Investigación sobre la detección de somnolencia en operadores de UAV basada en el método de bosque aleatorio de decisiones

Por qué importa mantener despiertos a los pilotos de drones

A medida que los drones asumen más tareas —desde inspeccionar líneas eléctricas hasta apoyar misiones de rescate—, las personas que los pilotan desde tierra deben mantener una concentración aguda. Sin embargo, las misiones largas, las pantallas repetitivas y los turnos nocturnos pueden empujar silenciosamente a los operadores hacia la somnolencia, aumentando el riesgo de errores costosos o incluso mortales. Este artículo explora cómo un sistema basado en cámara puede vigilar el rostro del piloto en tiempo real y usar un método de aprendizaje automático interpretable para decidir cuándo alguien está demasiado somnoliento para volar con seguridad.

Tres maneras de detectar a un operador somnoliento

Los autores comienzan describiendo tres grandes familias de detección de somnolencia. Una observa el comportamiento del vehículo: zigzagueo dentro de un carril, desviación de la trayectoria o un aumento de errores de control. Otra monitoriza señales del cuerpo y del cerebro, como las ondas cerebrales, el ritmo cardíaco, la respiración o la conductancia de la piel. Estos enfoques pueden ser precisos pero a menudo requieren que las personas lleven sensores, lo que puede resultar incómodo e impráctico en salas de control reales. La tercera familia vigila el comportamiento externo: la frecuencia de los parpadeos, la duración del cierre de ojos, si bostezan y la inclinación de la cabeza. Como las cámaras pueden capturar esta información sin tocar al operador, los métodos conductuales son especialmente atractivos para centros de control de drones.

Leer señales en el rostro

El sistema desarrollado en este estudio se centra en un puñado de pistas faciales que investigaciones previas vinculan con la somnolencia. Una biblioteca de visión por computadora sigue puntos 3D en el rostro del operador en una transmisión de vídeo en vivo. A partir de esos puntos de referencia, el programa calcula la “relación de aspecto del ojo” para medir cuánto están abiertos los ojos, la fracción de tiempo que los ojos permanecen mayormente cerrados durante un minuto (una medida bien conocida llamada PERCLOS), cuánto se abre la boca y cuánto se inclina la cabeza hacia delante, hacia atrás o lateralmente. El software se ejecuta lo suficientemente rápido en hardware de consumo como para ofrecer retroalimentación casi en tiempo real, y además registra todas las mediciones para un análisis posterior.

Una regla simple con un respaldo inteligente

Para decidir si un piloto está somnoliento, los autores combinan una regla confiable con un modelo más flexible. PERCLOS, que cuenta con un fuerte respaldo en la investigación del sueño y la seguridad, sirve como guardián principal: valores muy bajos indican alerta, valores muy altos indican somnolencia. Cuando PERCLOS cae en un rango intermedio, el sistema recurre a un clasificador de bosque aleatorio que considera conjuntamente la apertura de los ojos, la apertura de la boca y la inclinación de la cabeza. Un bosque aleatorio es un conjunto de muchos pequeños árboles de decisión, cada uno votando sobre el estado; su voto combinado determina el resultado. El sistema también suaviza las decisiones durante una ventana temporal corta, de modo que un solo fotograma atípico no dispare una alarma innecesaria.

Ver dentro del razonamiento del modelo

A diferencia de muchos sistemas de aprendizaje profundo que actúan como “cajas negras” opacas, un bosque aleatorio puede ser sondeado para revelar cómo llega a sus decisiones. Los autores entrenaron su modelo con un conjunto de vídeo ampliamente usado para somnolencia al conducir y lo probaron tanto en sujetos reservados de ese conjunto como en una base de datos separada. El rendimiento fue sólido, con el sistema más proclive a activar una falsa alarma que a pasar por alto a un operador realmente somnoliento —un intercambio más seguro en aviación. Al graficar cómo cambia el riesgo predicho cuando varía cada característica, muestran, por ejemplo, que aperturas muy pequeñas de los ojos empujan fuertemente al modelo hacia un veredicto de somnolencia, mientras que inclinaciones extremas de la cabeza se vuelven sospechosas solo más allá de cierto ángulo. Un análisis de importancia de características confirma que la apertura ocular domina el juicio del modelo, con la apertura de la boca y la inclinación de la cabeza desempeñando papeles de apoyo.

Lo que esto significa para vuelos de drones más seguros

El estudio concluye que un sistema interpretable de monitoreo facial, anclado por una medida de cierre palpebral bien validada y respaldado por un bosque aleatorio, puede señalar con fiabilidad la somnolencia en operadores de drones sin conectarles instrumentos médicos. Al mismo tiempo, el modelo transparente expone sesgos y lagunas en los datos de entrenamiento, orientando cómo deben mejorarse los sistemas futuros —por ejemplo, añadiendo sujetos más variados, condiciones de iluminación distintas y señales adicionales procedentes del propio dron. En términos sencillos, este trabajo muestra una vía hacia un monitoreo de seguridad al estilo de la cabina para pilotos remotos que es práctico de desplegar y abierto a la inspección, ayudando a las organizaciones a confiar y perfeccionar la tecnología que vela por sus tripulaciones.

Cita: Wojtowicz, K., Wojciechowski, P. & Panasiewicz, A. Research on drowsiness detection in UAV operators based on the random decision forest method. Sci Rep 16, 9726 (2026). https://doi.org/10.1038/s41598-026-39195-y

Palabras clave: detección de somnolencia, operadores de drones, monitoreo facial, bosque aleatorio, seguridad de vuelo