Modelo de machine learning identifica fontes de estresse ao dirigir

Machine Learning no Estudo de Estresse de Motoristas

Pesquisadores da Universitat Oberta de Catalunya (UOC) aplicam técnicas de machine learning para analisar fatores visuais que influenciam o estresse de motoristas, com o objetivo de melhorar a segurança nas estradas e o bem-estar dos condutores.

Contexto da pesquisa

Em 2024, foram registrados 1.040 acidentes nas estradas espanholas, resultado de fatores como velocidade excessiva e condições climáticas adversas. No entanto, o estudo da UOC destaca que o estresse do motorista e a distração, muitas vezes ligados ao cenário visual, também desempenham papéis cruciais na segurança viária.

Método proposto

A equipe da UOC utilizou um modelo de inteligência artificial que analisa o ambiente visual das rodovias, levando em conta elementos como a presença de pedestres e veículos. O estudo empregou diferentes modelos de machine learning, incluindo máquinas de vetor de suporte (SVM) e redes neurais convolucionais (CNN), além de redes temporais segmentadas (TSN) para avaliar vídeos e imagens. O foco foi exclusivamente nos dados visuais, ignorando sinais fisiológicos e gravações de manobras de veículos, uma abordagem inédita.

“Até agora, não consideramos que dirigimos em um contexto visual e que as condições urbanas afetam o nível de estresse do motorista. Nosso estudo é o primeiro a analisar esse contexto visual como uma fonte adicional de dados.”
(“Up to now, we haven’t taken into account that we drive in a visual context and that conditions in the urban setting matter as they affect the driver’s stress level. Our study is the first to analyze the visual context of urban scenery as an additional source of data to estimate stress.”)

— Cristina Bustos, Pesquisadora, UOC

Resultados e impacto

Os resultados evidenciaram que a presença de pedestres, veículos em movimento e sinais de trânsito são fatores que aumentam o estresse do motorista. A análise revela que esses elementos tornam a experiência de dirigir mais complexa e aumentam a carga cognitiva do condutor.

“Identificar quais elementos são os mais estressantes permite que planejadores urbanos e autoridades de trânsito tomem medidas para mitigar esses efeitos, contribuindo para maior segurança nas estradas.”
(“By identifying which elements are the most stressful, urban planners and traffic authorities can take measures to mitigate these effects, contributing to greater road safety.”)

— Cristina Bustos, Pesquisadora, UOC

Os próximos passos da pesquisa incluem expandir a diversidade de dados e explorar modelos multimodais que integrem tipos diferentes de dados não invasivos. Esse estudo pode servir de base para o desenvolvimento de assistentes de direção que alertem sobre condições estressantes em tempo real.

Fonte: (TechXplore – Machine Learning & AI)