Conjunto de Dados Multimodal de Fenotipagem da Fadiga ao Dirigir

Por que ficar acordado ao volante importa

Longas viagens podem drenar silenciosamente nossa vigilância, transformando um trajeto comum em uma situação perigosa. A condução sonolenta está ligada a milhares de acidentes, ferimentos e mortes a cada ano, e ainda não dispomos de métodos confiáveis para identificar exatamente quando um motorista passa de atento a fatigado. Este estudo apresenta um novo e rico conjunto de dados público projetado para ajudar cientistas a criar sistemas mais inteligentes que leiam os sinais corporais de alerta e emitam avisos oportunos antes que um motorista cansado cometa um erro fatal.

Um olhar mais atento ao motorista cansado

Os pesquisadores criaram o que chamam de Conjunto de Dados Multimodal de Fenotipagem da Fadiga ao Dirigir (MPD-DF), uma coleção de medições detalhadas de 50 voluntários adultos que completaram uma simulação de rodovia de duas horas. Em vez de depender apenas da sonolência auto-relatada ou do movimento do veículo, a equipe registrou vários tipos de sinais corporais simultaneamente: atividade elétrica do cérebro (EEG), do coração (ECG), movimentos oculares (EOG) e esforço respiratório por meio de uma cinta torácica. Os participantes também responderam a questionários sobre sua saúde, hábitos de sono e tendência natural a ser “matutino” ou “vespertino”. Juntas, essas peças formam um retrato corporal completo de como a fadiga se acumula ao volante.

Como o experimento foi conduzido

Todos os voluntários foram triados para estarem, em geral, saudáveis, bem descansados e sem consumo de cafeína antes dos testes. Em um laboratório controlado, cada pessoa sentou-se em um simulador de direção simples mostrando uma rodovia sem tráfego e com estradas predominantemente retas — uma receita conhecida por incentivar a monotonia entorpecedora. Eles dirigiram por cerca de duas horas em velocidade baixa e constante enquanto seus sinais cerebrais, cardíacos, oculares e respiratórios eram registrados continuamente, junto com vídeo. Iluminação, temperatura e ruído da sala foram mantidos dentro de limites confortáveis para que as alterações nos sinais refletissem principalmente o aumento da fadiga, em vez de desconforto ou distração.

Transformando ondas cerebrais em níveis de fadiga

Uma característica-chave que diferencia esse conjunto de dados é como a fadiga foi rotulada. Um médico experiente em medicina do sono revisou o sinal de EEG de cada motorista e atribuiu um dos cinco estados a cada segundo: vigília, três estágios crescentes de fadiga e, finalmente, sono leve. Esses estágios basearam-se em padrões conhecidos nas ondas cerebrais, como a elevação e queda de determinados ritmos e o aparecimento de características relacionadas ao sono. O especialista também assinalou períodos em que os sinais estavam ruidosos ou pouco confiáveis. Ao examinar os 50 registros, a equipe observou que quase todos se tornaram mensuravelmente fatigados e alguns até caíram no sono, confirmando que a configuração de direção realmente induziu sonolência.

Verificação da qualidade dos sinais e primeiros testes de algoritmo

Para garantir que os dados sejam realmente úteis para pesquisas futuras, os autores inspecionaram rigorosamente os sinais. Eles demonstraram que os traçados do cérebro, do coração, dos olhos e da respiração apresentavam as formas esperadas e variavam naturalmente ao longo do tempo. Ao mapear a atividade cerebral ao longo do couro cabeludo, observaram mudanças consistentes em diferentes bandas de frequência conforme os motoristas ficavam mais cansados, reforçando a ideia de que o EEG é particularmente sensível à fadiga. A equipe então alimentou cada tipo de sinal separadamente em um modelo de deep learning existente, projetado para distinguir períodos “alerta” de “fatigado”. Mesmo com essa configuração simples, o modelo classificou corretamente mais de 80% das vezes para cada tipo de sinal, com o EEG desempenhando melhor, sugerindo que as anotações e gravações contêm informações robustas sobre o estado do motorista.

Por que este conjunto de dados pode transformar a segurança rodoviária

Para os leitores, a conclusão é que o MPD-DF oferece a cientistas e engenheiros uma base poderosa e aberta para construir sistemas melhores de detecção de fadiga. Como combina múltiplos sinais corporais, questionários detalhados e julgamentos especializados segundo a segundo, pode ajudar pesquisadores a investigar como e quando diferentes pessoas ficam perigosamente sonolentas — e testar se seus algoritmos funcionam em muitos indivíduos. A longo prazo, os insights extraídos desse conjunto de dados podem sustentar monitores veiculares mais inteligentes, simuladores de direção mais realistas e avisos personalizados que incentivem motoristas cansados a descansar antes que uma tragédia aconteça.

Citação: 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

Palavras-chave: fadiga ao dirigir, monitoramento EEG, dirigir sonolento, sinais fisiológicos, segurança do condutor