Développer un framework robuste, indépendant des caractéristiques individuelles et du moment de la journée, pour identifier des neuromarqueurs de la mobilisation cognitive issus de l’EEG de repos, capables de prédire le risque lié à la somnolence au volant.

Trente-cinq adultes sains (20–60 ans) ont participé à un protocole de privations de sommeil. Quatre cent vingt enregistrements EEG de repos de 2 minutes (yeux ouverts/fermés), réalisés de jour comme de nuit, ont précédé une tâche de conduite simulée de 20 minutes. La densité spectrale de puissance (DSP) des bandes delta, thêta, alpha et bêta, alignées sur le pic alpha individuel, ainsi que le centre de gravité du spectre (CGS), ont été calculés sur l’EEG purifié de Fz, Cz et Pz. Les différences des DSP yeux ouverts/fermés (dif_YF-YO) ont également été extraites. Les performances de conduite ont été classées comme « sûres » ou « à risque » selon les 33 ^e et 66 ^e  percentiles de la variabilité de la position du véhicule dans la voie. Deux modèles prédictifs d’XAI, CatBoost et RBF-SVM, ont été entraînés avec une validation croisée leave-one-subject-out . La sélection des caractéristiques EEG a été guidée par la méthode SHapley Additive exPlanations (SHAP). Les performances des modèles ont été évaluées par exactitude, précision, rappel et F1-score.

CatBoost surpasse RBF-SVM, avec des F1-scores plus élevés et une meilleure balance entre les classes « sûre » et « à risque ». CatBoost indiquent que la condition yeux fermés (YF) est la plus prédictive, que Pz et Cz sont les dérivations les plus informatives, et que les bandes delta et thêta contribuent le plus. Avec huit neuromarqueurs sélectionnés par SHAP, CatBoost atteint une exactitude de 74,0 %, portée à 80,4 % lorsque l’âge est inclus comme covariable ( Figure 1 ). Les neuromarqueurs clés comprennent les DSP (YF, delta, thêta, alpha, bêta) en Pz, les CGS sur Pz et Cz et les dif_YF-YO dans les bandes delta en Cz et thêta en Pz.

CatBoost présente de meilleures performances et robustesse, particulièrement lorsque l’âge est intégré. Ces résultats appuient l’usage de systèmes EEG à seulement deux dérivations pour une prédiction du risque de somnolence au volant.