. Results indicate that although in general random forests perform better than SVM classifier, F1-score for SVM demonstrates the highest scores (0.90).

Le principe de la distraction au volant est de dĂ©tourner l’attention du conducteur en phase de conduite en toute sĂ©curitĂ© au profit d’une tâche concurrentielle. Le paradigme de la double tâche repose sur l’hypothèse que la distraction se traduit par une charge cognitive excessive et des ressources restreintes en termes d’attention. Pour combler les lacunes des travaux de recherche portant sur l’étude de la sĂ©curitĂ© des conducteurs, cette thèse vise Ă  dĂ©couvrir les mĂ©canismes de dĂ©tection de la distraction cognitive visuelle Ă  l’aide de signaux physiologiques. A cette fin, deux sĂ©ries d’expĂ©rimentations ont Ă©tĂ© menĂ©es avec 18 participants. La première expĂ©rimentation avec 10 participants vise Ă  Ă©valuer les effets de la distraction et de la synchronisation des signaux de l’EEG. Pour l’analyse statistique, le test de Shapiro-Wilk et l’analyse de variance Ă  deux facteurs ANOVA ont Ă©tĂ© utilisĂ©s. Les rĂ©sultats indiquent que les deux tâches de distraction cognitive visuelle sont exĂ©cutĂ©es de façon sĂ©quentielle et que le temps de rĂ©action est affectĂ© par le passage d’une tâche Ă  l’autre. Pour la deuxième expĂ©rimentation avec 8 participants, un système intĂ©grĂ© a Ă©tĂ© crĂ©Ă© en C++, qui implique un système CAVE Ă  4 parois, un simulateur de conduite utilisant le logiciel de simulation SCANeR, un simple casque EEG Ă  20 canaux (Enobio 20), un SMI de suivi oculaire et un logiciel BeGaze. Comme paramètres qualitatifs, les rĂ©ponses aux questionnaires SSQ et NASA-TLX ont Ă©tĂ© utilisĂ©s pour Ă©valuer les commentaires des utilisateurs. Comme paramètres quantitatifs, des solutions d’équations mathĂ©matiques, des mesures de mouvements oculaires, de signaux EEG et de performances de conduite ont Ă©tĂ© utilisĂ©es. Pour l’analyse des donnĂ©es, les logiciels Matlab et SPSS ont Ă©tĂ© utilisĂ©s et pour l’analyse statistique, le test Shapiro-Wilk et ANOVA Ă  un facteur. Les rĂ©sultats indiquent que l’expĂ©rience exige une capacitĂ© mentale plutĂ´t qu’une capacitĂ© physique. Les frĂ©quences de la bande delta dans le lobe frontal des signaux EEG n’ont pas d’impact significatif sur la diffĂ©rentiation entre conduite et distraction, mais les bandes delta et thĂŞta au centre et au pariĂ©tal en ont. Les rĂ©sultats ont Ă©galement rĂ©vĂ©lĂ© que les frĂ©quences des bandes thĂŞta et alpha sont effectivement des caractĂ©ristiques importantes dans les deux expĂ©rimentations. Dans une tâche oĂą le sujet peut contrĂ´ler quand il s’engage dans la tâche secondaire, la bande bĂŞta a montrĂ© son importance d’un point de vue statistique, Ă©tant la seule capable de faire la distinction entre diffĂ©rents niveaux des tâches cognitives. La similitude la plus frappante entre les deux expĂ©rimentations est que certaines des caractĂ©ristiques statistiquement significatives se chevauchent entre les rĂ©gions du cerveau. Par consĂ©quent, une analyse comparative des techniques d’apprentissage machine (SVM-RFE c. les forĂŞts alĂ©atoires) dans la sĂ©lection des caractĂ©ristiques pertinentes des signaux EEG, en combinaison avec les valeurs de cohĂ©rence, a Ă©galement Ă©tĂ© rĂ©alisĂ©e. Les rĂ©sultats indiquent que, bien qu’en gĂ©nĂ©ral, les forĂŞts alĂ©atoires donnent de meilleurs rĂ©sultats que le sĂ©parateur SVM, le score F1 du SVM avec SVM-RFE montre les scores les plus Ă©levĂ©s (0.90).