Contagious yawning (CY), which is yawning elicited by
sensing another yawning, has been observed only in social
species and is considered linked to high sociality.
Although this idea&emdash;the social communication
hypothesis&emdash;is supported by pre- vious studies,
investigating the occurrence of CY in various species
remains necessary.The authors investigated the occurrence
of CY in one of the most social canine species, the
African painted dog (Lycaon pictus). We recorded 1387
yawn events from five pairs (10 individuals) in
captivity. Temporal analysis showed that subsequent yawns
occurred frequently within 15 s or 30 s after spontaneous
yawns (SYs). SYs that were detectable by another
individual (i.e., visible to the other individual or
performed in close proximity) were more likely to elicit
subsequent yawns by the other individual. However, the
influence of contextual factors on CY differed according
to the time window, implying that a conservative time
window should be used to reduce overcounting of CY and
misattribution of its determinants. The proportion of CY
was positively related to time spent in physical
proximity to another, a proxy for a social bond. Overall,
our results provide the first evidence of CY in African
painted dogs and further support the notion that such
behavior is prevalent among social animals. They also
strongly imply that an appropriate time window should be
used to define yawn contagion.
La
réplication des bâillements chez les
Lycaons
La contagion du bâillement, c'est-à-dire
le bâillement provoqué par la perception
d'un autre bâillement, n'est observé que
chez les espèces ayant une vie sociale. Elle et
est considérés comme liée à
une grande sociabilité. Bien que cette idée
- l'hypothèse de la communication sociale - soit
étayée par des études
antérieures, il reste nécessaire
d'étudier l'occurrence de la contagion du
bâillement chez diverses espèces. Les
auteurs ont étudié l'occurrence de cette
contagion au sein d'une des espèces canines
à vie sociale évoluée, le chien
Lycaon pictus. Ils ont enregistré 1387
bâillements chez cinq paires d'individus en
captivité. L'analyse temporelle a montré
que les bâillements déclenchés se
produisaient fréquemment dans les 15 s ou 30 s
après les bâillements spontanés
(émetteur). Les bâillements spontanés
détectables par un autre individu
(c'est-à-dire visibles par l'autre individu ou
effectués à proximité)
étaient plus susceptibles de provoquer des
bâillements ultérieurs chez l'autre
individu. Cependant, l'influence des facteurs contextuels
sur cette contagion diffère selon la
temporalité, ce qui implique d'éviter
l'attribution erronée de ces bâillements
(synchronisation des activités identiques
liée aux rythmes circadiens et sans lien avec la
réelle contagion).
Driver fatigue detection is one of the essential
tools to reduce accidents and improve traffic safety. Its
main challenge lies in the problem of how to identify the
driver's fatigue state accurately. Existing detection
methods include yawning and blinking based on facial
expressions and physiological signals. Still, lighting
and the environment affect the detection results based on
facial expressions.
In contrast, the electroencephalographic (EEG) signal
is a physiological signal that directly responds to the
human mental state, thus reducing the impact on the
detection results. This paper proposes a log-Mel
spectrogram and Convolution Recurrent Neural Network
(CRNN) model based on EEG to implement driver fatigue
detection. This structure allows the advantages of the
different networks to be exploited to overcome the
disadvantages of using them individually. The process is
as follows: first, the original EEG signal is subjected
to a one-dimensional convolution method to achieve a
Short Time Fourier Transform (STFT) and passed through a
Mel filter bank to obtain a logarithmic Mel spectrogram,
and then the resulting logarithmic Mel spectrogram is fed
into a fatigue detection model to complete the fatigue
detection task for the EEG signals. The fatigue detection
model consists of a 6-layer convolutional neural network
(CNN), bi-directional recurrent neural networks
(Bi-RNNs), and a classifier. In the modeling phase,
spectrogram features are transported to the 6-layer CNN
to automatically learn high-level features, thereby
extracting temporal features in the bi-directional RNN to
obtain spectrogram-temporal information.
Finally, the alert or fatigue state is obtained by a
classifier consisting of a fully connected layer, a ReLU
activation function, and a softmax function. Experiments
were conducted on publicly available datasets in this
study. The results show that the method can accurately
distinguish between alert and fatigue states with high
stability. In addition, the performance of four existing
methods was compared with the results of the proposed
method, all of which showed that the proposed method
could achieve the best results so far.
Une nouvelle
méthode pour détecter la fatigue au
volant
La détection de la fatigue au volant est l'un
des moyens essentiels pour réduire les accidents
et améliorer la sécurité
routière. Le principal défi réside
dans la manière d'identifier avec précision
l'état de fatigue du conducteur. Les
méthodes de détection existantes incluent
les bâillements et les clignements d'yeux
basés sur les expressions faciales et les signaux
physiologiques. Cependant, l'éclairage et
l'environnement affectent les résultats de la
détection basée sur les expressions
faciales.
En revanche, le signal
électroencéphalographique (EEG) est un
signal physiologique qui répond directement
à l'état mental humain, ce qui
réduit l'impact sur les résultats de la
détection. Cet article propose un spectrogramme
log-Mel et un modèle de réseau neuronal
récurrent à convolution (CRNN) basé
sur l'EEG pour mettre en œuvre la détection
de la fatigue du conducteur. Cette structure permet
d'exploiter les avantages des différents
réseaux pour surmonter les inconvénients de
leur utilisation individuelle. Le processus est le
suivant : tout d'abord, le signal EEG original est soumis
à une méthode de convolution
unidimensionnelle pour obtenir une transformée de
Fourier à temps court (STFT) et passe à
travers une banque de filtres Mel pour obtenir un
spectrogramme Mel logarithmique, puis le spectrogramme
Mel logarithmique résultant est introduit dans un
modèle de détection de la fatigue pour
achever la tâche de détection de la fatigue
pour les signaux EEG. Le modèle de
détection de la fatigue se compose d'un
réseau neuronal convolutionnel à 6 couches
(CNN), de réseaux neuronaux récurrents
bidirectionnels (Bi-RNN) et d'un classificateur. Dans la
phase de modélisation, les caractéristiques
du spectrogramme sont transmises au CNN à 6
couches pour apprendre automatiquement les
caractéristiques de haut niveau, ce qui permet
d'extraire les caractéristiques temporelles dans
le RNN bidirectionnel afin d'obtenir des informations
spectrogrammes-temporelles.
Enfin, l'état d'alerte ou de fatigue est
obtenu par un classificateur composé d'une couche
entièrement connectée, d'une fonction
d'activation ReLU et d'une fonction softmax. Dans le
cadre de cette étude, des expériences ont
été menées sur des ensembles de
données accessibles au public. Les
résultats montrent que la méthode peut
distinguer avec précision les états
d'alerte et de fatigue avec une grande stabilité.
En outre, les performances de quatre méthodes
existantes ont été comparées aux
résultats de la méthode proposée,
qui s'est avérée la plus performante
à ce jour.
