Video, biyometrik ve davranışsal veriler kullanılarak oluşturulmuş çok modlu uykululuk veri seti

Direksiyonda Uyanık Kalmanın Önemi

Uykulu sürüş, yolda gizli bir tehdittir ve her yıl binlerce kazaya katkıda bulunur. Genellikle aniden uykuya dalmayı hayal ederiz, oysa gerçek şu ki, uykululuk yavaş yavaş ilerler: kalp atışı yavaşlar, kavrama gevşer, duruş çöker ve gözler ağırlaşır; bunlar başımızı eğip uyuklamaya başlamadan çok önce görünür hale gelir. Bu makale, bu ince, erken uyarı işaretlerini ayrıntılı biçimde yakalamak üzere tasarlanmış yeni bir açık veri setini tanımlıyor; araştırmacılara bir felaket meydana gelmeden önce sürücüleri uyarmaya yardımcı olabilecek daha akıllı sistemler geliştirmek için gereken ham verileri sağlıyor.

Uykulu Sürücülere Yeni Bir Bakış

Mevcut sürücü uykululuğu veri koleksiyonlarının çoğu tek tip bir sinyale odaklanır; örneğin yüz videosu veya beyin dalgalarının kaydı gibi. Yeni University of Louisiana Drowsiness Dataset (UL-DD) daha geniş bir bakış açısı sunuyor. Ondokuz gönüllü laboratuvarda bir kamyon simülatörü kullandı ve yoğun bir kamera ve giyilebilir sensör ağı davranışlarını ve vücut sinyallerini kaydetti. Her katılımcı bir oturumu tamamen uyanıkken, diğerini ise kendini zaten uykulu hissederken tamamladı; oturum başına yaklaşık 40 dakika süren sürekli kayıtlar alındı ve toplamda kabaca 1.400 dakika sürüş verisi elde edildi. Çalışma sürücüleri basitçe “uyanık” veya “uykulu” diye etiketlemek yerine, her dört dakikada bir onlardan dokuz basamaklı bir ölçekte uykululuklarını derecelendirmelerini istedi; böylece uyanıklıktan uykuya doğru yavaş kayışı yakaladı.

Sensörlerin Gördükleri ve Hissettikleri

Kurulum, sürücüleri birden çok açıdan izlerken aynı zamanda ‘vücutlarına kulak veriyordu’. Bir kızılötesi kamera yüz ayrıntılarını takip etti ve loş ışıkta bile iyi performans gösterdi; bir 3B derinlik kamerası başın ve üst bedenin şekil ve mesafesini yakaladı; renkli bir kamera ise duruşa odaklandı. Bu videolardan ekip, gözler, ağız ve kaş çevresindeki hassas noktalar olan yüz işaretlerini (facial landmarks) ve göz kapama, kaş hareketi, esneme gibi ifadeleri tanımlayan yüz “eylem birimlerini” (action units) çıkardı. Baş dönüklüğü, baş eğimi ve yorgunlukla ilişkili diğer duruş değişikliklerini ortaya koymak için bir başka algoritma ise vücut duruşu işaretlerini izledi.

Vücudun Sessiz Sinyallerini Okumak

Aynı zamanda bileğe takılan cihazlar ve bir pulse oksimetre yorgunluğun içsel işaretlerini ölçtü. Kalp aktivitesi ve nabız hızı, kan oksijen düzeyi, cilt sıcaklığı, ter kaynaklı elektriksel aktivite, hareket ve bilek ivmesi kendi örnekleme hızlarında kaydedildi. Direksiyonun her iki tarafındaki basınç sensörleri her bir elin ne kadar sıkı tuttuğunu izlerken, yazılım simülatöre bağlanarak hız, direksiyon davranışı ve vites değişimlerini saniyede onlarca kez kaydetti. Tüm bu akışlar dikkatle senkronize edildi; böylece sürüşün herhangi bir anında araştırmacılar yüz ifadesi, duruş, kalp ritmi, solunum izleri, el kuvveti ve sürüş tarzının tam birleşimini görebiliyor.

Sinyallerin Kalitesini Kontrol Etmek

Veri toplamak yalnızca güvenilir ise faydalıdır; bu yüzden yazarlar kayıtları doğrulamaya önemli çaba harcadılar. Bireyden bireye değişen verilere uygun istatistiksel testler kullanarak vücut sinyallerinin düşük, orta ve yüksek uykululukla nasıl değiştiğini incelediler. Cilt sıcaklığı, ter aktivitesi, kan oksijen doygunluğu ve nabız hızı gibi ölçümler sürücüler daha yorgun hale geldikçe anlamlı şekilde değişirken, bir kan akışı ölçümü gibi bazıları daha az bilgi verici çıktı. Araştırmacılar ayrıca öz bildirilen uykululuk puanlarının tutarlılığını, videoların bir alt kümesi için bir uzmanın değerlendirmeleriyle karşılaştırarak kontrol etti ve güçlü bir uyum buldular. Sinyal-gürültü analizi çoğu sensörün, özellikle kalp ile ilgili olanların, temiz veri ürettiğini gösterdi ve video kontrolleri kare kaçırılmadığını doğruladı.

Birleşik Sinyaller Uykululuğu Ne Kadar İyi Tespit Ediyor?

Bu zengin bilgi karışımının gerçekten uykululuğu tespit etmeye yardımcı olup olmayacağını görmek için yazarlar farklı sinyal kombinasyonlarıyla birkaç makine öğrenimi modeli eğitti. Sadece tek bir veri türü—örneğin biyometrikler, kavrama basıncı veya yüz özellikleri—kullanıldığında sonuçlar ılımlı kaldı. Ancak biyometrik, davranışsal ve yüz bilgilerini birleştirdiklerinde performans hızla arttı. Farklı veri türlerinin nasıl etkileştiğini öğrenen modern bir füzyon yaklaşımı, sürücüleri uyanık, orta düzeyde uykulu veya çok uykulu olarak sınıflandırmada yaklaşık yüzde 88 doğruluk elde etti. Bu, tek bir ipucunun yeterli olmadığını; bunun yerine yorgunluğun birçok küçük ipucunun bir araya gelmesiyle en net şekilde ortaya çıktığını gösteriyor.

Daha Güvenli Yollar İçin Ne Anlama Geliyor?

UL-DD veri seti kutudan çıkar çıkmaz çalışan bir uykululuk algılayıcısı sunmuyor ve sınırlamaları var: gönüllüler nispeten az, çoğunlukla erkekti; gerçek otoyollarda değil simülatörde sürüldü; ve çalışma doğrudan beyin kayıtlarını içermiyordu. Yine de yüz, beden ve sürüş sinyallerinin ayrıntılı, iyi etiketlenmiş ve tam senkronize bir koleksiyonunu ücretsiz olarak sunarak, yazarlar bilim insanlarına ve mühendislere güçlü bir test zemini veriyor. Bu veriyle, vücudumuzun sorunun ne zaman erken sinyal verdiğini inceleyebilir, birden çok ipucunu birleştiren algoritmaları iyileştirebilir ve uykulu bir anın trajediye dönüşmesinden önce nazikçe müdahale eden araç içi sistemlere daha da yaklaşabilirler.

Atıf: 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

Anahtar kelimeler: sürücü uykululuğu, çok modlu algılama, giyilebilir biyometrikler, sürüş simülatörü, yol güvenliği