Een multimodale slaperigheidsdataset met video-, biometrische en gedragsgegevens

Waarom wakker blijven achter het stuur ertoe doet

Slaperig rijden is een verborgen bedreiging op de weg en draagt jaarlijks bij aan duizenden ongevallen. We denken vaak aan plotseling in slaap vallen, maar in werkelijkheid sluipt vermoeidheid er langzaam in: onze hartslag vertraagt, onze grip verslapt, onze houding zakt en onze ogen worden zwaar lang voordat we daadwerkelijk wegknikken. Dit artikel beschrijft een nieuwe openbare dataset die is ontworpen om die subtiele, vroege waarschuwingssignalen tot in detail vast te leggen, en onderzoekers het ruwe materiaal te geven om slimme systemen te bouwen die bestuurders mogelijk kunnen waarschuwen voordat een ramp gebeurt.

Een nieuwe blik op slaperige bestuurders

De meeste bestaande verzamelingen van data over bestuurdersslaperigheid richten zich op slechts één type signaal, zoals video van het gezicht of EEG-opnames. De nieuwe University of Louisiana Drowsiness Dataset (UL-DD) kiest een bredere benadering. Negentien vrijwilligers reden in een vrachtsimulator in het laboratorium terwijl een dicht web van camera’s en draagbare sensoren hun gedrag en lichaamssignalen registreerde. Iedere persoon voltooide één sessie terwijl hij volledig alert was en een andere toen hij zich al slaperig voelde, wat resulteerde in continue opnames van ongeveer 40 minuten per sessie en in totaal ruwweg 1.400 minuten rijgegevens. In plaats van bestuurders simpelweg te labelen als “alert” of “slaperig”, vroeg de studie hen elke vier minuten om hun slaperigheid te beoordelen op een schaal van negen stappen, waarmee de langzame glijbaan van helder wakker naar vechten tegen de slaap werd vastgelegd.

Wat de sensoren zagen en voelden

De opstelling observeerde bestuurders vanuit meerdere hoeken en “luisterde” tegelijkertijd naar hun lichaam. Een infraroodcamera volgde gezichtsdetails en presteerde goed zelfs bij weinig licht; een 3D-dieptesensor legde de vorm en afstand van hoofd en bovenlichaam vast; en een kleurencamera richtte zich op houding. Uit deze video’s haalde het team gezichtspunten—precieze punten rond de ogen, mond en wenkbrauwen—en gezichts “action units” die uitdrukkingen beschrijven zoals het sluiten van de ogen, beweging van de wenkbrauwen en geeuwen. Een ander algoritme volgde lichaams-poses om doorzakken, hoofdstand en andere houdingsveranderingen te onthullen die met vermoeidheid samenhangen.

Het lezen van stille signalen van het lichaam

Tegelijkertijd maten polsdragende apparaten en een pulsoximeter de interne tekenen van vermoeidheid. Hartactiviteit en polsslag, bloedzuurstofniveaus, huidtemperatuur, zweet-gebaseerde elektrische activiteit, beweging en polsversnelling werden allemaal vastgelegd met hun eigen bemonsteringssnelheden. Druksensoren aan beide zijden van het stuur volgden hoe stevig elke hand greep, terwijl software in de simulator toeging om snelheid, stuurgedrag en schakelmomenten tientallen keren per seconde te loggen. Al deze datastromen werden zorgvuldig gesynchroniseerd zodat onderzoekers op elk moment tijdens de rit de exacte combinatie van gezichtsuitdrukking, houding, hartritme, ademhalingshintjes, handkracht en rijstijl kunnen zien.

Controle van de signaalkwaliteit

Data verzamelen is alleen nuttig als die betrouwbaar is, dus de auteurs besteedden veel moeite aan het valideren van de opnames. Ze onderzochten hoe de lichaamssignalen veranderden bij lage, middelmatige en hoge slaperigheid, met statistische tests die geschikt zijn voor gegevens die per persoon verschillen. Maten zoals huidtemperatuur, zweetactiviteit, bloedzuurstofsaturatie en polsslag verschoof allemaal op betekenisvolle manieren naarmate bestuurders vermoeider werden, terwijl sommige andere, zoals een maat voor de bloedstroom, minder informatief bleken. Het team controleerde ook dat de zelf-gerapporteerde slaperigheidsscores consistent waren door ze te vergelijken met de beoordelingen van een expert op een subset van de video’s, waarbij sterke overeenstemming werd gevonden. Signaal-ruisanalyse liet zien dat de meeste sensoren, vooral de hartgerelateerde, schone data produceerden en video-controles bevestigden dat frames niet werden overgeslagen.

Hoe goed kunnen gecombineerde signalen slaperigheid opsporen?

Om te onderzoeken of deze rijke mix van informatie daadwerkelijk kan helpen slaperigheid te detecteren, trainden de auteurs verschillende machine-learningmodellen op verschillende combinaties van signalen. Wanneer ze slechts één type data gebruikten—bijvoorbeeld biometrie, greepdruk of gezichtskenmerken—waren de resultaten bescheiden. Maar wanneer ze biometrische, gedrags- en gezichtsgegevens combineerden, steeg de prestatie sterk. Een moderne fusiebenadering die leert hoe verschillende datatypes op elkaar inwerken behaalde ongeveer 88 procent nauwkeurigheid bij het classificeren van bestuurders als alert, matig slaperig of sterk slaperig. Dit suggereert dat geen enkele aanwijzing op zichzelf voldoende is; vermoeidheid onthult zich het duidelijkst wanneer vele kleine aanwijzingen samen worden geweven.

Wat dit betekent voor veiligere wegen

De UL-DD-dataset levert geen kant-en-klare slaperigheidsdetector en kent beperkingen: de vrijwilligers waren relatief weinig, meestal mannen, reden in een simulator in plaats van op echte snelwegen, en de studie omvatte geen directe hersenopnames. Toch geven de auteurs door een gedetailleerde, goed gelabelde en volledig gesynchroniseerde verzameling van gezichts-, lichaam- en rijsignalen vrij beschikbaar te maken wetenschappers en ingenieurs een krachtig testveld. Daarmee kunnen zij onderzoeken hoe vroeg ons lichaam begint te waarschuwen, algoritmen verfijnen die meerdere aanwijzingen combineren en dichterbij systemen in de auto komen die zacht ingrijpen voordat een slaperig moment in een tragedie verandert.

Bronvermelding: 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

Trefwoorden: slaperigheid van bestuurder, multimodale sensoren, wearable biometrie, rijsimulator, verkeersveiligheid