Multimodalt fenotyperingsdataset för trötthet vid bilkörning

Varför det spelar roll att hålla sig vaken bakom ratten

Långa bilresor kan tyst urholka vår vaksamhet och förvandla en vardaglig färd till en farlig situation. Sömnig körning är kopplat till tusentals olyckor, skador och dödsfall varje år, men vi saknar fortfarande pålitliga sätt att avgöra exakt när en förare glider från fokuserad till utmattad. Denna studie presenterar ett rikt nytt publikt dataset utformat för att hjälpa forskare bygga smartare system som kan läsa kroppens varningssignaler och ge tidiga larm innan en trött förare begår ett ödesdigert misstag.

En närmare titt på den trötta föraren

Forskarna skapade vad de kallar Multimodal Phenotyping Dataset of Driving Fatigue (MPD-DF), en samling detaljerade mätningar från 50 vuxna volontärer som genomförde en två timmar lång simulerad motorvägskörning. Istället för att förlita sig enbart på självrapporterad sömnighet eller bilens rörelser spelade teamet in flera typer av kroppssignaler samtidigt: hjärnans elektriska aktivitet (EEG), hjärtats (EKG), ögonrörelser (EOG) och andningsarbete via ett bröstbälte. Deltagarna fyllde även i frågeformulär om sin hälsa, sömnvanor och om de är morgon- eller kvällsmänniskor. Tillsammans utgör dessa delar en helkroppsbild av hur trötthet byggs upp bakom ratten.

Hur experimentet utfördes

Alla volontärer screenades för att vara i allmänt god hälsa, väl utvilade och fria från koffein före testning. I ett kontrollerat laboratorium satt varje person vid en enkel körsimulator som visade en glest trafikerad motorväg med mestadels raka vägar — ett upplägg känt för att uppmuntra mental monotonitet. De körde i ungefär två timmar i en låg, jämn hastighet medan deras hjärn-, hjärt-, ögon- och andningssignaler spelades in kontinuerligt, tillsammans med video. Rummets belysning, temperatur och ljudnivå hölls noggrant inom bekväma gränser så att förändringar i signalerna främst skulle spegla växande trötthet snarare än obehag eller distraktion.

Att omvandla hjärnvågor till trötthetsnivåer

En nyckelfaktor som skiljer detta dataset åt är hur trötthet märkts upp. En erfaren sömnmedicinare granskade varje förares EEG-signal och tilldelade en av fem tillstånd varje sekund: vakenhet, tre successivt ökande trötthetsstadier och slutligen lätt sömn. Dessa stadier baserades på välkända mönster i hjärnvågor, såsom upp- och nedgångar i vissa rytmer och framträdandet av sömnrelaterade egenskaper. Experten markerade också perioder där signalerna var brusiga eller opålitliga. När teamet undersökte alla 50 inspelningar såg de att nästan alla blev mätbart trötta och att vissa till och med gled in i sömn, vilket bekräftar att körupplägget verkligen inducerade dåsighet.

Kontroll av signalernas kvalitet och första algoritmtester

För att säkerställa att datan verkligen är användbar för framtida forskning inspekterade författarna signalerna noggrant. De visade att spår från hjärna, hjärta, ögon och andning alla hade förväntade former och varierade naturligt över tid. Genom att kartlägga hjärnaktivitet över skalpen observerade de konsekventa skiften i olika frekvensband i takt med att förarna blev mer trötta, vilket förstärker idén att EEG är särskilt känsligt för trötthet. Teamet matade sedan varje signaltyp separat in i en befintlig djupinlärningsmodell avsedd att särskilja ”alert” från ”trött” tid. Även med denna enkla uppställning klassificerade modellen korrekt mer än 80 % av tiden för varje signaltyp, med EEG som bäst presterande, vilket tyder på att märkningarna och inspelningarna bär stark information om förarens tillstånd.

Varför detta dataset kan förändra trafiksäkerheten

Slutsatsen för läsaren är att MPD-DF ger forskare och ingenjörer en kraftfull, öppet tillgänglig grund för att bygga bättre system för upptäckt av trötthet. Eftersom det kombinerar flera kroppssignaler, detaljerade frågeformulär och sekund-för-sekund-expertbedömningar kan det hjälpa forskare undersöka hur och när olika personer blir farligt sömniga — och testa om deras algoritmer fungerar över många individer. På sikt kan insikter från detta dataset stödja smartare fordonsövervakning, mer realistiska körsimulatorer och personliga varningar som uppmuntrar trötta förare att vila innan en tragedi inträffar.

Citering: 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

Nyckelord: körtrötthet, EEG-övervakning, sömnig körning, fysiologiska signaler, förarens säkerhet