Boletín de Noticias de Automoción

Especial Vacaciones Agosto 2016 (I)

La distracción, somnolencia y cansancio

en la conducción
En las ‘II Jornadas sobre Innovación y Retos en Automoción’ celebradas recientemente bajo el epígrafe
InnovautoUPM, se han presentado diversas ponencias muy interesantes elaboradas por alumnos de
la Universidad Politécnica de Madrid, entre las que hemos elegido para este número especial de
Vacaciones de nuestro Boletín ASEPA, la elaborada por Gabriel Castrillo Peña sobre el título indicado
y bajo la tutoría de Felipe Jiménez Alonso, Profesor Titular de la Universidad Politécnica de Madrid
y director de la Unidad de Sistemas Inteligentes en Vehículos del Instituto Universitario de Investigación
Todos los Boletines ASEPA editados en www.asepa.es

del Automóvil (INSIA).

Esperamos os guste su lectura relajada y sin prisas en estos días de agosto.

1. Introducción
Una de las principales causas de los accidentes de tráfico es la disminución del estado de alerta, la cual
se produce principalmente debido a los factores de distracción, somnolencia y cansancio. No solamente
se dan estos factores en condiciones de nocturnidad, sino que la monotonía del trayecto y las largas
distancias contribuyen a que incluso en distintas fases de la conducción se combinen hasta los tres
factores mencionados.

Figura 1: Causas de los accidentes en autovías [1]

Las causas por las que se producen los accidentes se pueden clasificar en tres grandes grupos [2]:
 Factor humano: son la principal causa de accidente. Engloba a la conducción bajo los efectos
del alcohol, realización de maniobras arriesgadas de adelantamiento, excesiva velocidad,
inexperiencia, distracción, fatiga, somnolencia…
 Factor mecánico: mantenimiento inadecuado del vehículo, fallo de un componente...
 Factor climatológico: lluvia, niebla, condiciones de la vía…
El tema de la somnolencia es fácilmente detectable a través de la electroencefalografía, ya que se
producen unas fluctuaciones oscilatorias en dicho diagrama de la actividad cerebral cuando se producen
episodios de microsueño o somnolencia. No obstante, los correspondientes sistemas actuales son
invasivos, con lo que no se pueden implementar en los vehículos.
Las distintas variables que analizan los sistemas de detección de distracción, fatiga y somnolencia son:
 Accionamiento de mandos.
 Parámetros de conducción.
 Movimiento de ojos y parpadeo.
 Gestos y movimientos de las manos y cabeza.
 Parámetros fisiológicos, como el ritmo cardíaco.
 Electroencefalograma.
Los parámetros que se analizan para comparar su efecto en la conducción son principalmente la
desviación producida respecto al centro del carril, contabilizando la cantidad de veces que se tocan o
cruzan sus líneas, la amplitud de giro del volante y la frecuencia de correcciones del volante.
Diversos estudios señalan la correlación existente entre la somnolencia y el aumento del riesgo de
accidente [3], llegando a ser la causa de hasta un 30% de los accidentes.
Los estudios se pueden realizar tanto en la conducción real como en simuladores de conducción, siendo
estos últimos los más habituales, ya que no se pone en peligro la integridad del resto de conductores.
Por ejemplo, Sarah Otmani [4], compara un grupo de personas con ritmo normal de sueño y otro que
la noche anterior a la prueba sólo ha dormido un periodo de 4 horas. Se observa una diferencia
significativa en la autoevaluación del grado de somnolencia a través de la escala “Karolinska Sleepiness
Scale”, afectando principalmente a la actividad bioeléctrica del cerebro y el número de intersecciones de
los límites del carril. Es por ello que la invasión parcial de otros carriles es una consecuencia principal a
la hora de analizar la somnolencia del conductor en la mayoría de los estudios [5,6], así como el tiempo
de reacción de corrección de dichas invasiones [3]. Sistemas para evitar dicha circunstancia serán
tratados posteriormente en este artículo.

Figura 2: Comparativa del número de veces que se cruza las líneas del carril con y sin
somnolencia [4]

No obstante, a pesar de que en el estudio de Sarah Otmani no se observa que la somnolencia tenga un
efecto en la desviación de la posición del vehículo dentro de los márgenes del carril, el giro y frecuencia
de giro del volante para realizar correcciones, sí se ve que empeoran los tres indicadores a lo largo del
tiempo, es decir, según aumenta la fatiga del conductor.
Para reducir esta problemática entran en juego los distintos sistemas de detección que forman parte de
la seguridad activa, ya que la finalidad de estos sistemas es la de reducir la posibilidad de que se
produzcan accidentes.
 2. Conceptos previos
Dentro del concepto de distracción, se distinguen los siguientes tipos [7]:
 Distracción manual, cuando el conductor quita las manos del volante para realizar algún tipo de
actividad ajena a la propia conducción como la utilización del móvil o el GPS.
 Distracción visual, cuando el conductor deja de mirar directamente a la carretera en pos del
paisaje, leer un anuncio…
 Distracción cognitiva, cuando el pensamiento del conductor no está plenamente centrado en la
conducción, ya sea por pensar en otras cosas o por hablar con los acompañantes.
La fatiga o cansancio es el agotamiento corporal o mental que se produce como consecuencia de un
trabajo o de un esfuerzo. Esto provoca una alteración en los niveles de conciencia y de percepción que,
en el caso de los conductores, deriva en un deterioro de las capacidades para la conducción [8].
Distintos factores como la privación del sueño, largas duraciones de trayecto, monotonía de la carretera,
condiciones ambientales… originan síntomas de fatiga [9].
La somnolencia es la sensación de pesadez y torpeza motivada por el sueño que produce la disminución
de la capacidad de vigilia, afectando de forma negativa a los sentidos [10].
Además de varios de los factores de la fatiga, también contribuyen a la somnolencia el aburrimiento y el
consumo de medicamentos. Todo esto se traduce en una mayor dificultad para mantener los ojos abiertos,
mayor frecuencia de parpadeo, bostezos, hormigueo en las manos, lentitud de reacción en la conducción
y cambios bruscos de velocidad, parámetros que son analizados para su detección [11].

3. Técnicas de detección de distracción, somnolencia y cansancio

Dentro del marco de las técnicas de detección, se pueden distinguir dos grandes grupos: los sistemas que
monitorizan el entorno del vehículo y los parámetros de conducción, y los que monitorizan al conductor.

Respecto al primer grupo, se analiza el comportamiento de conducción del conductor para

posteriormente poder compararlo a través de distintos sensores, ya que cuando el conductor se muestra
cansado, por ejemplo, realiza correcciones del volante de una forma característica. Se monitoriza
también la desviación respecto del carril, los movimientos del volante, la presión en los pedales… [12].

Si se trata de analizar al conductor, se puede realizar de dos formas, tanto a través de los rasgos faciales
y oculares gracias a la monitorización por cámaras, como por el seguimiento de distintas medidas
fisiológicas, como el pulso cardíaco o la actividad cerebral. Estos sistemas son capaces de distinguir si el
conductor está fatigado o distraído [13].

A continuación se muestra una tabla resumen de los distintos sistemas de detección, las variables y el
medio utilizado para su análisis.
Tabla 1: Sistema de detección de fatiga, somnolencia y distracción
Detección de fatiga, somnolencia y distracción
Tipo Parámetro analizado Medio de detección

Correción del volante

Detector del ángulo de giro
Patrón de conducción Seguimiento de las líneas del carril
Cámara de seguimiento
Aceleraciones/desaceleraciones

Apertura del ojo

Monitorización ocular Frecuencia de parpadeo
Cámara interior
y facial Frecuencia de bostezos
Giro de la cabeza

Pulso cardíaco Electrocardiograma

Medida fisiológica Actividad cerebral Electroencefalograma
Conductividad cutánea …
Cuando estos sistemas detectan que el conductor no está en condiciones óptimas para realizar una
conducción segura, se ponen en marcha los sistemas de seguridad adecuados como pueden ser avisos,
seguimiento de carril…

3.1. Monitorización de patrones de conducción

La mayor parte de los sistemas de detección que se pueden ver en el mercado actual de automóviles está
basada en los patrones de conducción. Para ello, en primer lugar se ha de generar el patrón de
‘conducción normal’. Esto se realiza en los primeros compases del trayecto y, posteriormente, será
comparado de manera reiterada con la conducción posterior a través de distintos sensores para poder
apercibir cualquier tipo de anomalía provocada por la somnolencia, fatiga o distracción. Esta
comparativa generará un índice cuantitativo de alerta del conductor, que una vez superado el umbral
marcado inicialmente, actuará activando un sistema de alerta.

Figura 3: Ejemplo de generación de índice de somnolencia a partir de patrones de conducción

[14]

Los parámetros que se tienen en cuenta en el patrón son de diversa índole: movimiento del volante,
posición del vehículo en el carril, proximidad con otros vehículos, velocidad y aceleración/desaceleración
del vehículo, presión ejercida en los pedales y en el volante, utilización de los intermitentes, el número
de veces de paso por cero del volante…

Por lo general, las señales que detectan estos sistemas son fáciles de adquirir.

De todos ellos, los más comúnmente utilizados son los referidos al volante y a la posición en el carril.

Figura 4: Sistema híbrido de detección a partir de patrones de conducción [14]

Movimiento del volante:

Se suele medir el ángulo de giro del volante por medio de un sensor colocado en la columna de dirección.
El número de correcciones al volante se reduce de manera notoria cuando el conductor está somnoliento.
Por esa razón, se miden los ángulos pequeños, que van desde 0,5 a 5 grados, es decir, aquellos giros
destinados a corregir la posición del vehículo en la carretera. No obstante, es un sistema que actúa en
situaciones limitadas debido a su dependencia de las características geométricas de la carretera [12].

Desviación de la posición en el carril:

Para este tipo de medidas, se necesitan unas cámaras exteriores que realizan el seguimiento de la posición
del vehículo detectando las líneas del borde del carril. De esta manera, se detecta la distracción del
conductor en función tanto de la propia desviación como del número de veces que se produce una
desviación “elevada”. De nuevo, es una centralita electrónica la que determina el nivel de alerta del
conductor, y la que mandará la señal de aviso. La mayoría de los estudios para determinar cuándo se
debe activar el nivel de alerta están basados en una comparativa con la escala subjetiva KSS. El principal
problema de este sistema viene cuando las líneas de la carretera no están suficientemente visibles, lo cual
inhabilita el uso del sistema. También, este sistema necesita de una correcta señalización con los
intermitentes ya que al realizar, por ejemplo, un adelantamiento, el vehículo se desvía de su posición en
el carril atravesándolo y, en la maniobra de adelantamiento, el sistema de detección debe desactivarse.

En la mayoría de las ocasiones, se utilizan sistemas híbridos que analizan de forma simultánea distintos
parámetros. A continuación se muestra un ejemplo por parte de Hyundai.

Figura 5: Ejemplo de corrección brusca (izda.) y falta de corrección (dcha.) [15]

En la siguiente tabla, se resumen los parámetros que se pueden analizar como patrones de conducción y
el efecto que se produce en ellos cuando el conductor no está en óptimas condiciones:
Tabla 2: Efecto de la somnolencia en distintos parámetros de la conducción

Parámetro Efecto
Amplitud de giro del volante Aumenta

Velocidad de giro Disminuye

Frecuencia de pequeñas correcciones Disminuye

Desviación de la posición en el carril Se aleja del centro

Presión en el volante Disminuye

Proximidad con otros vehículos Disminuye

Otro parámetro empleado es el denominado “Time to Line Crossing”. Se trata del tiempo que se tardaría
en superar los límites del carril sin que el conductor modifique la velocidad, aceleración o dirección del
vehículo. Es por ello que se trata de un parámetro más complejo que necesita de un gran número de
parámetros de entrada, ya que debe de conocerse el radio de curvatura de la carretera y la posición actual
del vehículo dentro del carril. Tomar tantos datos a tiempo real y dar una respuesta casi instantánea es
el mayor inconveniente de este sistema.

3.1.1 Sistemas comerciales

Varios fabricantes de automóviles, como la marca Volkswagen, incorporan el detector de fatiga de

Bosch. Una vez detectado un comportamiento anómalo en la conducción, avisa al conductor a través de
señales acústicas y visuales, que hacen que el conductor deba realizar una parada antes de continuar con
su trayecto. El sistema de detección utilizado es el de un sensor de ángulo de giro, que ya viene de serie
al formar parte del ESP [16].

En el caso de Seat, además de lo mencionado, incluyen ciertos parámetros en su algoritmo de generación

del índice de fatiga, como la duración del trayecto, hora del día o el uso del intermitente [17].

Mercedes-Benz también apuesta por este tipo de sistemas. Su sistema “Attention Assist” analiza los
movimientos del volante, el uso de la palanca de cambios… Además de poder generar un perfil de
conducción en los primeros compases del trayecto, guarda los distintos estilos de conducción en su
memoria para el caso en que a mitad de un trayecto se intercambien los conductores habituales [18].

El sistema que mayor desarrollo tiene actualmente en el mercado es el monitoreo de la posición del
vehículo en el carril y, en la mayoría de los casos, combinado con la asistencia de mantenimiento de carril.
Se puede ver este sistema en el Ford Taurus, Honda CR-V, Hyundai i40, Mazda6, Toyota Prius…

3.2 Monitorización ocular y facial del conductor

Los primeros sistemas de monitorización con los que se empezó a trabajar, analizaban de forma exclusiva
los ojos del conductor. En ellos destacaba principalmente la monitorización del grado de apertura de los
mismos, la frecuencia de parpadeo y la zona hacia la que dirige el usuario su mirada. Una de las bondades
de este tipo de sistemas, además de ser no intrusivos,
es que permite detectar tanto el cansancio y
somnolencia como la distracción, siendo este último
parámetro difícil de monitorizar a través de los
patrones de conducción. El indicador principal de la
fatiga o somnolencia es la frecuencia de parpadeo, y
para la distracción, los sistemas se basan en la dirección
hacia la que se orientan los ojos. No obstante, el
tratamiento de imagen necesario para obtener una alta
precisión en la detección ha hecho que estos sistemas
aún sigan en proceso de investigación y no sean la
tónica dominante de los sistemas comerciales en la
actualidad. Otro de los problemas principales era la
diferencia de condiciones de luminosidad, el cual se
mitiga con cámaras infrarrojas que incluso permiten
realizar el seguimiento aunque el conductor utilice
gafas de sol.

Además, ahora también se observan los rasgos faciales

y el movimiento de la cabeza como apoyo para obtener
mejores resultados. Cabe destacar que en los últimos
estudios relativos a esta técnica se combina la misma
junto con algunas características de los patrones de
conducción.

Por lo tanto, en primer lugar se va a tratar la fatiga y

somnolencia. Para ello, hay que basarse en la actividad
de los ojos, la cabeza y la cara. Los síntomas que delatan
estas características en el conductor son
principalmente el parpadeo, cuya forma más habitual
de medición es la denominada PERCLOS, consistente
en el periodo de tiempo en que los ojos se encuentran
cerrados más de un 80% de la apertura normal. El
aumento significativo de la frecuencia en que el
conductor se toca los ojos, la cara… y el cabeceo
también indica cansancio [9].
Figura 6: Diagrama genérico de detección facial y
ocular [19]
 Figura 7: Medición del cierre de ojos y determinación del PERCLOS [9]

Figura 8: Determinación de fatiga y somnolencia a partir de PERCLOS [9]

Los actuales sistemas en pruebas, se basan en el espectro visible o infrarrojo y encuentran su mayor
dificultad en el proceso de calibración de los mismos a través de una señal de referencia.
A continuación se muestran las distintas técnicas de detección de los ojos mediante visión artificial:

3.2.1 Modelos basados en forma

Son los primeros modelos desarrollados y se basan en la forma genérica del ojo, cuya aproximación es la
de una elipse para la esclerótica y un círculo para el iris. No obstante, para mejorar el seguimiento ocular,
se utilizan plantillas deformables para cuando el conductor no esté mirando de forma frontal. El aspecto
negativo es que necesita imágenes con un gran contraste y es muy costoso computacionalmente debido
a la cantidad de formas distintas que pueden darse en función de la orientación de la cabeza respecto a
la cámara.
 Figura 9: Modelo de forma propuesto por Yuille et al.

Normalmente, se basan en el iris o la pupila, detectando, a partir de diferentes algoritmos, su forma

elíptica (cuando no es una vista frontal) a través de los cuatro parámetros que determinan una elipse:
coordenadas del centro, semieje mayor, semieje menor y dirección del eje mayor. Otra opción es la de la
figura 9, basado en 2 parábolas para los párpados y un círculo para el iris, todo ello deformable.

3.2.2 Modelos basados en características

Las características del ojo que se identifican con estos modelos son la intensidad del iris o la pupila, las
reflexiones de la córnea… Se pueden detectar distintas partes del ojo, ya que hay diferencias en sus niveles
de gris, de tal forma que se puede localizar en primera instancia una de las partes y, a partir de distintos
filtros hacer un seguimiento del borde del iris y las esquinas de los ojos. Hacer un uso de los modelos del
ojo mencionados anteriormente ayuda a obtener un mejor resultado.
También se puede detectar la pupila, que gracias a su color oscuro se puede umbralizar la imagen para
facilitar su seguimiento. Es realmente adecuado para sistemas de luz infrarroja, ya que con luz visible se
puede llegar a conclusiones erróneas debido a las pestañas o cejas, que actúan también como regiones
oscuras. Además, se puede hacer uso del efecto de ‘ojo rojo’ a través de la iluminación infrarroja.
Estos modelos son óptimos y robustos para condiciones de iluminación cambiante.

3.2.3 Modelos basados en apariencia

Están basados en la apariencia fotométrica, como por ejemplo la distribución del color. En primer lugar,
se toma una imagen patrón. Se marca en ella un umbral de intensidad y se le aplican métodos de
correlación. El punto fuerte de estos modelos es su precisión ante las variaciones de luminosidad, ya que
preserva únicamente bandas poco sensibles a los cambios de luz.

3.2.4 Otras técnicas

Llevados a la práctica los distintos modelos, resultan ser ventajosos en distintos puntos y muestran
debilidades frente a otros. Es por ello, que la solución óptima suele ser un modelo híbrido. Habitualmente
se combina el modelo basado en forma y en apariencia en lo que se denomina un Modelo de Apariencia
Activo.
Otra forma de detección ocular se fundamenta en el parpadeo. Se basa en la diferencia de luminancia
entre sucesivas imágenes para la detección del parpadeo. Una vez se tiene limitada la zona del ojo, se
busca la pupila para tomar como centro del ojo el centro de la pupila. Este sistema obtiene buenos
resultados cuando las imágenes de la cara del conductor son frontales [9].
 3.2.5 Formas de detección

Estos tres modelos principales son utilizados tanto con cámaras que trabajan en el espectro visible
(métodos de iluminación pasiva), como en el espectro infrarrojo cercano (métodos de iluminación activa).
A través de la cámara de espectro visible se puede además localizar el rostro de la persona a través del
color de la piel. Después se localiza el borde de los ojos en el área limitada por el rostro para una vez
lograda la localización del mismo poder aplicar los métodos de correlación para el seguimiento visual. El
color de los ojos también permite conocer si están abiertos o cerrados (y aplicar el método PERCLOS).
Los métodos de luz infrarroja consiguen una mayor rapidez en la detección de la posición de los ojos, ya
que la pupila presenta un brillo característico para las frecuencias de luz de 700 a 900 nm. La longitud
de onda utilizada es invisible para el ojo humano, y la cantidad de luz emitida por estos sistemas está
limitada por los estándares de seguridad internacional. La aplicación una vez detectado el ojo sería
análoga al método de iluminación pasiva.

Figura 10: (a) sistema en conducción diurna, (b) sistema en conducción nocturna

Los cambios de iluminación son la problemática de ambos tipos de luces. El primero de ellos porque
suelen basarse en el color de la piel para acotar el rostro del conductor y agilizar la búsqueda del ojo. El
segundo de ellos está basado en la detección de las pupilas, que en caso de deslumbramientos el sistema
puede no ser robusto.

Por ello, una posible solución es la utilización de uno u otro sistema en función de la luminosidad recibida.
 3.2.6 Detección de la posición de la cabeza

Para el tema de la detección de distracciones, el indicador más fidedigno es la posición de la cabeza del
conductor.
A través de un mapeado de imagen, de su color y profundidad, se realiza un modelo 3D formado por una
malla de triángulos.

Figura 11: Mallado 3D de la cabeza para detectar su orientación [7]

La generación de este modelo en 3D también es útil para la detección de los movimientos faciales,
bostezos… que sirven para generar el índice de fatiga o somnolencia.

Figura 12: Estimación de la posición de la cabeza bajo distintas condiciones lumínicas y

mediante distintas técnicas [20]
El problema principal de todos los sistemas de detección a partir de cámaras es la condición lumínica
cambiante, y ahí se centra la investigación en distintos métodos de estimación de la posición de la cabeza,
como son el Histograma de Gradientes Orientados, el Filtro de Gabor, Modelos de Forma Activa…

3.2.7 Sistemas comerciales

El sistema de detección de somnolencia utilizado por Saab es el sistema SmartEye. Evalúa el número y
frecuencia de parpadeos, la dirección y la orientación de la cara.
Esta empresa de componentes de seguimiento visual, Smart Eye, ha desarrollado un producto que mide
los movimientos de la cara y los ojos, además de la posición de la cabeza. Parte de un modelo 3D genérico
adaptable a distintos usuarios que utilicen un mismo vehículo y evalúa tanto la posición de los párpados
como la dirección de la mirada [21].
Volvo es otra de las empresas que está centrando su investigación en este tipo de sistemas. Utiliza una
tecnología AVERCLOS, que a diferencia del PERCLOS, mide el porcentaje de tiempo en que los ojos están
completamente cerrados durante un minuto. El “Driver State Estimation” consiste en una cámara de
vídeo infrarroja situada en el salpicadero. A través de distinto software de reconocimiento facial y la
centralita electrónica, puede, además de realizar avisos sonoros, activar sistemas de asistencia a la
conducción, como el frenado automático o el asistente de mantenimiento en carril. Volvo quiere ir un
paso más allá con esta tecnología de seguimiento visual. Para ello, su idea es la utilización de los
resultados de la cámara para activar aún más dispositivos tecnológicos, como pueden ser las luces
adaptativas (en función de la zona a la que dirige su mirada el conductor) o el ajuste del asiento y
retrovisores de forma automática en función del conductor en cada momento (guardando previamente
dichos ajustes para cada uno) [22].

Figura 13: Driver State Estimation de Volvo

En la misma línea se puede encontrar el “Driver Fatigue Monitor” de Attention Technology Inc. o el
dispositivo ‘faceLAB’ de Seeing Machines, cuyo uso está distendido en los simuladores y no se aplica
en la conducción real debido a una menor precisión.

3.3 Medidas fisiológicas

Este tipo de medidas es el que detecta los problemas en el conductor de forma anticipada a que tengan
efecto en la conducción. Por ejemplo, cuando el conductor comienza a dar cabezadas o bandazos para
corregir la posición del coche ya lleva tiempo bajo los primeros efectos de la somnolencia, que se pueden
detectar a través del electrocardiograma, electroencefalograma, electrooculometría, electromiograma…
siendo los dos primeros los utilizados en los vehículos. Es por ello, que son los sistemas más eficaces de
detección de cansancio, somnolencia y distracción en la conducción ya que cuando lo detectan los
sistemas de patrones de conducción y visuales/faciales, puede ser demasiado tarde para evitar el
accidente [12].
 3.3.1 Pulso cardíaco

Hay 2 señales típicas indicativas de somnolencia que provienen del corazón. La primera de ellas es el
electrocardiograma y la segunda es la variabilidad del ritmo cardíaco.

Figura 14: Pulso cardíaco al quedarse dormido [23]

En la imagen anterior se observa que el pulso cardíaco aumenta cuando estamos en el proceso de caer
dormidos. No obstante, hay un lapso de tiempo suficientemente largo como para activar distintas señales
sonoras que adviertan al conductor de la peligrosidad de la situación.

Hay varias maneras de obtener la información del pulso cardíaco. La más desarrollada es una medida
intrusiva, la equivalente a los pulsómetros que utilizan los runners.

Figura 15: Medidor de frecuencia cardíaca BioHarness 3 [24]

Las tendencias de los métodos no invasivos, más adecuados en cualquier sistema utilizado en el
automóvil, son la medición a través del volante o del asiento, no habiéndose implantado en los vehículos.

En el volante se coloca una tela conductora de electricidad, que harán las veces de electrodos.

En cambio, en el asiento se pueden utilizar tanto trozos de tela conductora como placas metálicas. En
este caso, los electrodos no están en contacto directo con la piel. Esto se traduce en una alta impedancia
que limita la amplitud de la señal obtenida en función del tipo de ropa del conductor, como se puede ver
en la figura 16.
 Figura 16: Señal obtenida de ECG situado en el asiento para distintas prendas [25]

3.3.1.1 Sistemas en pruebas

Ford, en 2011, fue la primera marca que apostaba por la medición del ritmo cardíaco a través de unas
placas metálicas en el interior del forro del asiento. Su objetivo era únicamente detectar cuándo se daba
un ataque cardíaco y no los temas de cansancio o somnolencia. Querían conectarlo con otros sistemas
del vehículo que se pusieran en funcionamiento cuando se diera la situación de peligro, como el
seguimiento de líneas del carril, frenada automática… No obstante, en 2015 desecharon seguir
investigando en ello, ya que el avance de la electrónica y los wearables suponen una gran competencia y
además es mucho menos costosa [26].

Figura 17: ECG Seat de Ford [27]

A pesar de ello, sigue habiendo grupos de investigación en la línea de los asientos como medio de
medición del pulso cardíaco, como por ejemplo el Instituto Franunhofer [28] o la Universidad de
Nottingham Trent [29].
 Toyota apuesta por el modelo del volante. Su idea es que se active la frenada automática del automóvil
y que el propio vehículo llame a los servicios de urgencia cuando sea oportuno. No obstante, la
problemática de estos sistemas es que no siempre tenemos las manos apoyadas en el volante o no en la
misma posición y con la misma intensidad.

3.3.2 Actividad cerebral

Se han realizado diversos estudios en los que se demuestra que la monitorización de la actividad cerebral
es la manera más fidedigna para lograr detectar la somnolencia. Esto se debe a la facilidad para visualizar
la transición de despierto a dormido a través de la frecuencia de las ondas cerebrales, que se clasifican en
lo siguiente [30]:

 Beta: van del rango de 14 a 40 hercios. Corresponden al nivel más alto de alerta, en el que las ondas
cerebrales son más rápidas. En sus mayores frecuencias se produce el estrés en la persona debido a la
intensa actividad mental.

 Alfa: su rango está entre 7,5 y 14 hercios. Van ligadas a un estado de profunda relajación.

 Theta: su frecuencia se encuentra entre 4 y 7,5 hercios. Caracterizan a la persona por estar en una
meditación profunda y sueño ligero.

 Delta: es la frecuencia más lenta, yendo de 0,5 a 4 hercios. Corresponde al sueño profundo.

Tipo onda Frecuencia (Hz) Ejemplo Estado

Beta 14-40 Activo mentalmente

Alfa 7,5-14 Relajado

Theta 4-7,5 Adormilado

Delta 0,5-4 Sueño profundo

La disminución del poder de las ondas cerebrales, es decir, la disminución de ondas alfa en detrimento
de las ondas theta es un indicador de somnolencia.

Las ondas cerebrales son una señal muy débil, lo cual deriva en el siguiente problema: hay que amplificar
la señal de entrada. Esto hace que el ruido que existe en el propio vehículo al conducir también se
amplifique y sea difícil aislar la señal, por lo que previamente hay que realizar un correcto filtrado de la
señal. Una forma sencilla de mitigar este efecto es una adecuada colocación de los electrodos que dan la
frecuencia de las ondas cerebrales. Lo típico es la utilización de bandas en la cabeza, siendo esto un nuevo
problema, ya que es un método intrusivo de detección de los índices de somnolencia [31].

En ocasiones, el procesado de la señal de entrada puede requerir un tiempo de procesado computacional

bastante elevado, por lo que dadas las características de estos dispositivos, no serían para nada eficientes.
Esto conlleva a que las actuales investigaciones se enfoquen a compatibilizar el sistema EEG con otros
para que a través de distintas correlaciones se consigan obtener distintos patrones que generen el índice
de cansancio/somnolencia.
 Figura 18: Medición conjunta del EEG (B) y la reacción (C) al producirse una distracción al
volante (A) [32]

En la imagen anterior se puede observar también que el cambio repentino de la frecuencia de las ondas
cerebrales de alfa a beta (de menos a más nivel de atención) son indicativos de distracciones durante la
conducción.

3.3.2.1 Sistemas en investigación

Jaguar es una de las pocas empresas del sector del automóvil que está apostando por la investigación
en el tema de sistemas de detección de somnolencia y distracción a través de la medición de las ondas
cerebrales. Su proyecto recibe el nombre de “Mind Sense” y el objetivo es lograr la medición a través del
volante, de tal forma que no es un método intrusivo [33].

Según se ve en la siguiente figura, tratan de obtener un sistema híbrido, ya que también se pretende
obtener información a partir del pulso cardíaco y la respiración.

Figura 19: Proyecto de Jaguar de sistema de detección de somnolencia, salud y estrés [33]
 4. Retos y perspectivas de futuro

El principal reto de esta tecnología es la consecución de un sistema robusto y de respuesta rápida. Según
la revisión bibliográfica, las medidas fisiológicas son las más precisas aunque aún están en pleno proceso
de desarrollo, ya que se trata de una tecnología intrusiva. Los resultados de laboratorio de detección de
fatiga y somnolencia son realmente alentadores.

Además, la forma más adecuada para detectar las distracciones es el seguimiento del movimiento de la
cabeza o los ojos, por lo que un sistema híbrido que combine varias de las tecnologías puede arrojar
mejores resultados.

Figura 20: Sistema híbrido de detección de somnolencia [12]

Estos sistemas híbridos fusionan los distintos parámetros de entrada gracias a las redes neuronales.

Figura 21: Arquitectura de red neuronal [9]

Actualmente hay varios grupos de investigación que tratan de desarrollar un producto que mida el ECG
y EEG y sea no invasivo.

Por ejemplo, el Instituto de Biomecánica de Valencia está desarrollando textiles inteligentes que
miden tanto la actividad cardíaca como la respiración del conductor. Dichos textiles van incorporados
tanto en la cubierta del asiento como en el cinturón de seguridad [34].

En el reciente CES 2016 (Consumer Electronics Show), el fabricante Harman presentó un innovador
de sistema de medición del cansancio, la distracción o hasta la sobre-estimulación, el primero que analiza
las dilataciones de la pupila del conductor. Es decir, se trata de un nuevo sistema de seguimiento ocular
y, la idea de Harman es que no haga falta un sistema híbrido con sensores biométricos que necesitan del
contacto con el conductor (y por ello pueden inducir a error) [35].
 5. Conclusiones

En un futuro no muy lejano, los vehículos vendrán equipados de serie con sistemas de detección de
distracción, somnolencia y cansancio en la conducción, ya que estas circunstancias son las causantes de
un tercio de los accidentes.
A corto plazo, las medidas se basarán en parámetros de conducción, como son las correcciones de volante
para mantener el coche en la posición central del carril y la frecuencia de dichas correcciones. No obstante,
las distracciones son difíciles de detectar con estos sistemas, por lo que un resultado óptimo se logra
combinando los patrones de conducción con el seguimiento facial y ocular a través de cámaras en el
interior del vehículo. Además, utilizando varias medidas de distinto origen, se obtienen resultados más
precisos y se evita la obtención de falsos positivos (o negativos), motivo por cual aún no se comercializan
más de estos sistemas de detección.

Aunque en los simuladores se obtienen buenos resultados, todos estos sistemas aún no constan de la
precisión suficiente en condiciones cambiantes, tanto de la carretera como climáticas. Es por ello que el
trabajo en estos sistemas se centra en el ajuste del tratamiento de datos.
A largo plazo, la tendencia puede ir al uso de medidas fisiológicas como parámetros de análisis, ya que
estos son los únicos capaces de detectar el deterioro de las capacidades del conductor antes de que se
produzca cualquier tipo de percance en la carretera. Su problema actual es que tanto el pulso cardíaco
como las ondas cerebrales necesitan de equipamiento adicional en torno al conductor, y se trata de un
método intrusivo. En obtener sistemas no invasivos que tomen medidas fisiológicas se centrarán las
principales investigaciones, pudiéndose incluso aprovechar del desarrollo de los distintos wearables.
El siguiente paso, una vez detectada las malas condiciones del conductor para ejercer la conducción, es
la actuación. En la actualidad, esto se centra en señales acústicas y luminosas que sugieren un descanso
al conductor pero, ¿es esta la solución ideal?
Realmente no, ya que el conductor podría realizar una parada y volver al volante sin estar en las
condiciones óptimas. Lo ideal es que el propio vehículo tome el control mediante la activación de sistemas
de asistencia a la conducción o el vehículo autónomo, por lo que el desarrollo de esta tecnología va de la
mano del coche autónomo.

Agradecimientos
Es mi deseo dar las gracias tanto al profesor Felipe Jiménez Alonso por la ayuda y apoyo recibido en
el desarrollo de esta monografía, como a los profesores de la Cátedra de Transportes y del INSIA que
imparten la asignatura Organización, Desarrollo y Participación en Eventos de Difusión Científica y han
hecho posible la realización de esta actividad, especialmente a su coordinadora, Profesora Blanca Arenas.
Asimismo, quisiera reconocer el trabajo y colaboración de mis compañeros en el desarrollo de las ‘II
Jornadas sobre Innovación y Retos en Automoción’. Por último, destacar el apoyo incondicional de mis
familiares más cercanos.
Gabriel Castrillo

Desde ASEPA, queremos felicitar a Gabriel Castrillo por el trabajo que ha realizado con este
interesante artículo, bajo la tutoría del profesor Felipe Jiménez, y que al publicarlo como número
especial de este Boletín para el mes de agosto, nos gustaría sensibilizar a todos sobre las precauciones
que debemos tomar para evitar los efectos de la distracción, somnolencia y cansancio que afectan a la
seguridad. También, desear y confiar que la investigación en este campo nos permita disfrutar en el plazo
menor posible de la ayuda de la tecnología para eliminar totalmente los accidentes por estas causas.
Francisco Aparicio
Presidente ASEPA
 Referencias

[1] German Insurance Association. Disponible en: http://www.en.gdv.de/about-us/

[2] Accidentes de tráfico. [Fecha de consulta: mayo de 2016]. Disponible en:
https://es.wikipedia.org/wiki/Accidente_de_tr%C3%A1fico#Causas
[3] Henry J. Moller (2006). Simulator performance, microsleep episodes, and subjective sleepiness:
normative data using convergent methodologies to assess driver drowsiness. Human Performance
Laboratory and Sleep Research Unit. University of Toronto, Canada.
[4] Sarah Otmani (2005). Effect of driving duration and partial sleep deprivation on subsequent alertness
and performance of car drivers. Centre d’Etudes de Physiogie Appliquée (CEPA-CNRS), Strasbourg,
France
[5] Peters RD, Wagner EK (1999). Effects of partial and total sleep deprivation on driving performance.
Public Roads.
[6] Fairclough SH, Graham R (1999). Impairment of driving performance caused by sleep deprivation or
alcohol: a comparative study. Hum Factors.
[7] Céline Craye, Fakhri Karray (2015). Driver distraction detection and recognition using RGB-D sensor.
Electrical and Computer Engineering, University of Waterloo. Disponible en:
http://arxiv.org/pdf/1502.00250.pdf
[8] Víctor Chamby (2006) Investigación de la fatiga en la conducción de camiones cisternas. Disponible
en: http://www.monografias.com/trabajos40/fatiga-conductor-camiones/fatiga-conductor-
camiones2.shtml
[9] Iván García (2011). Detección de fatiga en conductores mediante fusión de sistemas ADAS. Tesis
Doctoral, Universidad de Alcalá. Disponible en:
http://dspace.uah.es/dspace/bitstream/handle/10017/16621/main.pdf?sequence=1
[10] Real Academia Española. Disponible en: www.rae.es/
[11] S. Nordbakke, F. Sagerg (2006). Sleepy at the wheel: Knowledge, symptoms and behaviour among
car drivers. Institute of Transport Economics, Oslo, Noruega.
[12] Arun Sahayadhas (2012). Detecting Driver Drowsiness Based on Sensors: A Review. Disponible en:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC3571819/
[13] Los sistemas de detección de la fatiga del conductor [Fecha de consulta: abril de 2016]. Disponible
en: http://www.centro-
zaragoza.com:8080/web/sala_prensa/revista_tecnica/hemeroteca/articulos/R42_A7.pdf
[14] Sociedad de Ingenieros Automotrices. Disponible en: http://www.sae.org/
[15] Kim Jinkwon. Driver’s drowsiness warning system based on analyzing driving patterns and facial
images. Driver Assistant System Development Team, R&D Division for Hyundai Motor Company,
República de Corea. Disponible en: http://www-esv.nhtsa.dot.gov/Proceedings/23/files/23ESV-
000158.PDF
[16] Volkswagen incorpora el Detector de Fatiga de Bosch (2015). [Fecha de consulta: abril de 2016].
Disponible en: http://www.motor.mapfre.es/consejos-practicos/seguridad-vial/2134/volkswagen-
detector-de-fatiga-bosch-de-serie
[17] Seatecnología: detector de fatiga (2013). [Feha de consulta: mayo de 2016]. Disponible en:
http://www.seatfansclub.com/2013/01/seatecnologia-detector-de-fatiga.html
[18] El Attention Assist de Mercedes-Benz, un nuevo sistema de ayuda al conductor (2008). [Fecha de
consulta: mayo de 2016]. Disponible en: http://www.motorpasion.com/mercedes/el-attention-assist-
de-mercedes-benz-un-nuevo-sistema-de-ayuda-al-conductor
[19] S. Demidenko (2015). Eye Tracking System to Detect Driver Drowsiness. School of Engineering and
Advanced Technology, Massey University, Albania.
[20] Dimitri J. Walger. A comparison of features for regression-based driver head pose estimation under
varying illumination conditions. Cranfield University, Bedfordshire, Reino Unido. Disponible en:
http://breckon.eu/toby/publications/papers/walger14headpose.pdf
[21] SmartEye (2016). [Fecha de consulta: mayo de 2016]. Disponible en: http://www.smarteye.se
[22] Volvo uses face recognition to help tired drivers (2014) [Fecha de consulta: abril de 2016].
Disponible en: http://www.gizmag.com/volvo-automated-driver-monitoring/31257/
[23] Brandy Warwick. Detecting Driver Drowsiness using Wireless Wearables. Department of Computer
Science, Texas State University, Texas.
[24] BioHarness 3, Model BHS3 [Fecha de consulta: mayo de 2016]. Disponible en:
http://www.zephyranywhere.com/products/bioharness-3
[25] Vaishali V Kumar. Non intrusive drunken driving and driver drowsiness detection. Electronics and
Communication, Sri Sairam Engineering College. Disponible en:
http://ijrise.org/asset/archive/15_September1.pdf
[26] Ford ends its ECG Seat plans (2015). [Fecha de consulta: mayo de 2016]. Disponible en:
http://www.ccsinsight.com/blog/ford-ends-its-ecg-seat-plans
[27] Ford’s heart monitoring driver’s seat [Fecha de consulta: mayo de 2016]. Disponible en:
http://www.diseno-art.com/news_content/2011/05/fords-heart-monitoring-drivers-seat/
[28] Researchers develop a heart monitor for your driver’s seat (2015). [Fecha de consulta: mayo de 2016].
Disponible en: http://www.gizmag.com/car-seat-ecg/40230/
[29] Estos novedosos asientos podrían evitar que te mates (2016). [Fecha de consulta: junio de 2016].
Disponible en: http://www.autobild.es/noticias/estos-novedosos-asientos-podrian-evitar-que-te-
mates-290069
[30] Las ondas cerebrales y los estados de la mente (2008) [Fecha de consulta: mayo de 2016].
Disponible en:
http://www.bibliotecapleyades.net/ciencia/ciencia_brain69.htm
[31] Chin-Teng Lin (2005). EEG-Based Drowsiness Estimation for Safety Driving Using Independent
Component Analysis. Department of electronic and control Engineering, Hsin-Chu University, Taiwan.
[32] Chih-Sheng Huang (2015). Identifying changes in EEG information transfer during drowsy driving
by transfer entropy. Disponible en:
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC4615826/
[33] Jaguar Land Rover road safety research includes brain wave monitoring to improve driver
concentration and reduce accidents (2015). [Fecha de consulta: mayo de 2016]. Disponible en:
http://newsroom.jaguarlandrover.com/en-in/jlr-
corp/news/2015/06/jlr_road_safety_ressearch_brain_wave_monitoring_170615/
[34] Un nuevo dispositivo hecho de textiles inteligentes medirá la fatiga del conductor (2014). [Fecha de
consulta: mayo de 2016]. Disponible en: http://www.agenciasinc.es/Noticias/Un-nuevo-dispositivo-
hecho-de-textiles-inteligentes-medira-la-fatiga-del-conductor
[35] El primer sistema que mide el cansancio según las pupilas (2016). [Fecha de consulta: abril de 2016].
Disponible en: http://www.autobild.es/noticias/las-pupilas-ojo-diran-al-coche-estado-conductor-
277679
 Boletín editado por la Asociación Española de Profesionales de Automoción (ASEPA)
Sede del INSIA – Campus Sur UPM – Carretera Valencia, km. 7 – 28031 MADRID
Tfno: 91 336 53 19 – Fax: 91 336 53 02 – Web: http://www.asepa.es

Los Socios Protectores no son responsables de las noticias publicadas en este Boletín
Para consultas o si no desea recibir este Boletín, comunicar a asepa@asepa.es