Multimodales Phänotypisierungs-Datensatz zur Fahrermüdigkeit

Warum Wachsamkeit am Steuer wichtig ist

Lange Fahrten können unsere Aufmerksamkeit schleichend erschöpfen und eine alltägliche Fahrt in eine gefährliche Situation verwandeln. Schläfriges Fahren steht im Zusammenhang mit Tausenden von Unfällen, Verletzten und Todesfällen pro Jahr, und dennoch fehlen verlässliche Methoden, um genau zu erkennen, wann ein Fahrer vom Konzentriertsein in Müdigkeit abrutscht. Diese Studie stellt einen umfassenden neuen öffentlichen Datensatz vor, der Wissenschaftlern helfen soll, bessere Systeme zu entwickeln, die die Warnsignale des Körpers lesen und rechtzeitig alarmieren, bevor ein müder Fahrer einen fatalen Fehler begeht.

Ein genauerer Blick in den müden Fahrer

Die Forschenden erstellten den sogenannten Multimodalen Phänotypisierungs-Datensatz zur Fahrermüdigkeit (MPD-DF), eine Sammlung detaillierter Messungen von 50 erwachsenen Freiwilligen, die eine zweistündige simulierte Autobahnfahrt absolvierten. Anstatt sich nur auf Selbstangaben zur Müdigkeit oder auf Fahrzeugbewegungen zu stützen, zeichnete das Team mehrere Körpersignale gleichzeitig auf: elektrische Aktivität im Gehirn (EEG), Herzaktivität (EKG), Augenbewegungen (EOG) und Atemanstrengung über einen Brustgurt. Die Teilnehmenden füllten außerdem Fragebögen zu Gesundheit, Schlafgewohnheiten und ihrer natürlichen „Morgen-“ oder „Abendtypen“-Neigung aus. Zusammengenommen ergeben diese Daten eine Ganzkörperaufnahme davon, wie sich Müdigkeit hinter dem Steuer aufbaut.

Wie das Experiment durchgeführt wurde

Alle Freiwilligen wurden dahingehend gesiebt, dass sie im Allgemeinen gesund, gut ausgeruht und frei von Koffein waren. In einem kontrollierten Labor saß jede Person an einem einfachen Fahrsimulator, der eine wenig befahrene Autobahn mit überwiegend geraden Strecken zeigte – ein Setting, das bekannt dafür ist, monotone Erschöpfung zu begünstigen. Sie fuhren etwa zwei Stunden mit niedriger, konstanter Geschwindigkeit, während Gehirn-, Herz-, Augen- und Atemsignale sowie Video kontinuierlich aufgezeichnet wurden. Beleuchtung, Temperatur und Geräuschpegel im Raum wurden sorgfältig in komfortablen Bereichen gehalten, damit Veränderungen in den Signalen hauptsächlich wachsende Müdigkeit widerspiegeln und nicht Unbehagen oder Ablenkung.

Gehirnwellen in Müdigkeitsstufen übersetzen

Ein zentrales Merkmal, das diesen Datensatz hervorhebt, ist die Art der Kennzeichnung von Müdigkeit. Ein erfahrener Schlafmediziner begutachtete das EEG jedes Fahrers und ordnete jede Sekunde einem von fünf Zuständen zu: Wachheit, drei aufeinanderfolgende, zunehmende Müdigkeitsstufen und schließlich leichter Schlaf. Diese Stufen basierten auf gut bekannten Mustern in Gehirnwellen, wie dem An- und Abstieg bestimmter Rhythmen und dem Auftreten schlafbezogener Merkmale. Der Experte markierte auch Zeiträume, in denen die Signale verrauscht oder unzuverlässig waren. Bei der Auswertung aller 50 Aufzeichnungen zeigte sich, dass fast alle Probanden messbar müde wurden und einige sogar in den Schlaf glitten, was bestätigt, dass das Fahr-Setup tatsächlich Schläfrigkeit hervorrief.

Überprüfung der Signalqualität und erste Algorithmustests

Um sicherzustellen, dass die Daten für künftige Forschung wirklich nützlich sind, untersuchten die Autorinnen und Autoren die Signale rigoros. Sie zeigten, dass Gehirn-, Herz-, Augen- und Atemspuren die erwarteten Formen aufwiesen und sich natürlich über die Zeit veränderten. Durch die Kartierung der Gehirnaktivität über die Kopfhaut beobachteten sie konsistente Verschiebungen in verschiedenen Frequenzbändern, während die Fahrer müder wurden, was die Auffassung stärkt, dass EEG besonders sensitiv gegenüber Müdigkeit ist. Das Team speiste dann jede Signalart einzeln in ein bestehendes Deep-Learning-Modell, das darauf ausgelegt ist, „wach“ von „müde“ zu unterscheiden. Selbst mit dieser einfachen Vorgehensweise klassifizierte das Modell in jedem Signaltyp mehr als 80 % korrekt, wobei EEG die besten Ergebnisse erzielte – ein Hinweis darauf, dass die Labels und Aufzeichnungen starke Informationen über den Zustand des Fahrers enthalten.

Warum dieser Datensatz die Verkehrssicherheit verändern könnte

Für die Leserschaft ist die Quintessenz, dass MPD-DF Wissenschaftlern und Ingenieuren eine starke, offen zugängliche Grundlage bietet, um bessere Müdigkeitserkennungssysteme zu entwickeln. Weil er mehrere Körpersignale, detaillierte Fragebögen und sekundengenaue Expertenbewertungen kombiniert, kann er Forschenden helfen zu untersuchen, wie und wann verschiedene Menschen gefährlich schläfrig werden – und zu testen, ob ihre Algorithmen bei vielen Individuen funktionieren. Langfristig könnten Erkenntnisse aus diesem Datensatz intelligentere Fahrzeuginstrumente, realistischere Fahrsimulatoren und personalisierte Warnungen unterstützen, die müde Fahrer dazu bewegen, sich auszuruhen, bevor eine Tragödie eintritt.

Zitation: Li, J., Fu, C., Tang, J. et al. Multimodal Phenotyping Dataset of Driving Fatigue. Sci Data 13, 289 (2026). https://doi.org/10.1038/s41597-026-06634-4

Schlüsselwörter: Fahrermüdigkeit, EEG-Überwachung, schlafmüdes Fahren, physiologische Signale, Fahrersicherheit