מאגר נתונים מולטימודלי לעייפות הנהג באמצעות וידאו, מדידות ביומטריות והתנהגות

מדוע חשוב להישאר ער מאחורי ההגה

נהיגה בעייפות היא איום חבוי בכביש, שתורם לאלפי תאונות מדי שנה. לעתים אנו מדמיינים התרסקות עקב הירדמות פתאומית, אך במציאות העייפות מתגנבת בהדרגה: דופקנו מאט, האחיזה ברפידת ההגה נשמעת חלשה יותר, היציבה נוטה קדימה ועינינו נעשות כבדות עוד לפני שאנו מהמהמים. מאמר זה מתאר מאגר נתונים ציבורי חדש שנועד לתעד את סימני האזהרה העדינים הללו בפירוט רב, ולספק לחוקרים את החומר הגולמי הנדרש כדי לפתח מערכות חכמות שיכולות בעתיד להתריע לנהגים לפני שאסון יקרה.

מבט חדש על נהגים עייפים

רוב אוספי הנתונים הקיימים על עייפות נהג מתמקדים בסוג אחד של אות, כמו וידאו של הפנים או הקלטות של גלי מוח. מאגר הנתונים החדש של אוניברסיטת לואיזיאנה לעייפות (UL-DD) נוקט גישה רחבה יותר. תשעה-עשר מתנדבים נהגו בסימולטור משאית במעבדה בעוד רשת צפופה של מצלמות וחיישנים לבישים הקליטה את התנהגותם ואת אותות גופם. כל משתתף השליך מושב אחד כשהוא במצב עירני לחלוטין ואחד כאשר כבר הרגיש עייפות, והוקלטו הקלטות רציפות שאורכן כ-40 דקות לכל מושב וסך הכל כ-1,400 דקות של נהיגה. במקום לתייג נהגים כ"עירניים" או "עייפים" בלבד, המחקר שאל אותם כל ארבע דקות לדרג את רמת העייפות בסולם בת תשע שלבים, ותיעד את ההחלקה האיטית מתודעה ערה לקרב מאבק בעייפות.

מה שראו וחוו החיישנים

המערך צפה בנהגים מזוויות מרובות ובמקביל "הקשיב" לגופם. מצלמת תשת-אדום עקבה אחרי פרטי הפנים, ועבדה היטב גם באור עמום; מצלמת עומק תלת־ממדית לכדה את הצורה והמרחק של הראש והחלק העליון של הגוף; ומצלמת צבע התמקדה ביציבה. מהוידאו הללו חילצו החוקרים סימני נקודות פנים—נקודות מדויקות סביב העיניים, הפה והגבות—"יחידות פעולה" של הבעות פנים שמתארות פעולות כמו עצימת עיניים, תזוזת גבה והתייפחות. אלגוריתם נוסף עקב אחר סימני יציבה בגוף כדי לגלות שקיעה בכתפיים, הטיית ראש ושינויים ביציבה הקשורים לעייפות.

קריאת האותות השקטים של הגוף

במקביל נמדדו באמצעות שעונים על פרק כף היד ומד חמצן בפתילה הסימנים הפנימיים של עייפות. פעילות לב וקצב דופק, רמות חמצן בדם, טמפרטורת העור, פעילות חשמלית מבוססת הזעה, תנועה והאצה בפרק כף היד הוקלטו כולם בקצבי דגימה משלהם. חיישני לחץ בשני צדי ההגה עקבו אחרי כמה חזק כל יד אחזה, ותוכנה שניגשה לסימולטור רישמה מהירות, התנהגות היגוי ושינויים בגלגל שיניים עשרות פעמים לשנייה. כל זרמי הנתונים הללו סונכרנו בקפידה כך שבכל רגע בנהיגה החוקרים יכולים לראות את השילוב המדויק של הבעת פנים, יציבה, קצב לב, רמיזות נשימה, כוח ידיים וסגנון נהיגה.

בדיקת איכות האותות

איסוף נתונים יעיל רק אם הם אמינים, ולכן החוקרים הקדישו מאמץ משמעותי לאימות ההקלטות. הם בחנו כיצד אותות הגוף השתנו ברמות עייפות נמוכות, בינוניות וגבוהות, באמצעות בדיקות סטטיסטיות המתאימות לנתונים המשתנים מאדם לאדם. מדדים כגון טמפרטורת העור, פעילות הזעה, רוויית חמצן בדם וקצב דופק השתנו באופן משמעותי ככל שהנהגים נעשו עייפים יותר, בעוד מדדים אחרים, לדוגמה מדד זרימת דם אחד, הוכיחו עצמם כפחות אינפורמטיביים. הצוות גם בדק שהדירוגים העצמיים של העייפות היו עקביים על ידי השוואתם לדירוג מומחה של תת־קבוצה מהסרטונים, ומצא הסכמה חזקה. ניתוח אות-לרעש הראה שרוב החיישנים, ובייחוד אלה הקשורים ללב, סיפקו נתונים נקיים, ובדיקות הווידאו איששו שאין איבוד מסגרות.

כמה טוב שילוב האותות מזהה עייפות?

כדי לבדוק האם תערובת המידע העשירה הזו יכולה באמת לסייע בזיהוי עייפות, המחברים אימנו מספר מודלי למידת מכונה על שילובים שונים של אותות. כאשר השתמשו בסוג נתונים יחיד — למשל ביומטריה, לחץ אחיזה או תכונות פנים — התוצאות היו מתונות. אך כאשר שלבו מידע ביומטרי, התנהגותי ופני, הביצועים השתפרו באופן ניכר. גישת פיוז'ן מודרנית שלמדה כיצד סוגי נתונים שונים מתקשרים הגיעה לדיוק של בערך 88 אחוז במיון נהגים כעירניים, עייפים במידה בינונית או עייפים מאוד. זה מרמז שאין רפרנס יחיד מספיק; לעייפות יש ביטוי ברור ביותר כאשר רמזים קטנים רבים נשזרים יחד.

מה זה אומר עבור כבישים בטוחים יותר

מאגר ה-UL-DD אינו ספק מערכת גילוי עייפות מוכנה לשימוש, ויש לו מגבלות: המתנדבים היו מצומצמים במספרם, רובם גברים, נהגו בסימולטור ולא בכבישים פתוחים, והמחקר לא כלל הקלטות מוח ישירות. עם זאת, על ידי פרסום אוסף מפורט, מסומן ומסונכרן במלואו של אותות פנים, גוף ונהיגה, המחברים מעניקים למדענים ומהנדסים מגרש ניסויים עוצמתי. בעזרתו הם יכולים לחקור מתי בדיוק גופנו מתחיל לשלוח אותות אזהרה, לחדד אלגוריתמים המשלבים רמזים מרובים ולהתקרב למערכות ברכב המתערבות בעדינות לפני שרגע של עייפות הופך לטרגדיה.

ציטוט: 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

מילות מפתח: עייפות נהג, חישת מולטימודל, ביומטריה לבישה, סימולטור נהיגה, בטיחות כבישים