¿Se puede detectar la fatiga de los conductores en tiempo real con una precisión casi perfecta?
La somnolencia al volante sigue siendo una de las principales causas de accidentes mortales en el mundo. Cada año, provoca miles de muertes y pérdidas económicas que superan los cien mil millones de dólares. Un nuevo enfoque basado en la inteligencia artificial y la visión por computadora podría cambiar las reglas del juego al identificar los signos de fatiga antes de que sea demasiado tarde.
Investigadores han desarrollado un sistema capaz de detectar en tiempo real los primeros indicadores de fatiga en un conductor. A diferencia de los métodos tradicionales que analizan el comportamiento del vehículo o requieren sensores intrusivos, esta solución utiliza una simple cámara integrada. Observa los movimientos del rostro como los parpadeos, los bostezos o la inclinación de la cabeza. Estos signos, a menudo sutiles, delatan una disminución de la vigilancia mucho antes de que el conductor pierda el control.
El núcleo del sistema se basa en un modelo híbrido que combina dos tecnologías de inteligencia artificial: las redes neuronales convolucionales y los transformadores visuales. Las primeras son excelentes para analizar detalles locales como la forma de los ojos o la posición de la boca. Los segundos captan las relaciones entre estos elementos durante un período más largo, lo que permite seguir la evolución de la fatiga minuto a minuto. Este enfoque dual hace que el sistema sea particularmente efectivo para distinguir una simple distracción de una fatiga profunda.
Para garantizar una detección confiable en todas las condiciones, el modelo ha sido entrenado con más de un millón de videos de conducción. Ha aprendido a reconocer los signos de fatiga incluso en casos de poca iluminación, movimientos bruscos u obstáculos parciales como gafas de sol. Una técnica de autoaprendizaje con datos no etiquetados ha mejorado aún más su robustez, mientras que un mecanismo de atención temporal analiza tanto las microexpresiones como las tendencias a lo largo de varios minutos.
Los resultados son impresionantes: el sistema alcanza una precisión del 99.3%, con solo 42 milisegundos de latencia. Funciona en tiempo real en computadoras integradas como las utilizadas en vehículos autónomos, sin ralentizarse ni consumir demasiada energía. Herramientas de explicación visual muestran que se basa en indicios relevantes, como el cierre progresivo de los párpados o el hundimiento de la cabeza, y no en artefactos sin relación con la fatiga.
Este sistema podría adaptarse a otros ámbitos donde la vigilancia es crucial, como la aviación o la supervisión industrial. Su principal ventaja radica en su capacidad para alertar antes de que la fatiga se vuelva peligrosa, ofreciendo una solución no intrusiva y escalable. Las pruebas realizadas en seis bases de datos diferentes confirman su eficacia en situaciones variadas, desde la conducción diurna hasta el anochecer.
El desafío va más allá del simple rendimiento técnico. Al reducir los accidentes relacionados con la somnolencia, esta tecnología podría salvar vidas y evitar miles de millones de dólares en daños cada año. Sin embargo, su despliegue plantea preguntas sobre la protección de datos y la equidad, ya que los signos de fatiga pueden variar según los individuos. Los diseñadores han integrado salvaguardas para garantizar la confidencialidad de las imágenes y limitar los sesgos, pero será necesaria una supervisión continua para convertirlo en una herramienta universalmente confiable.
Optimizado para su uso integrado, este sistema abre el camino a vehículos más seguros, capaces de proteger a los conductores incluso de sus propias limitaciones. Su adopción masiva dependerá ahora de su integración en las regulaciones y de la aceptación por parte de los usuarios, conscientes de que la tecnología vela por su seguridad sin invadir su privacidad.
Bases documentaires
Rapport de référence
DOI : https://doi.org/10.1186/s43067-026-00335-z
Titre : Enhancing road safety through deep learning-based drowsiness detection using vision AI
Revue : Journal of Electrical Systems and Information Technology
Éditeur : Springer Science and Business Media LLC
Auteurs : Godfrey Perfectson OISE; Prosper Otega EJENARHOME; Abiodun Samuel OYEDOTUN