Infants' nonverbal expressions-a broad smile or a
sharp cry-are powerful at eliciting reactions. Although
parents' reactions to their own infants' expressions are
relatively well understood, here we studied whether
adults more generally exhibit behavioral and
physiological reactions to unfamiliar infants producing
various expressions. We recruited U.S. emerging adults (N
= 84) prior to parenthood, 18-25 years old, 68% women,
ethnically (20% Hispanic/Latino) and racially (7% Asian,
13% Black, 1% Middle Eastern, 70% White, 8% multiracial)
diverse. They observed four 80-s audiovideo clips of
unfamiliar 2- to 6-month-olds crying, smiling, yawning,
and sitting calmly (emotionally neutral control). Each
compilation video depicted 9 different infants (36 clips
total). We found adults mirrored behaviorally and
physiologically: more positive facial expressions to
infants smiling, and more negative facial expressions and
pupil dilation-indicating increases in arousal-to infants
crying. Adults also yawned more and had more pupil
dilation when observing infants yawning. Together, these
findings suggest that even nonparent emerging adults are
highly sensitive to unfamiliar infants' expressions,
which they naturally "catch" (i.e., behaviorally and
physiologically mirror), even without instructions. Such
sensitivity may have-over the course of humans'
evolutionary history-been selected for, to facilitate
adults' processing of preverbal infants' expressions to
meet their needs.
De la
réplication du bâillement
Les expressions non verbales des nourrissons, qu'il
s'agisse d'un large sourire ou d'un cri perçant,
sont très efficaces pour susciter des
réactions. Bien que les réactions des
parents aux expressions de leurs propres enfants soient
relativement bien comprises, les auteurs ont
étudié ici si les adultes présentent
plus généralement des réactions
comportementales et physiologiques face à des
enfants non familiers produisant diverses expressions.
ils ont recruté de jeunes adultes
américains (N = 84) avant d'être parents,
âgés de 18 à 25 ans, 68 % de femmes,
d'origine ethnique (20 % d'Hispaniques/Latinos) et
raciale (7 % d'Asiatiques, 13 % de Noirs, 1 % de
Moyen-Orientaux, 70 % de Blancs, 8 % de personnes
multiraciales). Ces personnes ont observé quatre
clips audio de 80 secondes montrant des enfants de 2
à 6 mois non familiers en train de pleurer, de
sourire, de bâiller et de s'asseoir calmement
(contrôle émotionnellement neutre). Chaque
vidéo de compilation présentait 9
nourrissons différents (36 clips au total). Les
auteurs ont constaté que les adultes
reflétaient le comportement et la physiologie :
plus d'expressions faciales positives pour les
nourrissons qui souriaient, et plus d'expressions
faciales négatives et de dilatation des pupilles -
indiquant une augmentation de l'excitation - pour les
nourrissons qui pleuraient. Les adultes bâillaient
également davantage et avaient les pupilles plus
dilatées lorsqu'ils observaient des nourrissons
qui bâillaient. L'ensemble de ces résultats
suggère que même les adultes jeunes non
parents sont très sensibles aux expressions des
nourrissons inconnus, qu'ils « attrapent »
naturellement (c'est-à-dire qu'ils les
reflètent sur le plan comportemental et
physiologique), même en l'absence d'instructions.
Cette sensibilité pourrait avoir été
sélectionnée au cours de l'histoire
évolutive de l'homme pour faciliter le traitement
par les adultes des expressions des nourrissons
préverbaux afin de répondre à leurs
besoins.
Yawning is a normal physiological process that occurs
naturally in all human beings in different settings, such
as hunger, drowsiness, or stress. It is typically
harmless, but abnormal yawning can be seen in many
medical conditions. In psychiatry, it frequently occurs
in disorders like depression, insomnia, and anxiety due
to disturbed sleep. It has also been observed as an
adverse reaction of some drugs, like escitalopram, a
selective serotonin reuptake inhibitor. Escitalopram is a
widely prescribed, well-tolerated antidepressant and
antianxiety drug that can induce a range of side effects,
one of which is excessive yawning. Its excessive
occurrence can be distressing for patients, affecting
their socio-occupational functioning. Clinically,
differentiating yawning induced by escitalopram treatment
from that in depression can be a diagnostic hurdle.
Awareness and recognition of this lesser known side
effect can improve patient outcomes by allowing for
timely adjustments and easing the discomfort.
Le
bâillement comme effet secondaire
Le bâillement est un processus physiologique
normal qui se produit naturellement chez tous les
êtres humains dans différents contextes,
tels que la faim, la somnolence ou le stress. Il est
généralement inoffensif, mais des
bâillements anormaux peuvent être
observés dans de nombreuses pathologies. En
psychiatrie, il apparaît fréquemment dans
des troubles tels que la dépression, l'insomnie et
l'anxiété, en raison d'un sommeil
perturbé. Il a également été
observé comme un effet indésirable de
certains médicaments, comme l'escitalopram, un
inhibiteur sélectif de la recapture de la
sérotonine. L'escitalopram est un
antidépresseur et un anxiolytique largement
prescrit et bien toléré qui peut induire
une série d'effets secondaires, dont l'un est le
bâillement excessif. L'un d'entre eux est le
bâillement excessif. Sa survenue excessive peut
être pénible pour les patients, car elle
affecte leur fonctionnement socioprofessionnel. Sur le
plan clinique, la différenciation des
bâillements induits par le traitement à
l'escitalopram de ceux induits par la dépression
peut constituer un obstacle au diagnostic. La prise de
conscience et la reconnaissance de cet effet secondaire
moins connu peuvent améliorer les résultats
pour les patients en permettant des ajustements opportuns
et en soulageant l'inconfort.
The novel object recognition (NOR) test is an
efficient way to measure nonspatial memory in rodents.
The NOR performance of female and male rats is sexually
dimorphic because memory performance is better in the
former than in the latter. In females, maternal
experience enhances spatial memory. The autors used the
NOR test to evaluate short- and long-term recognition
memory in both sexes in the high- and low-yawning
sublines of rats (HY and LY, respectively), which were
generated via a strict inbreeding process from the
Sprague-Dawley (SD) strain for more than ninety
generations. Additionally, we evaluated the effect of
maternal experience using nulliparous, primiparous,
biparous, and multiparous HY, LY and SD dams. Their
results revealed that LY rats presented less thigmotaxis,
with lower central square crosses and more vertical
exploration in the open-field arena, suggesting that they
experienced anxiety. Additionally, LY males performed
significantly better than LY females in short- and
long-term NOR memory, and LY males performed
significantly better than SD rats did. Among females, two
maternal experiences negatively affected short-term
memory in the LY and HY sublines with respect to
primiparous dams, and HY dams had better memory
performance in the NOR test than did SD dams. Their
findings suggest that the yawning sublines are suitable
for studying the neurobiological basis of different
memory processes under different endocrine conditions in
highly inbred groups of rats.
Le
bâillement et la mémoire
Le test de reconnaissance d'objets nouveaux (NOR) est
un moyen efficace de mesurer la mémoire non
spatiale chez les rongeurs. La performance NOR des rats
femelles et mâles est sexuellement dimorphique car
la performance de la mémoire est meilleure chez
les premières que chez les seconds. Chez les
femelles, l'expérience maternelle améliore
la mémoire spatiale. Les auteurs ont
utilisé le test NOR pour évaluer la
mémoire de reconnaissance à court et
à long terme chez les deux sexes dans les
sous-lignées de rats à fort et faible taux
de bâillement (HY et LY, respectivement), qui ont
été générées par un
processus de consanguinité strict à partir
de la souche Sprague-Dawley (SD) pendant plus de
quatre-vingt-dix générations. En outre, ils
ont évalué l'effet de l'expérience
maternelle en utilisant des mères nullipares,
primipares, bipares et multipares HY, LY et SD. Les
résultats ont révélé que les
rats LY présentaient moins de thigmotaxie, avec
moins de croix carrées centrales et plus
d'exploration verticale dans l'arène en champ
libre, ce qui suggère qu'ils ont vécu de
l'anxiété. En outre, les mâles LY ont
obtenu des résultats significativement meilleurs
que les femelles LY dans la mémoire NOR à
court et à long terme, et les mâles LY ont
obtenu des résultats significativement meilleurs
que les rats SD. Chez les femelles, deux
expériences maternelles ont affecté
négativement la mémoire à court
terme dans les sous-lignées LY et HY par rapport
aux mères primipares, et les mères HY ont
eu de meilleures performances de mémoire dans le
test NOR que les mères SD. Ces résultats
suggèrent que les sous-lignées de
bâillements sont adaptées à
l'étude des bases neurobiologiques des
différents processus de mémoire dans
différentes conditions endocriniennes chez des
groupes de rats hautement consanguins.
Currently, the number of vehicles in circulation
continues to increase steadily, leading to a parallel
increase in vehicular accidents. Among the many causes of
these accidents, human factors such as driver drowsiness
play a fundamental role. In this context, one solution to
address the challenge of drowsiness detection is to
anticipate drowsiness by alerting drivers in a timely and
effective manner. Thus, this paper presents a
Convolutional Neural Network (CNN)-based approach for
drowsiness detection by analyzing the eye region and
Mouth Aspect Ratio (MAR) for yawning detection. As part
of this approach, endpoint delineation is optimized for
extraction of the region of interest (ROI) around the
eyes. An NVIDIA Jetson Nano-based device and
near-infrared (NIR) camera are used for real-time
applications. A Driver Drowsiness Artificial Intelligence
(DD-Al) | architecture is proposed for the eye state
detection procedure. In a performance analysis, the
results of the proposed approach were compared with
architectures based on InceptionV3, VGG16, and
ResNet50V2. Night-Time Yawning-Microsleep-Eyeblink-Driver
Distraction (NITYMED) was used for training, validation,
and testing of the architectures. The proposed DD-Al
network achieved an accuracy of 99.88% with the NITYMED
test data, proving superior to the other networks. In the
hardware implementation, tests were conducted in a real
environment, resulting in 96.55% and 14 fps on average
for the DD-Al network, thereby confirming its superior
performance.
Détection
de la somnolence au volant
Actuellement, le nombre de véhicules en
circulation continue d'augmenter
régulièrement, ce qui entraîne une
augmentation parallèle des accidents de la route.
Parmi les nombreuses causes de ces accidents, les
facteurs humains tels que la somnolence du conducteur
jouent un rôle fondamental. Dans ce contexte, une
solution pour relever le défi de la
détection de la somnolence est d'anticiper la
somnolence en alertant les conducteurs de manière
opportune et efficace. Cet article présente donc
une approche basée sur un réseau neuronal
convolutif (CNN) pour la détection de la
somnolence en analysant la région des yeux et le
rapport d'aspect de la bouche (MAR) pour la
détection des bâillements. Dans le cadre de
cette approche, la délimitation des points
d'extrémité est optimisée pour
l'extraction de la région d'intérêt
(ROI) autour des yeux. Un appareil NVIDIA Jetson Nano et
une caméra proche infrarouge (NIR) sont
utilisés pour les applications en temps
réel. Une architecture d'intelligence artificielle
de la somnolence au volant (DD-Al) est proposée
pour la procédure de détection de
l'état des yeux. Dans une analyse de performance,
les résultats de l'approche proposée ont
été comparés aux architectures
basées sur InceptionV3, VGG16 et ResNet50V2. Le
modèle NITYMED (Night-Time
Yawning-Microsleep-Eyeblink-Driver Distraction) a
été utilisé pour la formation, la
validation et le test des architectures. Le réseau
DD-Al proposé a atteint une précision de
99,88 % avec les données de test NITYMED, se
révélant ainsi supérieur aux autres
réseaux. Lors de la mise en œuvre
matérielle, des tests ont été
effectués dans un environnement réel et ont
permis d'obtenir 96,55 % et 14 ips en moyenne pour le
réseau DD-Al, confirmant ainsi sa
supériorité sur les autres
réseaux.
It is estimated that 10% to 20% of road accidents are
related to fatigue, with accidents caused by drowsiness
up to twice as deadly as those caused by other factors.
In order to reduce these numbers, strategies such as
advertising campaigns, the implementation of driving
recorders in vehicles used for road transport of goods
and passengers, or the use of drowsiness detection
systems in cars have been implemented. Within the scope
of the latter area, the technologies used are diverse.
They can be based on the measurement of signals such as
steering wheel movement, vehicle position on the road, or
driver monitoring. Driver monitoring is a technology that
has been exploited little so far and can be implemented
in many different approaches. This work addresses the
evaluation of a multidimensional drowsiness index based
on the recording of facial expressions, gaze direction,
and head position and studies the feasibility of its
implementation in a low-cost electronic package.
Specifically, the aim is to determine the driver's state
by monitoring their facial expressions, such as the
frequency of blinking, yawning, eye-opening, gaze
direction, and head position. For this purpose, an
algorithm capable of detecting drowsiness has been
developed. Two approaches are compared: Facial
recognition based on Haar features and facial recognition
based on Histograms of Oriented Gradients (HOG). The
implementation has been carried out on a Raspberry Pi, a
low-cost device that allows the creation of a prototype
that can detect drowsiness and interact with peripherals
such as cameras or speakers. The results show that the
proposed multi-index methodology performs better in
detecting drowsiness than algorithms based on one-index
detection.
Détecter la
somnolence
On estime que 10 à 20 % des accidents de la
route sont liés à la fatigue, les accidents
causés par la somnolence étant
jusqu'à deux fois plus meurtriers que ceux
causés par d'autres facteurs. Afin de
réduire ces chiffres, des stratégies telles
que des campagnes publicitaires, l'installation
d'enregistreurs de conduite dans les véhicules
utilisés pour le transport routier de marchandises
et de passagers, ou l'utilisation de systèmes de
détection de la somnolence dans les voitures ont
été mises en œuvre. Dans ce dernier
domaine, les technologies utilisées sont diverses.
Elles peuvent être basées sur la mesure de
signaux tels que le mouvement du volant, la position du
véhicule sur la route ou la surveillance du
conducteur. La surveillance du conducteur est une
technologie qui a été peu exploitée
jusqu'à présent et qui peut être mise
en œuvre dans de nombreuses approches
différentes. Ce travail porte sur
l'évaluation d'un indice de somnolence
multidimensionnel basé sur l'enregistrement des
expressions faciales, de la direction du regard et de la
position de la tête, et étudie la
faisabilité de sa mise en œuvre dans un
boîtier électronique peu coûteux. Plus
précisément, l'objectif est de
déterminer l'état du conducteur en
surveillant ses expressions faciales, telles que la
fréquence des clignements, des bâillements,
de l'ouverture des yeux, de la direction du regard et de
la position de la tête. À cette fin, un
algorithme capable de détecter la somnolence a
été développé. Deux approches
sont comparées : La reconnaissance faciale
basée sur les caractéristiques de Haar et
la reconnaissance faciale basée sur les
histogrammes de gradients orientés (HOG).
