Resumen

Este artículo tiene como finalidad dar a conocer los modelos hoy existentes para la detección de somnolencia, sus enfoques, así como los autores que están realizando estas investigaciones. Inicialmente nos da a conocer la situación de México en términos de accidentalidad a causa de fatiga, las características del transporte de carga, cómo es que se encuentra desprotegido a esta condición, y cómo estos accidentes causados por fatiga se traducen económicamente comparándolos con el Producto Interno Bruto (PIB). Se habla sobre la definición del término somnolencia, los síntomas que la caracterizan, las posibles causas que propician que un sujeto la desarrolle, así como también, los factores externos al cuerpo del sujeto que pueden facilitar su presencia. Enseguida se habla acerca de esta condición en relación a la conducción; las situaciones de riesgo que representa que un sujeto conduciendo desarrolle somnolencia, así como también, datos en términos del porcentaje de accidentes automovilísticos provocados por este factor. Se habla de las casusas probables que propician a un conductor a caer en esta condición. Los últimos capítulos hacen una descripción de algunos de los modelos y los enfoques existentes. Es decir, en que están basados los modelos y los investigadores que los desarrollan.  Además, se realiza una comparación de los distintos enfoques con respecto al desempeño de éstos ante ciertas cualidades planteadas. Por último se expone una conclusión por parte del autor, destacando el modelo desarrollado por Murata et al. (2015), y el modelo y dispositivo empleado por Lenné y  Fitzharris (2016).

Palabras Clave: Somnolencia, Transporte de Carga, Modelos de Regresión, Predicción.

Introducción

De acuerdo a Haraldsson y Akerstedt (2001) la somnolencia en conductores es uno de los mayores factores causantes de percances en carreteras. Es un problema que aqueja no sólo a nuestro país, y que sin duda debería tratarse con inmediatez. El uso de una herramienta adecuada para la detección de conductores en estado de somnolencia se traduciría en vidas salvadas, y a su vez en reducción de daños materiales y pérdidas económicas.

El transporte de carga, por sus características particulares, es un sector de la población de conductores que podría considerarse aún más desprotegido y vulnerable a la condición de fatiga o somnolencia. Un punto importante a destacar acerca de este tipo de vehículos, es que debido a sus dimensiones y a la carga con la que transitan, el hecho de que sus conductores experimenten fatiga o somnolencia se traduce en peligro mayor en comparación a otros casos. Es por ello que es de suma importancia desarrollar modelos de predicción propios a las condiciones de México, y que además puedan centrarse en este sector de la población de conductores para atender adecuadamente sus necesidades en términos de detección de somnolencia.  La elección del enfoque y metodologías adecuadas será primordial para este desarrollo.

De acuerdo a datos de CONAPRA (2013), en México cada año mueren en promedio 16,500 mexicanos por percances viales. Con base en estimaciones hechas por el Secretariado Técnico del Consejo Nacional para Prevención de Accidentes (STCONAPRA), los accidentes viales le cuestan al país alrededor de 150 mil millones de pesos que representan el 1.7 % del Producto Interno Bruto (PIB), sumando costos directos e indirectos. Lo anterior citado de acuerdo a datos del anteproyecto de norma de regulación de horas de conducción.

Para atender esta problemática generada por la somnolencia en conductores, se han realizado distintos estudios. A partir de una revisión puntual de éstos, se han seleccionado los más destacados para mencionarse en capítulos posteriores de este artículo.

Ilustración 1: Manifestación de Somnolencia 1. Fuente: Internet.

Somnolencia

De acuerdo con Hirshkowitz et al. (2014) el estado consiente varia a lo largo de la continuidad sueño-vigilia. Aunque el proceso neurológico subyacente puede fluctuar continuamente, nosotros generalmente consideramos el desvelo y sueño como estados discretamente diferentes, con conocimiento o conciencia asociada con el primero e inconciencia con el segundo. La velocidad y duración de la transición entre desvelo y sueño puede diferir. Sin embargo, cuando hay intentos individuales de caer dormido y niveles intermedios de alerta, el termino somnolencia puede emplearse.

La somnolencia ha sido caracterizada como un estado donde el sujeto está medio o parcialmente dormido o medio o parcialmente despierto, presenta sueño, letargo, lentitud y falta de atención. Esto puede ser el resultado de permanecer con privación de sueño en sociedades capitalistas intensas donde hay intentos individuales de permanecer despierto tiempos más largos en la noche, a menudo para incrementar productividad. Hirshkowitz et al. (2014) también nos dice que un individuo en esta condición, es decir en un estado parcialmente dormido, puede estar inconsciente de que un micro-sueño ocurre incluso al mismo tiempo en que el individuo falla al responder a estímulos externos.  Hablando biológicamente, Young (2014) menciona que la somnolencia es promovida por un incremento en adenosina en el cerebro y la secreción de melatonina bajo el ritmo circadiano por parte de la glándula pineal, lo cual puede ser facilitado por la reducción de luz o total obscuridad.

Ilustración 2: Manifestación de Somnolencia 2. Fuente: Internet.

Somnolencia o Fatiga en conductores

De acuerdo a Romero et al. (2004) la fatiga o somnolencia al momento de conducir se trata de un fenómeno complejo que implica disminuciones en los niveles de alerta y conciencia por parte del conductor. Esta situación se convierte en un detonador de accidentes pues disminuye en el sujeto la capacidad de identificar situaciones de riesgo y por tanto evitar el peligro.

El cansancio mental, como el cansancio físico, provoca adormecimiento en el conductor y contribuye a un factor que representa al menos el 24% del total de accidentes. Kaur (1999) citado por Romero et al. (2004) establece que la fatiga es producto de causas tales como: el excesivo número de horas de servicio, el déficit de horas de sueño, el manejo nocturno, y los horarios irregulares de trabajo-descanso. No obstante, la fatiga continúa siendo un fenómeno extremadamente complejo de analizar, debido a los múltiples factores que intervienen.

Como resultado de la detección de una importante liga entre la accidentalidad y la fatiga del conductor, surgieron una gran cantidad de estudios enfocados a reducir la enorme pérdida de recursos económicos ocasionados por los accidentes, lo anterior de acuerdo con Veeraraghavan (2001). Taoka (1998) declara que el aspecto que es más atendido en las investigaciones es la búsqueda de correlaciones entre el desempeño de manejo del conductor y la fatiga, caracterizando distintos niveles de somnolencia, comprendiéndose como estados que eventualmente conducen a la pérdida de conciencia. La detección del nivel de fatiga ha tenido distintos enfoques que combinan las características de conducción del vehículo con aquellos del comportamiento psico-fisiológico del conductor.

Ilustración 3: Manifestación de Somnolencia. Fuente: Internet.

Modelos de predicción Existentes

Hosmer y Lemeshow (2000) expresan que los métodos de regresión se han convertido en un componente integral de cualquier análisis de datos donde se necesite describir la relación entre una variable dependiente y una o más variables independientes. Lo que distingue un modelo de regresión logística de un modelo de regresión lineal es que la variable respuesta en la regresión logística es binaria o dicotómica.

Para la predicción de somnolencia en conductores se han desarrollado múltiples modelos de análisis, cada uno con características y enfoques particulares. De manera general se distinguen tres enfoques distintos: Los modelos basados en medidas fisiológicas, que de acuerdo con Jo et al. (2013), investigadores tales como Damousis y Tzovaras (2008), Shuyan y Gangtie (2009), Tran et al. (2010), Patel et al. (2011), Borghini et al. (2012) y Silveira et al. (2016) desarrollaron estudios basándose en este enfoque; los modelos basados en mediciones a la métrica ocular, desarrollados por investigadores tales como Shuyan y Gangtie (2009), Picot et al. (2011), Kushaba et al. (2013), Aidman et al. (2015), Wang y Xu (2015), Jackson et al. (2015), Lenné y  Fitzharris (2016); y los modelos basados en mediciones al comportamiento del conductor, que de acuerdo con Jo et al. (2013), han sido desarrollados por investigadores como Kircher et al. (2002), Torkkola et al. (2004), Liu et al. (2009), Yang et al. (2009), y Ersal et al. (2010) .

Una variación muy destacada en cuanto a éste último enfoque o técnica de predicción, fue la desarrollada en el estudio de Murata et al. (2015), la cual no se centraba sólo en el comportamiento de manejo del conductor sino en las interacciones con otras variables del comportamiento del mismo, como lo son: el ángulo de cuello, presión proporcionada por la espalda, presión en los pedales y el movimiento del conductor en la superficie del asiento. De manera reciente, un modelo basado en mediciones del ritmo respiratorio del conductor fue desarrollado por Solaz et al. (2016), tomando sus mediciones de manera no invasiva, en comparación con Schumacher (2002) citado por el mismo Solaz et al. (2016).

Ilustración 4: Variables de Detección. Fuente: Internet.

Consideraciones de los modelos

Los enfoques anteriormente mencionados poseen distintas ventajas particulares e inherentes a cada uno de ellos. A continuación se presenta la Tabla 1, misma que nos ilustra los cuatro enfoques y su desempeño a ciertas cualidades. De esta manera se genera una comparación entre los distintos enfoques y modelos, lo cual nos auxilia a observar cuáles de ellos destacan.

Las cualidades que se consideran son: precisión; comodidad referida al contacto directo entre el dispositivo y el cuerpo humano, ya que esta influye en la tolerancia del usuario; complejidad referida a la obtención de datos o desarrollo del modelo; y finalmente, susceptibilidad a agentes externos, ya que algunos dispositivos fallan sus mediciones con agentes como la temperatura, el exceso de luz o la falta de la misma, entre otras. Se calificó con el símbolo de aprobación (✓) los modelos de cierto enfoque que poseen un buen desempeño ante la cualidad referida, y con cruz (✖) aquellos que no poseen buen desempeño ante la misma cualidad. El modelo de Lenné y  Fitzharris (2016) posee un símbolo de asterisco (*) debido a que su dispositivo toma mediciones inclusive en condiciones de agentes externos como los anteriormente ejemplificados.

Conclusiones

Los enfoques y modelos desarrollados por Murata et al. (2015), y el modelo y dispositivo empleado por Lenné y Fitzharris (2016), son los más destacados. El primero por el empleo de un modelo de regresión logística para predicción de somnolencia subjetiva, y el segundo por su dispositivo capaz de tomar mediciones incluso en condiciones adversas de luz.

Con base en la información antes proporcionada se puede concluir que la elaboración de un modelo de predicción de somnolencia en nuestro país y sobre todo para un sector desprotegido como lo es el transporte de carga es una necesidad primordial y de gran importancia, así como la elección del tipo de modelo a emplearse en su desarrollo. Por tanto, en caso de realizarse, se sugiere considerar los enfoques y dispositivos antes mencionados como destacados, por su sobresaliente desempeño expuesto en la comparación del capítulo anterior.

Referencias

[1]    Aidman, E., Chadunow, C., Johnson, K., & Reece, J. (2015). Real-time driver drowsiness feedback improves driver alertness and self-reported driving performance. Accident Analysis and Prevention, 81, 8-13.

[2]    Borghini, G., Astolfi, L., Vecchiato, G., Mattia, D., & Babiloni, F. (2012). Measuring neurophysiological signals in aircraft pilots and car drivers for the assessment of mental workload, fatigue and drowsiness. Neuroscience and Biobehavioral Reviews, in press, 1-18.

[3]    Damousis, I. G., & Tzovaras, D. (2008). Fuzzy fusion of eyelid activity indicators for hypovigilance-related accident prediction. IEEE Transactions on Intelligent Transportation Systems, 9(3), 491–500.

[4]    da Silveira, T., Kozakevicius, A. J., & Rodrigues, C. R. (2016). Automated drowsiness detection through wavelet packet analysis of a single EEG channel. Expert Systems With Applications, 55, 1-31.

[5]    Diario Oficial de la Federación. 14 de mayo de 1982. Convenio internacional del trabajo No. 153 sobre duración del trabajo y períodos de descanso en los transportes por carretera.

[6]    Ersal, T., Fuller, H. J. A., Tsimhoni, O., Stein, J. L., & Fathy, H. K. (2010). Model-based analysis and classification of driver distraction under secondary tasks. IEEE Transactions on Intelligent Transportation Systems, 11(3), 692–701.

[7]    Haraldsson, P., & Akerstedt, T. (2001). Drowsiness-greater traffic hazard than alcohol.Causes, risks and treatment. Lakartidningen, 98, 3018–3023.

[8]    Hirshkowitz, M. (2014). Drowsiness. Encyclopedia of the Neurological Sciences (Second Edition), 4086.

[9]    Jackson, M. L., Kennedy, G. A., Clarke, C., Gullo, M., Swann, P., Downey, L. A., Howard, M. E. (2016). The utility of automated measures of ocular metrics for detectingdriver drowsiness during extended wakefulness. Accident Analysis and Prevention, 87, 127–133.

[10]  Jo, J., Lee, S. J., Park, K. R., Kim, I.-J., & Kim, J. (2013). Detecting driver drowsiness using feature-level fusion and user-specific classification. Expert Systems with Applications, in press, 1-14.

[11]  Khushaba, R., Kodagoda, S., Lal, S., & Dissanayake, G. (2013). Uncorrelated fuzzy neighborhood preserving analysis based feature projection for driver drowsiness recognition. Fuzzy SetsandSystems, 221, 90–111.

[12]  Kircher, A., Uddman, M., & Sandin, J. (2002). Vehicle control and drowsiness. Swedish National Road and Transport Research Institute.

[13]  Lenné, M. G., & Fitzharris, M. (2016). Real-time feedback reduces the incidence of fatigue events in heavy vehicle fleets. 23rd ITS World Congress, Melbourne, Australia, Paper number ITS-AN-SP0293, 1-12.

[14]  Murata, A., Fujii, Y., & Naitoh, K. (2015). Multinomial logistic regression model for predicting driver’s drowsiness using behavioral measures. Procedia Manufacturing, 3, 2426 – 2433.

[15]  Picot, A., Charbonnier, S., & Caplier, A. (2011). EOG-based drowsiness detection: Comparison between a fuzzy system and two supervised learning classifiers. Proceedings of the 18th World Congress. The International Federation of Automatic Control, 14283-14288.

[16]  Romero Navarrete, J. A., Martínez Madrid, M., Betanzo Quezada, E., Ramírez Cano, O., & Fortanell Romeri, J. M. (2004). Aspectos de la fatiga del conductor y estudio de las tecnologías para detectarla y prevenirla. Publicación Tecnica No 241. Instituto Mexicano del Transporte y Secretaría de Comunicaciones y Transportes, 1-52.

[17]  Schumacher, M.J. (2002). Nasal congestion and airway obstruction: the validity of available objective and subjective measures. Current Allergy and Asthma Reports, 2(3), 245–251.

[18]  Shuyan, H., & Gangtie, Z. (2009). Driver drowsiness detection with eyelid related parameters by Support Vector Machine. Expert Systems with Applications, 36, 7651–7658.

[19]  Solaz, J., Hernández, L., Bande, D., Rodríguez, N., Veleff, S., Gerpe, J., & Medina, E. (2016). Drowsiness detection based on the analysis of breathing rate obtained from real-time image recognition. Transportation Research Procedia, 14, 3867 – 3876.

[20]  Torkkola, K., Massey, N., & Wood, C. (2004). Driver inattention detection through intelligent analysis of readily available sensors. Proceedings of the IEEE International Conference on Intelligent Transportation Systems, 326–331.

[21]  Tran, Y., Craig, A., Wijesuriya, N., & Nguyen, H. (2010). Improving classification rates for use in fatigue countermeasure devices using brain activity. In Proceedings of IEEE international conference on engineering in medicine and biology society (EMBC) (pp. 4460–4463).

[22]  Wang, X., & Xu, C. (2015). Driver drowsiness detection based on non-intrusive metricsconsidering individual specifics. Accident Analysis and Prevention, 1-8.

[23]  Yang, J. H., Mao, Z.-H., Tijerina, L., Pilutti, T., Coughlin, J., & Feron, E. (2009). Detection of driver fatigue caused by sleep deprivation. IEEE Transactions on Systems, Man, Cybernetics. A, Systems Humans, 39(4), 694–705.

[24]  Young GB. (2014). Sleep, Condition of. Encyclopedia of the Neurological Sciences (Second Edition), 1052.

PÁEZ Mario
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.

ABARCA Emilio
Esta dirección de correo electrónico está siendo protegida contra los robots de spam. Necesita tener JavaScript habilitado para poder verlo.