מאגר נתונים מולטימודלי לפנוטייפינג של עייפות בנהיגה

למה חשוב להישאר ער מאחורי ההגה

נסיעות ארוכות יכולות לשחוק את הערנות שלנו בשקט, ולהפוך נסיעה שגרתית למצב מסוכן. נהיגה בעייפות קשורה לאלפי תאונות, פציעות ומוות מדי שנה, ובכל זאת אין לנו שיטות מהימנות לקבוע במדויק מתי הנהג מחליק ממצב ריכוז לעייפות. המחקר הזה מציג מאגר נתונים ציבורי ועשיר שנועד לסייע למדענים לפתח מערכות חכמות שיכולות לקרוא את סימני האזהרה של הגוף ולהנפיק התרעות בזמן לפני שמנהג עייף עושה טעות קטלנית.

מבט מקרוב אל הנהג העייף

החוקרים יצרו את מה שהם קוראים לו Multimodal Phenotyping Dataset of Driving Fatigue (MPD-DF), אוסף מדידות מפורטות מ-50 מתנדבים בוגרים שסיימו נהיגה מדומה של שעתיים בכביש מהיר. במקום להסתמך רק על דיווח עצמי של שינה או על תנועת הרכב, הצוות הקליט בו-זמנית מספר סוגי אותות גוף: פעילות חשמלית במוח (EEG), בלב (ECG), תנועות עיניים (EOG) ומאמץ נשימתי מרצועת חזה. המשתתפים גם מילאו שאלונים על בריאותם, הרגלי השינה שלהם והנטייה להיות אדם בוקר או לילה. ביחד החתיכות האלה יוצרות תמונת מצב שלמה של האופן שבו מתפתחת העייפות מאחורי ההגה.

איך התבצע הניסוי

כל המתנדבים סווגו כבעלי בריאות כללית טובה, נאמנים לתנאי מנוחת שינה ולא צרכו קפאין לפני הבדיקה. במעבדה מבוקרת, ישב כל אדם במכשיר סימולציית נהיגה פשוט שהציג כביש מהיר שאינו צפוף עם כבישים בעיקר ישרים — מתכון ידוע המקדם מונוטוניות מרדימה. הם נהגו במשך כשתיים במהירות נמוכה ויציבה בזמן שאותות המוח, הלב, העיניים והנשימה שלהם הוקלטו ברצף, יחד עם וידאו. תאורת החדר, הטמפרטורה והרעש נשמרו בקפדנות בתוך גבולות נוחים כך ששינויים באותות ישקפו בעיקר גידול בעייפות ולא אי-נוחות או הסחת דעת.

להפוך גלי מוח לרמות עייפות

מאפיין מפתח שמבדיל את המאגר הזה הוא הדרך שבה תויגה העייפות. רופא מנוסה בתחום תרופות השינה בחן את אות ה-EEG של כל נהג והקצה אחת מחמש תחלואות כל שנייה: ערות, שלושה שלבים הולכים וגדלים של עייפות, ולבסוף שינה קלה. שלבים אלה בוססו על דפוסים ידועים בגלי מוח, כמו עלייה וירידה של קצבי תדר מסוימים והופעת מאפיינים הקשורים לשינה. המומחה גם סומן תקופות בהן האותות היו רועשים או לא אמינים. כאשר הצוות בחן את כל 50 הרשומות, הם ראו שכמעט כולם הפכו עייפים באופן מדיד וחלק אף גלשו לשינה, מה שמאשר כי תצורת הנהיגה אכן עוררה נמנום.

בדיקת איכות האותות וניסויי אלגוריתם ראשוניים

כדי לוודא שהנתונים אכן שימושיים למחקר עתידי, המחברים בדקו את האותות בקפידה. הם הראו כי ההקלטות מהמוח, מהלב, מהעיניים ומהנשימה הציגו את הצורות המצופות וגוונו באופן טבעי לאורך הזמן. על ידי מיפוי פעילות המוח על הקרקפת הם הבחינו בהזזות עקביות בשבטי תדירות שונים ככל שהנהגים נעשו עייפים יותר, מה שמחזיק את הרעיון כי EEG רגיש במיוחד לעייפות. הצוות אז הזין כל סוג אות בנפרד לתוך מודל למידה עמוקה קיים שמיועד להבחין בין תקופות "ערניות" ל"עייפות". גם עם הסידור הפשוט הזה, המודל סיווג נכון יותר מ-80% מהזמן לכל סוג אות, כאשר EEG הופיע כבתצוגה הטובה ביותר, מה שמרמז שהתיוגים וההקלטות מכילים מידע חזק על מצבו של הנהג.

למה מאגר זה עשוי לשנות את בטיחות הכבישים

לסיכום, MPD-DF נותן למדענים ומהנדסים בסיס חזק וזמין בפומבי לבניית מערכות זיהוי עייפות משופרות. מכיוון שהוא משלב מספר אותות גוף, שאלונים מפורטים ושיפוטים מומחים שנרשמו שנייה אחר שנייה, הוא יכול לסייע לחוקרים לחקור כיצד ומתי אנשים שונים נעשים מסוכנתmente ישנוניים — ולבחון האם האלגוריתמים שלהם עובדים על פני פרטים רבים. בטווח הארוך, תובנות שנגזרו ממאגר זה יכולות לתמוך במערכי ניטור חכמים ברכב, בסימולטורים מציאותיים יותר ובאזהרות מותאמות אישית שיעודדו נהגים עייפים לנוח לפני שאסון יקרה.

ציטוט: 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

מילות מפתח: עייפות בנהיגה, ניטור EEG, נהיגה עייפה, אותות פיזיולוגיים, בטיחות נהג