Conjunto de datos multimodal de fenotipado de la fatiga al conducir

Por qué importa mantenerse despierto al volante

Los viajes largos pueden drenar silenciosamente nuestra alerta, convirtiendo un trayecto habitual en una situación peligrosa. La conducción somnolienta está relacionada con miles de accidentes, lesiones y muertes cada año, pero aún carecemos de métodos fiables para determinar exactamente cuándo un conductor pasa de estar concentrado a estar fatigado. Este estudio presenta un nuevo y rico conjunto de datos público diseñado para ayudar a los científicos a desarrollar sistemas más inteligentes que interpreten las señales corporales de advertencia y emitan alertas oportunas antes de que un conductor cansado cometa un error fatal.

Una mirada más profunda al conductor cansado

Los investigadores crearon lo que llaman el Conjunto de Datos Multimodal de Fenotipado de la Fatiga al Conducir (MPD-DF), una colección de mediciones detalladas de 50 voluntarios adultos que completaron una conducción simulada de dos horas en autopista. En lugar de confiar solo en la autoinformación sobre somnolencia o en el movimiento del vehículo, el equipo registró varios tipos de señales corporales a la vez: actividad eléctrica cerebral (EEG), del corazón (ECG), movimientos oculares (EOG) y esfuerzo respiratorio mediante una banda torácica. Los participantes también rellenaron cuestionarios sobre su salud, hábitos de sueño y su tendencia natural a ser «madrugadores» o «noctámbulos». En conjunto, estas piezas forman una instantánea corporal completa de cómo se acumula la fatiga al volante.

Cómo se llevó a cabo el experimento

Todos los voluntarios fueron seleccionados por estar, en general, sanos, bien descansados y sin consumo de cafeína antes de las pruebas. En un laboratorio controlado, cada persona se sentó en un simulador de conducción sencillo que mostraba una autopista sin congestión con carreteras mayoritariamente rectas—una fórmula conocida por favorecer la monotonía que adormece la mente. Condujeron durante aproximadamente dos horas a una velocidad baja y constante mientras se registraban de forma continua sus señales cerebrales, cardíacas, oculares y respiratorias, junto con vídeo. La iluminación, la temperatura y el ruido de la sala se mantuvieron cuidadosamente dentro de límites cómodos para que los cambios en las señales reflejasen principalmente el aumento de la fatiga más que molestias o distracciones.

Convertir las ondas cerebrales en niveles de fatiga

Una característica clave que distingue a este conjunto de datos es cómo se etiquetó la fatiga. Un médico con experiencia en medicina del sueño revisó la señal EEG de cada conductor y asignó uno de cinco estados cada segundo: vigilia, tres etapas crecientes de fatiga y, finalmente, sueño ligero. Estas etapas se basaron en patrones bien conocidos de las ondas cerebrales, como el aumento y la disminución de ciertos ritmos y la aparición de rasgos relacionados con el sueño. El experto también marcó periodos en los que las señales estaban ruidosas o eran poco fiables. Al examinar los 50 registros, el equipo observó que casi todos se volvieron mediblemente fatigados y algunos incluso entraron en sueño, confirmando que la configuración de conducción inducía realmente la somnolencia.

Comprobación de la calidad de las señales y primeras pruebas de algoritmos

Para asegurarse de que los datos son realmente útiles para la investigación futura, los autores inspeccionaron las señales con rigor. Demostraron que los trazados del cerebro, corazón, ojos y respiración tenían las formas esperadas y variaban de forma natural a lo largo del tiempo. Al mapear la actividad cerebral en el cuero cabelludo, observaron desplazamientos consistentes en diferentes bandas de frecuencia a medida que los conductores se fatigaban, lo que refuerza la idea de que el EEG es especialmente sensible a la fatiga. El equipo alimentó luego cada tipo de señal por separado en un modelo de aprendizaje profundo existente diseñado para distinguir periodos «alerta» de «fatigado». Incluso con esta configuración simple, el modelo clasificó correctamente más del 80% de las veces para cada tipo de señal, con el EEG rindiendo mejor, lo que sugiere que las etiquetas y las grabaciones contienen información sólida sobre el estado del conductor.

Por qué este conjunto de datos podría cambiar la seguridad vial

Para los lectores, la conclusión es que MPD-DF ofrece a científicos e ingenieros una base potente y de acceso público para construir mejores sistemas de detección de fatiga. Al combinar múltiples señales corporales, cuestionarios detallados y juicios expertos segundo a segundo, puede ayudar a los investigadores a estudiar cómo y cuándo diferentes personas se vuelven peligrosamente somnolientas—y a probar si sus algoritmos funcionan en muchos individuos. A largo plazo, los conocimientos derivados de este conjunto de datos podrían respaldar monitores en el vehículo más inteligentes, simuladores de conducción más realistas y advertencias personalizadas que inviten a los conductores cansados a descansar antes de que ocurra una tragedia.

Cita: 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

Palabras clave: fatiga al conducir, monitorización EEG, conducción somnolienta, señales fisiológicas, seguridad del conductor