🤖 machine learning

Human Centered Non Intrusive Driver State Modeling Using Personalized Physiological Signals in Real World Automated Driving

Este estudio demuestra que los modelos personalizados de monitoreo del estado del conductor, basados en señales fisiológicas no intrusivas y aprendizaje profundo, superan significativamente a los modelos generalizados en vehículos automatizados, alcanzando una precisión del 92,68% frente al 54% y subrayando la necesidad de sistemas adaptativos a la variabilidad individual.

Autores originales: David Puertas-Ramirez, Raul Fernandez-Matellan, David Martin Gomez, Jesus G. Boticario

Publicado 2026-04-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: David Puertas-Ramirez, Raul Fernandez-Matellan, David Martin Gomez, Jesus G. Boticario

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Claro que sí! Imagina que este artículo es como una receta de cocina para hacer que los coches autónomos sean más seguros y "entiendan" mejor a sus conductores. Aquí te lo explico de forma sencilla, usando analogías de la vida cotidiana.

🚗 El Problema: El "Cochecito" que no te conoce

Imagina que tienes un coche nuevo con un piloto automático muy avanzado (nivel 2 o 3). Este coche puede manejar solo, pero tú sigues siendo el capitán. Si el coche se pierde o hay un problema, tiene que gritar: "¡Oye, coge el volante!".

El problema es que los sistemas actuales de vigilancia del conductor son como un maestro de escuela muy estricto pero ciego: miran a todos los alumnos con la misma regla. Si un alumno se distrae, el maestro lo nota. Pero si otro alumno tiene una forma diferente de distraerse (quizás se queda quieto en lugar de moverse), el maestro no lo ve.

En la vida real, cada persona es única. Lo que le pasa a tu cuerpo cuando estás cansado o distraído no es igual a lo que le pasa al de tu vecino. Los sistemas actuales intentan crear una "fórmula mágica" que funcione para todos, y eso es como intentar ponerle un solo talla de zapato a toda la familia: a algunos les queda bien, pero a la mayoría les aprieta o les queda grande.

🔍 La Solución: El "Detective Personalizado"

Los autores de este estudio decidieron probar algo diferente: ¿Y si en lugar de una regla para todos, creamos un "detective" que solo conoce a ti?

Para esto, usaron un reloj inteligente (Empatica E4) que los conductores llevaban en la muñeca. Este reloj no es invasivo (no te pincha ni te pega electrodos en la cabeza); solo mide cosas naturales como:

Tu ritmo cardíaco.
Si te sudan las manos (actividad eléctrica de la piel).
Tu temperatura.
Tus movimientos.

🖼️ La Magia: Convertir el pulso en "Fotos"

Aquí viene la parte creativa. Las computadoras son geniales reconociendo patrones en imágenes (como cuando tu teléfono desbloquea la cara), pero los datos del reloj son solo números que cambian con el tiempo (una línea que sube y baja).

Los investigadores tuvieron una idea brillante: transformaron esos números en "fotos".
Imagina que tomas 30 segundos de tu ritmo cardíaco y sudoración y los conviertes en una imagen abstracta, como un mapa de calor o un dibujo artístico. Una vez que tienen estas "fotos" de tu estado físico, usaron una Inteligencia Artificial muy famosa (llamada ResNet50) que es experta en reconocer patrones en imágenes.

Es como si le dijeras a la IA: "Mira esta foto de tu pulso, ¿parece que estás alerta o que te estás quedando dormido?".

🧪 El Experimento: La prueba de fuego

Hicieron una prueba en la carretera real (no en un videojuego) con 4 conductores.

El enfoque "General" (El maestro ciego): Entrenaron a la IA con datos de los 4 conductores mezclados.
El enfoque "Personalizado" (El detective): Entrenaron a una IA diferente para cada conductor, usando solo sus propios datos.

📉 Los Resultados: ¡La diferencia es abismal!

Aquí es donde la historia se pone interesante:

El modelo General (para todos): Cuando intentaron usarlo en un conductor nuevo, falló estrepitosamente. Aciertó solo el 54% de las veces. Es como si un médico tratara a todos los pacientes con la misma medicina sin preguntarles sus síntomas; a veces funciona, pero a menudo es un desastre.
El modelo Personalizado (solo para ti): Cuando la IA solo conocía los datos de ese conductor específico, acertó el 92.68% de las veces. ¡Es casi perfecto!

La analogía final:
Imagina que tienes un amigo que sabe exactamente cómo te sientes cuando estás cansado. Si te ve bostezar, sabe que estás agotado. Ahora imagina a un extraño que te ve bostezar; podría pensar que solo tienes sueño o que te duele la cabeza.
El estudio demuestra que cada conductor tiene su propia "firma" fisiológica. Lo que significa "estar alerta" para ti, es diferente para tu vecino.

💡 ¿Qué significa esto para el futuro?

El mensaje principal es que los coches autónomos del futuro no deberían intentar ser "expertos en todos". Deberían ser expertos en ti.

Aprendizaje continuo: El coche debería empezar con un conocimiento general, pero mientras conduces, debería aprender cómo tu cuerpo reacciona.
Seguridad real: Si el coche sabe exactamente cómo se siente tu cuerpo cuando estás a punto de perder la atención, podrá pedirte que tomes el control justo a tiempo, sin falsas alarmas.
No hay talla única: En el mundo de la conducción automatizada, la personalización no es un lujo, es una necesidad de seguridad.

En resumen: Para que los coches autónomos sean realmente seguros, deben dejar de tratar a todos los conductores como si fueran iguales y empezar a entender la "huella digital" única de cada uno de nosotros.

Título: Modelado de Estado del Conductor Centrado en el Humano No Intrusivo Utilizando Señales Fisiológicas Personalizadas en Conducción Automatizada del Mundo Real

1. Planteamiento del Problema

En vehículos con automatización parcial o condicional (Niveles 2-3 de la SAE), el conductor sigue siendo responsable de supervisar el sistema y responder a las solicitudes de toma de control (TOR). Esto crea la "paradoja de la automatización": cuanto más fiable es el sistema, más difícil es para el humano mantener la atención.

Limitación actual: La mayoría de los Sistemas de Monitorización del Conductor (DMS) existentes utilizan modelos generalizados que ignoran la variabilidad fisiológica individual.
Brecha de investigación: Los estudios previos se han centrado en entornos simulados o han utilizado sensores intrusivos (EEG, EMG) que no son viables en el mundo real. Existe una falta de evidencia sobre la eficacia de sensores no intrusivos en condiciones de conducción real y la necesidad de modelos personalizados frente a modelos genéricos.

2. Metodología

El estudio se llevó a cabo en un vehículo real de Nivel 2 (Toyota Prius con OpenPilot) en carreteras públicas, utilizando un enfoque de conducción natural.

Adquisición de Datos:
- Sensor: Pulsera Empatica E4 (no intrusiva).
- Señales Capturadas: Actividad Electrodérmica (EDA), Frecuencia Cardíaca (HR), Temperatura de la piel (TEMP), Pulso de Volumen Sanguíneo (BVP) y datos de acelerómetro (x, y, z).
- Participantes: 4 conductores masculinos certificados (3 de 25-29 años, 1 de 45-49 años).
- Escenarios: 16 situaciones distintas diseñadas para elicitar diferentes estados de alerta (cambios de carril, distracciones, eventos inesperados, etc.).
Procesamiento de Señales (Pipeline Señal-Imagen):
- Transformación: Para aprovechar arquitecturas de Deep Learning diseñadas para imágenes (CNN), las series temporales unidimensionales se convirtieron en representaciones bidimensionales (imágenes).
- Técnicas de Codificación: Se evaluaron Recurrence Plots (RP), Gramian Angular Fields (GAF) y Markov Transition Fields (MTF).
- Mejor Método: Los Recurrence Plots Continuos (Continuous RP) demostraron ser superiores.
- Preprocesamiento: Resampling a 4 Hz, ventanas de 30 segundos, normalización combinada (global y local) y recorte de valores extremos.
Arquitectura del Modelo:
- Base: ResNet50 pre-entrenado (Transfer Learning).
- Entrada: 7 imágenes (una por cada canal de señal fisiológica).
- Extracción de Características: Se extraen vectores de 2048 dimensiones de la penúltima capa de ResNet50 para cada señal, concatenándolos en un vector de 14,336 dimensiones.
- Reducción de Dimensionalidad: PCA (Análisis de Componentes Principales) reducido a 100 componentes.
- Clasificador: Una red neuronal totalmente conectada (FC) con dos capas ocultas que clasifica en 4 estados de conciencia: Low-Low (LL), Low (L), High (H), High-High (HH).

3. Contribuciones Clave

Validación en Mundo Real: Primera demostración de monitorización fisiológica no intrusiva en un vehículo automatizado de Nivel 2 en condiciones de tráfico reales, superando las limitaciones de los simuladores.
Pipeline Señal-Imagen: Propuesta de una arquitectura multimodal que transforma series temporales fisiológicas en imágenes para utilizar CNNs pre-entrenadas, facilitando la extracción de patrones complejos.
Evidencia de Variabilidad Inter-individual: Demostración empírica de que los patrones fisiológicos relacionados con la conciencia del conductor varían drásticamente entre individuos.
Prueba de la Necesidad de Personalización: Evidencia estadística de que los modelos personalizados superan significativamente a los modelos generalizados, sugiriendo que los futuros sistemas de conducción autónoma deben adaptarse al perfil fisiológico único de cada usuario.

4. Resultados

Rendimiento de Modelos Personalizados:
- Los modelos entrenados exclusivamente con los datos de un solo usuario alcanzaron una precisión promedio del 92.68% (rango: 87.52% - 96.52%).
- Esto valida la hipótesis de que es posible clasificar estados de conciencia con alta precisión usando sensores no intrusivos si se personaliza el modelo.
Rendimiento de Modelos Generalizados (Cross-Subject):
- Cuando los modelos entrenados en un usuario se probaron en otros, la precisión cayó drásticamente a un promedio del 54% (rango: 40.62% - 63.52%).
- Esto confirma la alta variabilidad inter-individual y la dificultad de generalizar patrones fisiológicos sin adaptación.
Modelos Combinados (Multi-usuario):
- Entrenar un modelo con datos de múltiples usuarios (3 usuarios para entrenar, 1 para probar) resultó en un rendimiento mediocre (~53.76% de precisión).
- Además, los modelos combinados mostraron alta inestabilidad y variabilidad en la sensibilidad (recall) entre diferentes estados de alerta y usuarios, lo que es peligroso en contextos de seguridad crítica.
Comparativa Estadística: La diferencia de rendimiento entre el enfoque personalizado y el combinado es estadísticamente significativa ( $p < 0.001$ ).

5. Significado e Implicaciones

Cambio de Paradigma: El estudio desafía la noción de que un modelo único puede servir para todos los conductores. Sugiere que la monitorización del conductor debe ser adaptativa y personalizada.
Seguridad en la Automatización: Para garantizar una colaboración segura humano-máquina en niveles 2-3, los sistemas deben evitar falsos positivos/negativos derivados de modelos genéricos que no capturan la fisiología específica del conductor.
Futuro de los Sistemas: Se propone un enfoque híbrido: iniciar con un modelo generalizado para una monitorización inmediata, pero evolucionar hacia un modelo personalizado a medida que el sistema recopila datos del conductor específico (aprendizaje continuo).
Viabilidad de Sensores: Confirma que sensores comerciales no intrusivos (como la Empatica E4) son suficientes para obtener datos de alta calidad en entornos ruidosos del mundo real, eliminando la necesidad de equipos médicos costosos para esta aplicación.

En conclusión, el artículo establece que la personalización no es solo una mejora opcional, sino un requisito fundamental para la fiabilidad y seguridad de los sistemas de monitorización del conductor en vehículos automatizados.