Evaluando la carga cognitiva del conductor con el conjunto de datos CL-Drive

Conducir puede ser peligroso. Cada año ocurren muchos accidentes, a menudo porque los conductores están distraídos. Las distracciones pueden venir de distintas fuentes, como usar el teléfono o sentirse cansado. Una razón para la distracción es la alta Carga Cognitiva, que significa que el cerebro está intentando manejar demasiada información de una vez. La carga cognitiva puede afectar lo bien que una persona realiza una tarea. Si un conductor se siente abrumado, puede que no responda lo suficientemente rápido, lo que lleva a accidentes.

Para ayudar a reducir los accidentes causados por la alta carga cognitiva, los vehículos pueden usar tecnología para medir cuánta energía mental está usando un conductor. Las interfaces cerebro-computadora (BCIs) pueden proporcionar comunicación en tiempo real entre el conductor y el vehículo. Estas tecnologías pueden rastrear la actividad cerebral, lo que puede indicar cuándo un conductor está sobrecargado. Este artículo presenta un nuevo conjunto de datos llamado CL-Drive, diseñado para evaluar la carga cognitiva del conductor.

#¿Qué es la Carga Cognitiva?

La carga cognitiva se refiere a cuánta energía mental se necesita para completar una tarea. Hay dos tipos principales de carga cognitiva:

1. Carga Cognitiva Intrínseca: Esta es la dificultad de la tarea en sí. Por ejemplo, tareas complejas como resolver problemas avanzados de matemáticas tienen una alta carga intrínseca.

2. Carga Cognitiva Extrínseca: Esta es causada por factores externos no relacionados con la tarea. Por ejemplo, si un conductor está hablando con un pasajero o escuchando música alta, su carga cognitiva puede aumentar, dificultando la concentración en la conducción.

El rendimiento de un conductor está influenciado por su carga cognitiva. Si la carga se vuelve demasiado alta, puede llevar a un mal desempeño. En la conducción, esto puede aumentar el riesgo de un accidente.

#¿Por Qué Medir la Carga Cognitiva en la Conducción?

Para mejorar la seguridad en las carreteras, es esencial monitorear la carga cognitiva de un conductor mientras conduce. Entender cuándo un conductor está sobrecargado puede ayudar a tomar medidas proactivas para prevenir accidentes. Por ejemplo, si un sistema detecta que la carga cognitiva es demasiado alta, podría alertar al conductor, sugiriendo que tome un descanso o reduzca las distracciones.

Las BCIs pueden ofrecer una forma de medir la carga cognitiva a través de dispositivos no invasivos, como bandas para la cabeza de EEG (electroencefalografía). Los datos recopilados de estos dispositivos pueden ayudar a crear modelos que predigan la carga cognitiva basándose en la actividad cerebral y otras señales fisiológicas.

#Resumen del Conjunto de Datos CL-Drive

CL-Drive es un nuevo conjunto de datos que incluye varios tipos de datos recopilados de 21 conductores mientras usaban un simulador de conducción. El objetivo era recopilar datos bajo diferentes condiciones de conducción para evaluar con precisión la carga cognitiva del conductor. Este conjunto de datos incluye:

• Señales de EEG: Mide la actividad cerebral.
• ECG (Electrocardiografía): Registra la actividad del corazón.
• EDA (Actividad Electrodermal): Mide la conductancia de la piel, lo que puede indicar niveles de estrés.
• Datos de seguimiento ocular: Captura los movimientos oculares.

El experimento involucró a los conductores completando tareas de dificultad variable durante tres minutos cada una. Cada diez segundos, los conductores informaron su carga cognitiva percibida. Este enfoque permite a los investigadores correlacionar la carga cognitiva informada con los datos fisiológicos recopilados.

#Proceso de Recopilación de Datos

El estudio se llevó a cabo utilizando un simulador de conducción, que imita las condiciones reales de conducción. Cada conductor participó en varios escenarios de conducción diseñados para inducir diferentes cargas cognitivas.

#Participantes

Un total de 23 personas participaron en el estudio. Entre ellos había 17 mujeres y 6 hombres. Antes de comenzar el experimento, los participantes recibieron instrucciones detalladas sobre el estudio y dieron su consentimiento por escrito para participar.

#Simulador de Conducción

El simulador de conducción fue diseñado para proporcionar una experiencia realista. Contó con un volante, un tablero de instrumentos y un sistema de movimiento para replicar la sensación de conducir. El simulador incluía tres pantallas grandes que ofrecían una vista de 180 grados, junto con sonido envolvente para mejorar la experiencia.

#Escenarios de Conducción

Los participantes completaron nueve escenarios de conducción diferentes, cada uno variando en complejidad. Estos escenarios fueron creados para inducir diferentes niveles de carga cognitiva. Cada tarea de conducción duró tres minutos, seguidos de períodos de descanso para permitir que los participantes se recuperaran mentalmente.

#Recopilación de Datos

Durante las tareas de conducción, se recopilaron señales fisiológicas a través de varios sensores. Los datos recopilados incluyeron ondas cerebrales (de EEG), frecuencia cardíaca (de ECG), conductancia de la piel (de EDA) y movimiento ocular (de seguimiento ocular). Los sensores registraron señales de forma continua, lo que permitió a los investigadores analizar cómo cambiaba la carga cognitiva con el tiempo.

Cada diez segundos, se pidió a los participantes que informaran verbalmente su carga cognitiva, que luego fue registrada. Esta medida subjetiva se utilizó como etiqueta de verdad absoluta para el análisis.

#Desafíos en la Medición de la Carga Cognitiva

Medir la carga cognitiva puede ser complejo. Se pueden usar medidas subjetivas y objetivas. Las calificaciones subjetivas provienen de autorreportes, mientras que las medidas objetivas se basan en datos fisiológicos. Cada método tiene sus ventajas y desventajas.

Por ejemplo, el autorreporte puede ser subjetivo y puede estar influenciado por factores como el estado de ánimo o el estrés. Por otro lado, los datos fisiológicos pueden proporcionar información más objetiva, pero también pueden verse afectados por variables como la salud física o las condiciones ambientales.

#Investigaciones Relacionadas

Estudios anteriores han explorado el impacto de la carga cognitiva en el rendimiento de conducción, principalmente en situaciones que involucran distracciones, como el uso del teléfono. Algunos investigadores se han centrado en medir la carga cognitiva a través de varios métodos, incluyendo el seguimiento ocular y señales fisiológicas como la frecuencia cardíaca.

Muchos conjuntos de datos existentes en este área han tenido limitaciones, como ser probados solo fuera de los escenarios de conducción o carecer de datos multimodales completos. El conjunto de datos CL-Drive tiene como objetivo llenar estos vacíos al proporcionar un conjunto rico de datos recolectados específicamente en un contexto de conducción.

#Importancia de los Datos Multimodales

Usar múltiples tipos de datos (datos multimodales) puede proporcionar una comprensión más completa de la carga cognitiva. Por ejemplo, combinar EEG, ECG, EDA y seguimiento ocular puede permitir mejores predicciones, ya que cada tipo de datos puede revelar diferentes aspectos de cómo se siente un conductor.

Los datos de EEG pueden mostrar la actividad cerebral, mientras que el ECG captura las variaciones de la frecuencia cardíaca que pueden indicar estrés. EDA puede proporcionar información sobre las reacciones físicas a la carga cognitiva, y el seguimiento ocular puede revelar cómo cambian la atención durante tareas de conducción complejas.

#Protocolo del Experimento

El protocolo del experimento incluyó múltiples fases para asegurar que los participantes se sintieran cómodos y entendieran las tareas. Cada participante primero completó una recopilación de datos de referencia para establecer lecturas fisiológicas normales.

El flujo del experimento involucró alternar escenarios de conducción con períodos de descanso. Después de cada escenario, los participantes tenían un descanso para minimizar la carga cognitiva y evitar incomodidades por la simulación.

#Procesamiento de Datos

Una vez completada la recopilación de datos, se llevó a cabo varios pasos de procesamiento. Esto incluyó filtrar el ruido de las señales de EEG y abordar los valores faltantes en los datos de ECG.

Para cada tipo de dato, los investigadores aplicaron técnicas específicas para limpiar y preparar los datos para el análisis. Por ejemplo, se utilizó un filtro de paso de banda en los datos de EEG para aislar las frecuencias relevantes, mientras que se usaron métodos estadísticos para llenar los valores faltantes en los datos de ECG.

#Extracción de Características

Después de procesar los datos, los investigadores extrajeron características que podrían usarse para el análisis. La extracción de características implica seleccionar métricas específicas de los datos en bruto que pueden ayudar a distinguir diferentes niveles de carga cognitiva.

Para los datos de EEG, se calcularon varias características tanto del dominio del tiempo como del dominio de la frecuencia. De manera similar, se extrajeron características de ECG, EDA y datos de mirada, proporcionando un conjunto de métricas para trabajar en modelos de aprendizaje automático.

#Modelos de Aprendizaje Automático y Aprendizaje Profundo

Para evaluar los datos de carga cognitiva, se entrenó una serie de modelos de aprendizaje automático y aprendizaje profundo en las características extraídas.

#Clasificadores de Aprendizaje Automático

Se utilizaron una variedad de clasificadores de aprendizaje automático clásicos, incluyendo:

• AdaBoost
• Árbol de Decisión
• Máquina de Vectores de Soporte
• Bosque Aleatorio
• Perceptrón de Múltiples Capas

Estos modelos aprendieron patrones en los datos para clasificar la carga cognitiva en diferentes categorías, como baja o alta.

#Modelos de Aprendizaje Profundo

También se emplearon modelos de aprendizaje profundo en el análisis. Se utilizaron dos tipos de redes neuronales convolucionales:

• Red Estilo VGG: Esta arquitectura de red consiste en varias capas destinadas a extraer características de los datos.

• Red Estilo ResNet: Otro tipo de red que ayuda a identificar patrones complejos en los datos.

Ambos modelos fueron entrenados utilizando las características extraídas del conjunto de datos y evaluados en su rendimiento para clasificar la carga cognitiva.

#Evaluación de Resultados

Los modelos fueron evaluados en función de su capacidad para clasificar con precisión la carga cognitiva. La evaluación se realizó utilizando varios métodos, incluyendo técnicas de validación cruzada.

#Comparación de Resultados

Los resultados mostraron que tanto los modelos de aprendizaje automático como los de aprendizaje profundo podían diferenciar efectivamente entre diferentes niveles de carga cognitiva. Generalmente, los sistemas que usaban múltiples tipos de datos ofrecían mejores resultados de clasificación que aquellos que se basaban en un solo tipo de datos.

En términos de rendimiento, los clasificadores de aprendizaje automático generalmente superaron a los modelos de aprendizaje profundo cuando se entrenaron con características extraídas. Sin embargo, los modelos de aprendizaje profundo aún presentaron resultados prometedores, particularmente cuando se entrenaron con datos en bruto.

#Conclusión

El conjunto de datos CL-Drive ofrece una oportunidad única para estudiar la carga cognitiva en conductores utilizando mediciones fisiológicas avanzadas. Al integrar varios tipos de datos, el conjunto de datos enriquece nuestra comprensión de cómo la carga cognitiva afecta el rendimiento de conducción.

Los hallazgos destacan el potencial de usar estas tecnologías para crear vehículos más inteligentes y seguros. Al monitorear la carga cognitiva en tiempo real, podemos desarrollar sistemas que alerten a los conductores antes de que se sientan abrumados, lo que, en última instancia, lleva a carreteras más seguras.

Investigaciones futuras pueden construir sobre este conjunto de datos, explorando variables adicionales y refinando modelos predictivos. El potencial del aprendizaje automático y del aprendizaje profundo para mejorar la seguridad vial es sustancial, y el conjunto de datos CL-Drive sienta una base sólida para estudios futuros en esta área vital.