Drowsiness 2.0: alertando a los conductores antes de que sea demasiado tarde

Conducir con somnolencia es uno de los comportamientos de riesgo más peligrosos y, a menudo, ignorados, especialmente en las flotas comerciales. La fatiga afecta el tiempo de reacción, la atención y la toma de decisiones del conductor, lo que aumenta significativamente la probabilidad de sufrir accidentes. Según el Consejo Nacional de Seguridad, la conducción con somnolencia es responsable de aproximadamente 100 000 choques, 71 000 lesiones y 1550 muertes al año solo en EE. UU. La Administración Nacional de Seguridad del Tráfico en las Carreteras (NHTSA) estima que los accidentes relacionados con la fatiga le cuestan a la economía estadounidense más de 109 000 millones de dólares cada año, sin contar los daños materiales. Para las flotas comerciales, estos incidentes derivan en primas de seguro más altas, pérdida de productividad y mayores costes operativos, por lo que es fundamental abordar la somnolencia con sistemas de detección y alerta en tiempo real.

‍

Combatir la conducción con somnolencia y la fatiga fue una de las razones clave detrás de la introducción de la normativa de horas de servicio en EE. UU. para los conductores de camiones (y legislaciones equivalentes en otros países).

‍

LightMetrics introdujo alertas de somnolencia y fatiga hace más de un año, basándose en la detección mediante IA de ojos cerrados o casi cerrados.

‍

Nos complace presentar Drowsiness 2.0, una actualización significativa del algoritmo anterior; la mejora es gracias a todos nuestros socios a nivel mundial, ya que los datos hacen que el sistema sea mejor. 

‍

‍

            Fig. 1 La apertura ocular es utilizada por humanos e IA para determinar la somnolencia 

‍

Los observadores humanos detectan la somnolencia basándose en la apertura ocular (entre otros factores) y la IA puede entrenarse para hacer exactamente lo mismo, basándose en el porcentaje de cierre y otras métricas similares que caracterizan cuánto está abierto el ojo.

‍

Mientras que Drowsiness 1.0 se centraba únicamente en las estadísticas de duración del cierre ocular, nuestro análisis de datos extensos nos ha llevado a mejorar este enfoque. Drowsiness 2.0 se basa en múltiples características. Además de la apertura ocular, se utilizan otras funciones como la frecuencia de parpadeo, la duración del parpadeo, el cierre ocular y las estadísticas derivadas de estas mediciones para determinar si el conductor tiene somnolencia o fatiga con una precisión muy elevada.

‍

Alertar a los conductores ante los primeros signos de somnolencia

Es sumamente deseable alertar a los conductores antes de que cierren los ojos o estén a punto de hacerlo; detectar los signos tempranos de fatiga o somnolencia es un gran desafío, especialmente cuando se busca evitar falsos positivos.

‍

Mediante estadísticas de parpadeo, es posible diferenciar entre un estado normal y uno de somnolencia en el conductor.

‍

La Figura 2 ilustra las etapas tempranas de la somnolencia, caracterizadas por estadísticas de cierre ocular breve. Identificar las transiciones de apertura a cierre lento, así como de cierre a apertura lenta, es crucial para caracterizar con precisión la somnolencia incipiente. Al centrarnos en estas transiciones, podemos detectar la somnolencia en sus etapas iniciales. Esto permite emitir alertas oportunas mucho antes de que el conductor se quede dormido.

‍

‍

‍

Fig. 2 Detección de las etapas tempranas de somnolencia basada en el análisis de parpadeo

‍

Detectar cuando un conductor lucha por mantenerse alerta

Los parpadeos frecuentes, especialmente aquellos que duran más de lo normal, son un predictor fiable de somnolencia, como ilustra la Figura 3. Estos parpadeos pueden servir como indicadores que, al combinarse con el cierre ocular y las transiciones de apertura <-> cierre en ventanas futuras, permiten predecir la somnolencia con confianza.

‍

Fig. 3 Ilustración del patrón de parpadeos frecuentes durante las etapas tempranas del sueño

‍

Fusión de múltiples características

Aunque la extracción de características es un proceso sumamente complejo, se requiere mucho más procesamiento para obtener información precisa sobre el estado del conductor. Diversas etapas de preprocesamiento para filtrar el ruido, incorporando metadatos adicionales como la posición de la cabeza, puntos de referencia, etc., aseguran un mayor refinamiento de las características. Se utilizan múltiples medidas estadísticas, incluyendo frecuencia, duración, magnitud y la relación entre estas características, para asignar pesos según diferentes parámetros configurados y establecer el nivel de confianza del evento. Esto garantiza una precisión muy alta (pocos falsos positivos) manteniendo al mismo tiempo una buena tasa de recuperación (pocos falsos negativos).

‍

Drowsiness 2.0: alertando a los conductores antes de que se queden dormidos

‍

Nuestra última actualización, **Drowsiness 2.0**, representa un avance significativo en la prevención de incidentes por somnolencia al volante. Al detectar los signos tempranos de fatiga con mayor precisión que nunca, podemos alertar a los conductores antes de que alcancen la etapa crítica de quedarse dormidos mientras conducen. Este enfoque proactivo no solo mejora la seguridad del conductor, sino que también reduce el riesgo de accidentes, protege los activos de la flota y disminuye los costos operativos relacionados con los choques. Con alertas en cabina en tiempo real, Drowsiness 2.0 garantiza que los conductores se mantengan atentos y seguros en la carretera, reforzando nuestro compromiso de ayudar a las flotas comerciales a operar de manera más eficiente y segura.

‍

Para obtener más información sobre Drowsiness 2.0 y los beneficios de RideView para las flotas con las que trabaja, comuníquese a contact@lightmetrics.co

‍