Dataset multimodale di fenotipizzazione della fatica alla guida

Perché restare svegli al volante è importante

I viaggi lunghi possono erodere silenziosamente la nostra vigilanza, trasformando un tragitto quotidiano in una situazione pericolosa. La guida sonnolenta è associata a migliaia di incidenti, feriti e vittime ogni anno, eppure mancano ancora metodi affidabili per stabilire con precisione quando un conducente passa dalla concentrazione alla fatica. Questo studio presenta un nuovo e ricco dataset pubblico progettato per aiutare gli scienziati a sviluppare sistemi più intelligenti in grado di leggere i segnali d’allarme del corpo e fornire avvisi tempestivi prima che un conducente stanco commetta un errore fatale.

Uno sguardo più approfondito al conducente stanco

I ricercatori hanno creato ciò che chiamano Multimodal Phenotyping Dataset of Driving Fatigue (MPD-DF), una raccolta di misure dettagliate provenienti da 50 volontari adulti che hanno completato una guida simulata di due ore su autostrada. Invece di basarsi solo sull’autovalutazione della sonnolenza o sui movimenti del veicolo, il team ha registrato contemporaneamente diversi tipi di segnali corporei: attività elettrica del cervello (EEG), del cuore (ECG), movimenti oculari (EOG) e sforzo respiratorio tramite una fascia toracica. I partecipanti hanno inoltre compilato questionari sulla loro salute, abitudini di sonno e inclinazione naturale verso il mattino o la sera. Insieme, questi elementi costituiscono un’istantanea a tutto corpo di come la fatica si accumula dietro il volante.

Come è stato condotto l’esperimento

Tutti i volontari sono stati selezionati per essere generalmente in buona salute, ben riposati e privi di caffeina prima del test. In un laboratorio controllato, ogni persona si è seduta davanti a un semplice simulatore di guida che mostrava un’autostrada poco congestionata con strade per lo più dritte — una configurazione nota per favorire la monotonia che induce assopimento. Hanno guidato per circa due ore a velocità bassa e costante mentre le loro attività cerebrali, cardiache, oculari e respiratorie venivano registrate in continuo, insieme al video. Illuminazione, temperatura e rumore nella stanza sono stati mantenuti entro limiti confortevoli in modo che le variazioni nei segnali riflettessero principalmente l’aumento della fatica piuttosto che disagio o distrazione.

Trasformare le onde cerebrali in livelli di fatica

Una caratteristica chiave che distingue questo dataset è il modo in cui la fatica è stata etichettata. Un medico esperto in medicina del sonno ha esaminato il segnale EEG di ogni guidatore e assegnato uno dei cinque stati ogni secondo: veglia, tre stadi crescenti di affaticamento e infine sonno leggero. Questi stadi si basavano su pattern ben noti nelle onde cerebrali, come l’aumento e la diminuzione di certe bande di frequenza e la comparsa di caratteristiche tipiche del sonno. L’esperto ha anche segnato i periodi in cui i segnali risultavano rumorosi o non affidabili. Quando il team ha analizzato tutti i 50 record, ha osservato che quasi tutti sono diventati misurabilmente più affaticati e alcuni sono addirittura scivolati nel sonno, confermando che il protocollo di guida ha effettivamente indotto sonnolenza.

Controllo della qualità dei segnali e primi test algoritmici

Per garantire che i dati siano realmente utili per ricerche future, gli autori hanno ispezionato i segnali in modo rigoroso. Hanno dimostrato che le tracce di cervello, cuore, occhi e respirazione presentavano le forme attese e variavano naturalmente nel tempo. Mappando l’attività cerebrale sulla superficie del cuoio capelluto, hanno osservato spostamenti coerenti in diverse bande di frequenza man mano che i conducenti diventavano più stanchi, rafforzando l’idea che l’EEG sia particolarmente sensibile alla fatica. Il team ha poi fornito ciascun tipo di segnale separatamente a un modello di deep learning esistente progettato per distinguere i periodi “vigili” da quelli “affaticati”. Anche con questa impostazione semplice, il modello ha classificato correttamente oltre l’80% dei casi per ogni tipo di segnale, con l’EEG a ottenere le migliori prestazioni, suggerendo che le etichette e le registrazioni contengono informazioni solide sullo stato del conducente.

Perché questo dataset potrebbe cambiare la sicurezza stradale

In sintesi, l’MPD-DF offre a scienziati e ingegneri una base potente e liberamente disponibile per costruire sistemi di rilevamento della fatica più efficaci. Poiché combina segnali corporei multipli, questionari dettagliati e giudizi esperti secondo per secondo, può aiutare i ricercatori a esplorare come e quando persone diverse diventano pericolosamente assonnate — e a verificare se i loro algoritmi funzionano su una vasta popolazione. Nel lungo periodo, le intuizioni ricavate da questo dataset potrebbero supportare monitor più intelligenti a bordo, simulatori di guida più realistici e avvisi personalizzati che invitano i conducenti stanchi a riposare prima che avvenga una tragedia.

Citazione: 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

Parole chiave: fatica alla guida, monitoraggio EEG, guida sonnolenta, segnali fisiologici, sicurezza del conducente