Multimodaal fenotyperingsdataset van vermoeidheid tijdens autorijden

Waarom wakker blijven achter het stuur belangrijk is

Lange ritten kunnen onze alertheid langzaam uitputten en een alledaagse rit veranderen in een gevaarlijke situatie. Slaperig rijden hangt samen met duizenden ongevallen, verwondingen en doden per jaar, maar we hebben nog steeds geen betrouwbare methoden om precies te bepalen wanneer een bestuurder van gefocust naar vermoeid afglijdt. Deze studie presenteert een rijke nieuwe openbare dataset die wetenschappers moet helpen slimmere systemen te ontwikkelen die de waarschuwingstekens van het lichaam kunnen aflezen en op tijd waarschuwingen geven voordat een vermoeide bestuurder een fatale fout maakt.

Een nadere blik in de vermoeide bestuurder

De onderzoekers stelden wat zij het Multimodaal fenotyperingsdataset van vermoeidheid tijdens autorijden (MPD-DF) noemen samen: een verzameling gedetailleerde metingen van 50 volwassen vrijwilligers die een twee uur durende gesimuleerde snelwegrit voltooiden. In plaats van alleen te vertrouwen op zelf-gerapporteerde slaperigheid of op hoe de auto beweegt, registreerde het team meerdere soorten lichaamsignalen tegelijk: elektrische activiteit in de hersenen (EEG), het hart (ECG), oogbewegingen (EOG) en ademhalingsinspanning met een borstband. De deelnemers vulden ook vragenlijsten in over hun gezondheid, slaapgewoonten en natuurlijke ochtend- of avondvoorkeur. Samen vormen deze onderdelen een totaalbeeld van hoe vermoeidheid zich achter het stuur opbouwt.

Hoe het experiment werd uitgevoerd

Alle vrijwilligers werden gescreend om in het algemeen gezond, goed uitgerust en vrij van cafeïne te zijn voor de test. In een gecontroleerd lab zat elke persoon in een eenvoudige rijsimulator die een weinig drukke snelweg met vooral rechte wegen toonde — een opzet die bekend staat om het stimuleren van geestdodend monotone omstandigheden. Ze reden ongeveer twee uur met een lage, constante snelheid terwijl hun hersen-, hart-, oog- en ademhalingssignalen continu werden opgenomen, samen met video. De verlichting, temperatuur en het geluidsniveau in de kamer werden zorgvuldig binnen comfortabele grenzen gehouden, zodat veranderingen in de signalen voornamelijk vermoeidheid weerspiegelden in plaats van ongemak of afleiding.

Hersengolven omzetten in vermoeidheidsniveaus

Een belangrijk kenmerk dat deze dataset onderscheidt, is hoe vermoeidheid werd gelabeld. Een ervaren slaaparts beoordeelde elk seconde het EEG-signaal van iedere bestuurder en kende een van vijf toestanden toe: waakzaamheid, drie toenemende stadia van vermoeidheid, en uiteindelijk lichte slaap. Deze stadia waren gebaseerd op bekende patronen in hersengolven, zoals het opkomen en verdwijnen van bepaalde ritmes en het verschijnen van slaapgerelateerde kenmerken. De expert markeerde ook perioden waarin de signalen luidruchtig of onbetrouwbaar waren. Toen het team alle 50 opnames bekeek, zagen ze dat bijna iedereen meetbaar vermoeid raakte en dat sommigen zelfs in slaap vielen, wat bevestigt dat de rijsimulatie daadwerkelijk slaperigheid opwekte.

Controle van signaalkwaliteit en eerste algoritmetests

Om er zeker van te zijn dat de gegevens echt nuttig zijn voor toekomstig onderzoek, inspecteerden de auteurs de signalen rigoureus. Ze toonden aan dat hersen-, hart-, oog- en ademhalingssporen allemaal de verwachte vormen hadden en zich natuurlijk in de tijd varieerden. Door hersenactiviteit over de schedel in kaart te brengen, observeerden ze consistente verschuivingen in verschillende frequentiebanden naarmate bestuurders vermoeider werden, wat het idee versterkt dat EEG bijzonder gevoelig is voor vermoeidheid. Het team voerde vervolgens elk signaaltype afzonderlijk in een bestaand deep-learningmodel dat ontworpen is om ‘alert’ van ‘vermoeid’ te onderscheiden. Zelfs met deze eenvoudige opzet classificeerde het model in meer dan 80% van de gevallen correct voor elk signaaltype, met EEG als best presterend, wat suggereert dat de labels en opnamen sterke informatie over de toestand van de bestuurder bevatten.

Waarom deze dataset de verkeersveiligheid kan veranderen

Voor lezers is de kernboodschap dat MPD-DF wetenschappers en ingenieurs een krachtig, vrij verkrijgbaar fundament biedt om betere vermoeidheidsdetectiesystemen te bouwen. Omdat het meerdere lichaamsignalen, gedetailleerde vragenlijsten en seconde-voor-seconde deskundige beoordelingen combineert, kan het onderzoekers helpen onderzoeken hoe en wanneer verschillende mensen gevaarlijk slaperig worden — en testen of hun algoritmen over veel individuen heen werken. Op de lange termijn kunnen inzichten uit deze dataset slimme in-auto monitors, realistischer rijsimulatoren en gepersonaliseerde waarschuwingen ondersteunen die vermoeide bestuurders aansporen te rusten voordat een tragedie plaatsvindt.

Bronvermelding: 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

Trefwoorden: vermoeidheid tijdens autorijden, EEG-monitoring, slaperig rijden, fysiologische signalen, veiligheid van bestuurders