Un conjunto de datos multimodal sobre somnolencia que utiliza vídeo, datos biométricos y conductuales

Por qué importa mantenerse despierto al volante

Conducir somnoliento es una amenaza oculta en la carretera, que contribuye a miles de accidentes cada año. A menudo imaginamos quedarnos dormidos de golpe, pero en la realidad la somnolencia se instala gradualmente: el ritmo cardiaco se ralentiza, el agarre se afloja, la postura se desploma y los párpados se vuelven pesados mucho antes de que nos quedemos dormidos de verdad. Este artículo describe un nuevo conjunto de datos público diseñado para capturar esas señales sutiles y tempranas con gran detalle, proporcionando a los investigadores la materia prima necesaria para crear sistemas más inteligentes que, algún día, podrían avisar a los conductores antes de que ocurra un desastre.

Una nueva mirada a los conductores somnolientos

La mayoría de las colecciones existentes de datos sobre somnolencia del conductor se centran en un solo tipo de señal, como vídeo del rostro o registros de ondas cerebrales. El nuevo Conjunto de Datos de Somnolencia de la Universidad de Louisiana (UL-DD) adopta una perspectiva más amplia. Diecinueve voluntarios condujeron un simulador de camión en laboratorio mientras una densa red de cámaras y sensores vestibles registraba su comportamiento y señales corporales. Cada persona completó una sesión estando completamente alerta y otra cuando ya se sentía somnolienta, produciendo grabaciones continuas de aproximadamente 40 minutos por sesión y sumando en total alrededor de 1.400 minutos de datos de conducción. En lugar de etiquetar a los conductores simplemente como “alerta” o “somnoliento”, el estudio les pidió cada cuatro minutos que valoraran su somnolencia en una escala de nueve pasos, capturando el deslizamiento lento de completamente despierto a luchar contra el sueño.

Lo que vieron y sintieron los sensores

La instalación observó a los conductores desde múltiples ángulos y al mismo tiempo “oyó” a sus cuerpos. Una cámara infrarroja seguía detalles faciales, funcionando bien incluso con luz tenue; una cámara de profundidad 3D capturaba la forma y la distancia de la cabeza y la parte superior del cuerpo; y una cámara en color se centraba en la postura. A partir de estos vídeos, el equipo extrajo puntos de referencia faciales—puntos precisos alrededor de los ojos, la boca y las cejas—y “unidades de acción” faciales que describen expresiones como cierre de ojos, movimiento de cejas y bostezos. Otro algoritmo trazó puntos de referencia de la postura corporal para revelar encorvamiento, inclinación de la cabeza y otros cambios posturales vinculados a la fatiga.

Leer las señales silenciosas del cuerpo

Al mismo tiempo, dispositivos de muñeca y un pulsioxímetro midieron las señales internas del cansancio. Se registraron la actividad cardiaca y la frecuencia de pulso, los niveles de oxígeno en sangre, la temperatura de la piel, la actividad eléctrica basada en el sudor, el movimiento y la aceleración de la muñeca, cada uno a su propia velocidad de muestreo. Sensores de presión en ambos lados del volante controlaron con qué fuerza apretaba cada mano, mientras que el software del simulador registró velocidad, comportamiento de la dirección y cambios de marcha docenas de veces por segundo. Todos estos flujos se sincronizaron cuidadosamente para que, en cualquier instante de la conducción, los investigadores puedan ver la combinación exacta de expresión facial, postura, ritmo cardiaco, indicios de respiración, fuerza de las manos y estilo de conducción.

Comprobación de la calidad de las señales

Recopilar datos solo es útil si son fiables, por lo que los autores dedicaron un esfuerzo considerable a validar las grabaciones. Examinaron cómo cambiaban las señales del cuerpo con somnolencia baja, media y alta, usando pruebas estadísticas adecuadas para datos que difieren entre personas. Medidas como la temperatura de la piel, la actividad del sudor, la saturación de oxígeno en sangre y la frecuencia de pulso cambiaron de manera significativa a medida que los conductores se fatigaban, mientras que otras, como cierta medida de flujo sanguíneo, resultaron menos informativas. El equipo también comprobó que las puntuaciones de somnolencia autoinformadas eran consistentes comparándolas con las valoraciones de un experto sobre un subconjunto de los vídeos, encontrando un fuerte acuerdo. El análisis señal-ruido mostró que la mayoría de los sensores, especialmente los relacionados con el corazón, produjeron datos limpios, y las comprobaciones de vídeo confirmaron que no se estaban perdiendo fotogramas.

¿Qué tan bien pueden detectar la somnolencia las señales combinadas?

Para ver si esta rica mezcla de información podía realmente ayudar a detectar la somnolencia, los autores entrenaron varios modelos de aprendizaje automático con diferentes combinaciones de señales. Cuando usaron solo un tipo de dato—por ejemplo, biometría, presión de agarre o características faciales—los resultados fueron modestos. Pero al combinar información biométrica, conductual y facial, el rendimiento aumentó de forma notable. Un enfoque moderno de fusión que aprende cómo interactúan los distintos tipos de datos alcanzó una precisión de aproximadamente el 88 por ciento al clasificar a los conductores como alerta, moderadamente somnolientos o muy somnolientos. Esto sugiere que ninguna pista única es suficiente; en su lugar, la fatiga se revela con más claridad cuando muchas señales pequeñas se entrelazan.

Qué significa esto para carreteras más seguras

El conjunto de datos UL-DD no ofrece un detector de somnolencia listo para usar, y tiene limitaciones: los voluntarios fueron relativamente pocos, mayoritariamente hombres, condujeron en un simulador en lugar de en autopistas reales, y el estudio no incluyó registros cerebrales directos. Aun así, al poner a disposición una colección detallada, bien etiquetada y totalmente sincronizada de señales faciales, corporales y de conducción, los autores proporcionan a científicos e ingenieros un banco de pruebas potente. Con él pueden explorar cuán pronto nuestro cuerpo comienza a avisar, perfeccionar algoritmos que combinen múltiples pistas y acercarse a sistemas en el vehículo que intervengan suavemente antes de que un momento de somnolencia se convierta en una tragedia.

Cita: Bodaghi, M., Hosseini, M., Gottumukkala, R. et al. A multimodal drowsiness dataset using video, biometric, and behavioral data. Sci Data 13, 506 (2026). https://doi.org/10.1038/s41597-025-06540-1

Palabras clave: somnolencia del conductor, sensores multimodales, biometría vestible, simulador de conducción, seguridad vial