Utilisation d’un réseau de neurones convolutif pour évaluer l’audibilité des alarmes sonores

Dans les lieux de travail bruyants, l'audibilité des alarmes acoustiques est essentielle pour assurer la sécurité des travailleurs. En pratique, les normes internationales précisent certains critères afin de s'assurer que les alarmes sont "clairement audibles". Cependant, ces recommandations peuvent conduire à des alarmes trop fortes, exposant ainsi les travailleurs à des niveaux sonores inutilement élevés, en particulier lorsque les niveaux sonores ambiants sont eux-mêmes importants. Pour cette raison, il semble nécessaire d'évaluer correctement l'audibilité des alarmes lors de leur dimensionnement. Elles doivent par ailleurs être réitérées à chaque fois que l'alarme ou l'environnement sonore change. Pour surmonter ce problème, nous proposons une approche orientée données pour estimer l'audibilité de nouveaux signaux d'alarme sans avoir à tester expérimentalement chaque nouvelle condition. Dans cette étude, un modèle de réseau neuronal convolutif est entraîné pour effectuer une tâche de classification binaire sur de courts extraits sonores étiquetés avec les résultats d'expériences psychoacoustiques. Nous proposons une preuve de concept de cette approche et analysons ses performances en fonction des données utilisées lors de l’apprentissage et du contexte temporel utilisé par les réseaux pour prédire l'audibilité de l'alarme.