La fatiga es una de las principales causas de accidentes, y cuando ocurre, esos accidentes suelen ser graves. De hecho, los conductores que duermen menos de cuatro horas por la noche tienen 11.5 veces más probabilidades de chocar que los que duermen toda la noche, 3 de cada 10 accidentes son causados por personas que se quedan dormidas al volante y el 17 % de todos los choques mortales involucran a un conductor con somnolencia. Los conductores comerciales corren un riesgo especial, ya que a menudo trabajan muchas horas y conducen por rutas largas. 

La identificación y la prevención de la fatiga son una prioridad para los líderes de seguridad de flotas comerciales. Afortunadamente, los recientes avances en inteligencia artificial (IA) y el aprendizaje automático (ML) han hecho posible detectar la fatiga y alertar a los conductores en tiempo real, una hazaña científica con el potencial de mejorar en gran medida la seguridad pública. Como consecuencia, muchos proveedores de tecnología en el mercado de la seguridad basada en video han anunciado recientemente funciones de detección de fatiga. Pero no todos los modelos de detección son iguales.

Cuando se trata de algo tan serio como conducir con somnolencia, es importante que puedas confiar en la tecnología que hay detrás. Sigue leyendo y conoce por qué la fatiga es tan difícil de detectar con precisión, por qué ningún comportamiento (como bostezar o cerrar los ojos durante un tiempo prolongado) es un indicador suficiente de somnolencia por sí solo y qué diferencia al modelo de Detección de Fatiga de Samsara del resto.

¿Por qué es tan difícil detectar la fatiga con precisión?

Si bien los avances en IA y aprendizaje automático han permitido identificar la conducción con somnolencia, sigue siendo un concepto increíblemente variado entrenar modelos de IA para detectarla. Esto se debe a un par de motivos:

• La fatiga no consiste en un comportamiento único y aislado: a diferencia de otros riesgos de seguridad detectados por la IA (como el uso del celular o el exceso de velocidad), la fatiga no se trata de un comportamiento único ni objetivo. Los comportamientos individuales, como inclinar la cabeza, encorvarse, cerrar los ojos de forma prolongada, bostezar, frotarse los ojos y más, son posibles indicadores de fatiga, pero ningún comportamiento individual es suficiente para detectarla. De hecho, un análisis^* entre los primeros usuarios de la Detección de Fatiga de Samsara descubrió que más del 70 % de los incidentes de conducción con somnolencia se detectaron a través de múltiples comportamientos. La detección de somnolencia requiere un modelo que considere múltiples comportamientos a lo largo del tiempo para evaluar el verdadero riesgo de fatiga, no simplemente un comportamiento en un corto período.

• Las recomendaciones científicas están evolucionando para incluir más indicadores conductuales de fatiga: en 1994, la Administración Nacional de Seguridad del Tráfico en las Carreteras (NHTSA) introdujo PERCLOS, un algoritmo que se basaba en una sola métrica para detectar la fatiga: el porcentaje de veces que los ojos de un conductor se encuentran cerrados. Desde entonces, los investigadores han descubierto que, con frecuencia, PERCLOS por sí solo no es suficiente para detectar todas las formas en que la fatiga aparece en la carretera, y la detección moderna debería considerar comportamientos más allá de PERCLOS, incluidas las expresiones faciales, los parpadeos, las posturas de la cabeza y los bostezos. En 2019, la Unión Europea dio un paso más con su Reglamento General de Seguridad II (GSR II), que exige el uso de los sistemas de detección de somnolencia en los vehículos y recomienda la Escala de Somnolencia de Karolinska (KSS) como una escala estándar para determinar la gravedad de la fatiga. En 2020, la NHTSA publicó una investigación que concluía que la IA y el ML son prometedores en la detección de fatiga debido a su capacidad para considerar múltiples comportamientos.

No basta con bostezar. Tampoco lo es cerrar los ojos de manera prolongada

Algunos proveedores de tecnología se basan únicamente en un comportamiento, como bostezar o cerrar los ojos de manera prolongada, como indicador de la fatiga. Esto es intrínsecamente defectuoso. 

El bostezo no siempre es un indicador de fatiga, y rara vez es un indicador confiable de la somnolencia que presenta más riesgos. Las personas pueden bostezar por otras razones, como por aburrimiento. Incluso cuando el bostezo indica fatiga, puede servir como un reflejo que indica al conductor estar más alerta. Los modelos de detección que se basan únicamente en el bostezo pueden registrar demasiados falsos positivos y, lo que es más importante, pasar por alto casos de fatiga que en realidad son un riesgo. Hemos descubierto que esto es cierto; un análisis^* entre los primeros usuarios de la función de Detección de Fatiga de Samsara descubrió que aproximadamente el 77 % de los incidentes de conducción con somnolencia se detectaron mediante comportamientos distintos a un simple bostezo.

Del mismo modo, cerrar los ojos de manera prolongada no es un indicador suficiente de fatiga por sí solo. Los modelos que dependen únicamente de cerrar los ojos de manera prolongada se basan en una guía obsoleta de hace 30 años. Desde que la NHTSA recomendó PERCLOS en 1994, los científicos han seguido investigando los indicadores de fatiga y han llegado a la conclusión de que su detección debería evaluar no solo uno sino múltiples comportamientos a lo largo de un período. Y lo que es más importante es que cerrar los ojos de manera prolongada es un indicador de fatiga en etapa avanzada; solo una persona que está casi dormida cumplirá con este criterio. En ese momento, puede que ya sea demasiado tarde para corregir. La detección efectiva de somnolencia identifica tanto la fatiga en etapa temprana como tardía, y alerta al conductor y a los supervisores en tiempo real para que puedan tomar medidas correctivas antes de que sea demasiado tarde.

El modelo de Samsara evalúa más de 17 comportamientos y está entrenado con el conjunto de datos de operaciones conectadas más grande del mundo^**

Cualquiera puede decir que su tecnología es “líder en la industria”, pero pocos pueden demostrarlo. Esto es lo que diferencia al modelo de Detección de Fatiga de Samsara del resto:

• Está entrenado con billones de puntos de datos: un modelo de IA es tan bueno como los datos que lo entrenan. Debido a que la somnolencia presenta comportamientos tan variados, un buen modelo necesita “aprender” de muchos ejemplos de cómo se ve la fatiga y cómo podría aparecer en diferentes circunstancias. Es por eso que la escala del conjunto de datos de Samsara es importante; entrenamos nuestras detecciones basadas en IA, incluida la Detección de Fatiga, en más de 180 mil millones de minutos de imágenes en video y datos de 113 mil millones de kilómetros recorridos. Debido a que podemos extraer cientos de miles de ejemplos reales de nuestros datos, podemos entrenar un modelo de aprendizaje profundo de extremo a extremo que tenga una comprensión integral y contextual de todos los comportamientos que constituyen fatiga. Los proveedores de tecnología que usan un solo comportamiento, como cerrar los ojos de manera prolongada o bostezar, para detectar somnolencia a menudo dependen únicamente de técnicas más antiguas como escanear puntos de referencia faciales, que son menos sólidos. 

• Detección de múltiples comportamientos: el modelo de detección de Samsara analiza más de 17 comportamientos del conductor que indican fatiga, como inclinar la cabeza, encorvarse, inactividad prolongada, frotarse la cara, bostezar y cerrar los ojos durante mucho tiempo. A través del entrenamiento iterativo en la escala de datos de Samsara, el modelo aprende cómo se ve la fatiga más allá de estos 17 comportamientos; crea una comprensión contextual e integral de todas las formas en que la somnolencia podría aparecer en la cabina. Diseñado para reflejar las últimas investigaciones académicas sobre fatiga y los marcos estándar de la industria como la Escala de somnolencia de Karolinska, produce una puntuación de fatiga y solo emite una alerta si esa puntuación supera un umbral determinado. Esto hace posible que nuestro modelo de IA aprenda mejor los comportamientos que indican el riesgo de somnolencia, tanto para la fatiga en etapa temprana como en la etapa final. Como consecuencia, evitamos inundar a los conductores con demasiados falsos positivos. Por ejemplo, Samsara no alerta solo por un caso único de bostezo. 

• Aprovecha la ciencia más moderna: nuestro modelo se alinea con las investigaciones más modernas sobre detección de fatiga tanto en los Estados Unidos como en la Unión Europea. También aprovecha las técnicas de aprendizaje automático más modernas, en lugar de depender de técnicas más antiguas como los puntos de referencia faciales. Además, contamos con un equipo interno de expertos en aprendizaje automático que continuamente ajusta el modelo.

Detecta, actúa y ayuda a prevenir la conducción somnolienta con Samsara

Cuando se trata de prevenir la fatiga en la conducción, necesitas un socio tecnológico en el que puedas confiar. Samsara adopta un enfoque exhaustivo para el desarrollo de productos. Entendemos las particularidades de la seguridad de los conductores y creemos que la IA se puede usar de manera responsable para ayudar a los líderes de seguridad a reducir el riesgo y, al mismo tiempo, generar confianza con los conductores en el camino.

La detección no es el único valor en una solución integral y holística para la somnolencia. Con Samsara, tanto los conductores como los supervisores reciben alertas en tiempo real para que puedan tomar acciones correctivas en los momentos que más importan. Además, debido a que nuestra función de Detección de Fatiga (junto con todas nuestras funciones de seguridad impulsadas por IA) está completamente integrada dentro de la plataforma Samsara, puedes usar Samsara para identificar tendencias y patrones de fatiga en toda tu organización. Esto significa que Samsara no solo sirve para detectar; puede ayudar a prevenir la fatiga de principio a fin, antes de que el conductor se ponga al volante y cuando ese conductor esté en el camino.

Obtén más información sobre cómo Detección de Fatiga integral de Samsara puede ayudarte a detectar la conducción con somnolencia, a actuar en consecuencia y prevenirla.

^*Análisis agregado de más de 35.000 detecciones en una cohorte de 50 clientes desde julio de 2024.

^**Análisis interno basado en la revisión de datos internos, informes de terceros y estadísticas reportadas de manera externa.