Yawning is undeniably contagious and hard to resist.
Interestingly, in our species, even the mere sound of a
yawn can trigger this contagious response, especially
when the yawner is someone familiar. Together with
humans, one other mammal species is known to produce loud
and distinct vocalisations while yawning, Theropithecus
gelada. Geladas are known for their complex social
interactions and rich vocal communication, making them
intriguing subjects for studying yawning behaviour. To
explore the contagious effect of yawn sounds on geladas,
the authors conducted playback experiments in a
zoo-housed colony with animals living in two groups. They
exposed them to yawn sounds (Test) or affiliative grunts
(Control) produced by males from either their own group
or the other one. The results were remarkable, as simply
hearing yawn sounds led to yawn contagion in geladas,
with multiple responses observed when the yawns came from
members of their own group. This finding adds a
significant contribution to the research on mimicry and
behavioural contagion in primates. Moreover, it raises
intriguing questions about the involvement of sensory
modalities beyond visual perception in these
phenomena.
La
réplication sonore du
bâillement
Le bâillement est indéniablement
contagieux et il est difficile d'y résister. Il
est intéressant de noter que, dans notre
espèce, le simple son d'un bâillement peut
déclencher cette réplication, en
particulier lorsque le bâilleur est quelqu'un de
familier. Outre l'homme, une autre espèce de
mammifère est connue pour produire des
vocalisations fortes et distinctes en bâillant :
Theropithecus gelada. Les géladas sont connus pour
leurs interactions sociales complexes et la richesse de
leur communication vocale, ce qui en fait des sujets
intrigants pour l'étude du bâillement. Pour
étudier l'effet contagieux des sons de
bâillement sur les géladas, les auteurs ont
mené des expériences dans une colonie
hébergée dans un zoo, où les animaux
vivaient en deux groupes. Ils les ont exposés
à des bâillements (Test) ou à des
grognements d'affiliation (Contrôle) produits par
des mâles de leur propre groupe ou de l'autre
groupe. Les résultats ont été
remarquables, car le simple fait d'entendre des sons de
bâillement a entraîné la contagion des
bâillements chez les géladas, avec des
réponses multiples observées lorsque les
bâillements provenaient de membres de leur propre
groupe. Cette découverte apporte une contribution
importante à la recherche sur le mimétisme
et la contagion comportementale chez les primates. En
outre, elle soulève des questions
intéressantes sur l'implication de
modalités sensorielles autres que la perception
visuelle dans ces phénomènes.
Detecting drowsiness among drivers is critical for
ensuring road safety and preventing accidents caused by
drowsy or fatigued driving. Research on yawn detection
among drivers has great significance in improving traffic
safety. Although various studies have taken place where
deep learning-based approaches are being proposed, there
is still room for improvement to develop better and more
accurate drowsiness detection systems using behavioral
features such as mouth and eye movement. This study
proposes a deep neural network architecture for
drowsiness detection employing a convolutional neural
network (CNN) for driver drowsiness detection.
Experiments involve using the DLIB library to locate key
facial points to calculate the mouth aspect ratio (MAR).
To compensate for the small dataset, data augmentation is
performed for the 'yawning' and 'no_yawning' classes.
Models are trained and tested involving the original and
augmented dataset to analyze the impact on model
performance. Experimental results demonstrate that the
proposed CNN model achieves an average accuracy of
96.69%. Performance comparison with existing
state-of-the-art approaches shows better performance of
the proposed model.
Détecter la
fatigue
La détection de la somnolence chez les
conducteurs est essentielle pour garantir la
sécurité routière et prévenir
les accidents dus à la somnolence ou à la
fatigue au volant. La recherche sur la détection
des bâillements chez les conducteurs revêt
une grande importance pour l'amélioration de la
sécurité routière. Bien que
plusieurs études aient été
menées et que des approches basées sur
l'apprentissage 'profond' aient été
proposées, des améliorations sont encore
possibles pour développer des systèmes de
détection de la somnolence plus précis et
de meilleure qualité en utilisant des
caractéristiques comportementales telles que les
mouvements de la bouche et des yeux. Cette étude
propose une architecture de réseau neuronal pour
la détection de la somnolence en utilisant un
réseau neuronal convolutionnel (CNN) pour la
détection de la somnolence du conducteur. Les
expériences impliquent l'utilisation de la
bibliothèque DLIB pour localiser les points
faciaux clés afin de calculer le rapport d'aspect
de la bouche (MAR). Pour compenser la petite taille de
l'ensemble de données, l'augmentation des
données est effectuée pour les classes
"bâillement" et "pas de bâillement". Les
modèles sont entraînés et
testés sur l'ensemble de données original
et augmenté afin d'analyser l'impact sur les
performances du modèle. Les résultats
expérimentaux montrent que le modèle CNN
proposé atteint une précision moyenne de
96,69 %. La comparaison des performances avec les
approches de pointe existantes montre que le
modèle proposé est plus performant.
