Die Erkennung von Müdigkeit ist der Prozess der Identifizierung und Bewertung des Ermüdungsgrades bei Personen, insbesondere in kritischen Arbeitsumgebungen. Durch den Einsatz fortschrittlicher Technologien und Methoden zielt dieser Ansatz darauf ab, die Sicherheit und Leistungsfähigkeit durch die Überwachung physiologischer und verhaltensbezogener Indikatoren zu verbessern. Eine effektive Erkennung von Müdigkeit trägt in verschiedenen Branchen zu einer verbesserten Entscheidungsfindung und zur Risikominderung bei.
Table of Contents
Einführung in die Ermüdungserkennung
Was ist Müdigkeitserkennung? Im Jahr 1965 mietete ein Mann namens Dr. Dement in Kalifornien ein Cabrio und fuhr einen 17-jährigen Jungen im Rahmen eines wissenschaftlichen Experiments herum. Das ist nicht die Eröffnungsszene eines Horrorfilms, sondern Teil des Weltrekordversuchs im Schlafentzug, den der 17-jährige Randy Gardner unternahm. Sein Experiment für die Wissenschaftsmesse war letztendlich erfolgreich, und er blieb die geplanten 264 Stunden – 11 Tage am Stück – wach.
Dies ist ein extremes Beispiel für Erschöpfung, das nur sehr wenige Menschen auch nur annähernd erleben. Doch wir alle leiden irgendwann in unserem Leben unter Schlafmangel, und wir haben nicht den Vorwand, an einem wissenschaftlichen Experiment teilzunehmen, um uns vor den Anforderungen des Alltags – Arbeit, Familie und allem, was dazwischen liegt – zu schützen.
Zwar sind Schlafmangel und Müdigkeit im Allgemeinen weit verbreitet, doch können die Folgen dieser Erschöpfung schwerwiegend sein. Allein in den USA wurden bis zu 274.000 Arbeitsunfälle und 6.000 Todesfälle durch Autounfälle mit Schlafmangel in Verbindung gebracht [2–5].
Zwar ist die Ursache für Schlafmangel in diesen Fällen wahrscheinlich größtenteils auf gesellschaftliche und kulturelle Anforderungen zurückzuführen, doch gibt es auch andere Situationen, in denen Schlafmangel zur Normalität gehört. Soldaten im Krieg, Lkw-Fahrer und medizinisches Personal – um nur einige zu nennen – haben alle denselben beruflichen Druck, auf Schlaf zu verzichten.
Dies kann unweigerlich schwerwiegende Folgen haben – jeder dieser Berufe birgt ein erhöhtes Unfallrisiko, wenn die Dinge nicht nach Plan verlaufen. Das Verständnis dafür, wie sich Müdigkeit auf Menschen auswirkt, und die Fähigkeit, sie vorherzusagen, könnten die Unfallhäufigkeit drastisch senken, die Gesundheit verbessern und es den Menschen ermöglichen, so lange wie möglich optimale Leistungen zu erbringen. Wie erreichen wir das?
Erklärung der Müdigkeitserkennung
Bevor wir uns mit den Einzelheiten der Erkennung von Müdigkeit befassen, sollten wir zunächst klären, was Müdigkeit eigentlich ist. Wir glauben vielleicht, dass wir wissen, wann wir müde sind, und dass dies daher leicht zu definieren ist – doch das ist nicht unbedingt der Fall. Selbsteinschätzungen sind im Allgemeinen bekanntermaßen unzuverlässig, und Selbsteinschätzungen zur Müdigkeit bilden da keine Ausnahme [6-7].
Müdigkeit lässt sich auf vielfältige Weise untersuchen und definieren – es gibt Unterschiede zwischen der Müdigkeit, die durch psychiatrische Störungen (wie Depressionen), somatische Störungen (wie die Parkinson-Krankheit) oder „konsumorientiertes Verhalten“ (wie Alkoholismus) hervorgerufen wird [8]. Wenn es jedoch um Unfallraten aufgrund von Müdigkeit geht, kann diese als eine Abnahme der kognitiven Leistungsfähigkeit definiert werden, die auf eine anhaltende kognitive Belastung und/oder längere Wachphasen zurückzuführen ist.
Da Selbstauskünfte über Müdigkeit naturgemäß ungenau sind, ist es unzuverlässig, jemanden zu fragen, wie müde er ist – wir sind keine verlässlichen Berichterstatter. Selbstauskünfte wären zudem eindeutig ein ineffizientes System zur Erkennung von Müdigkeit. Wir benötigen Signale, die passiv und nicht-invasiv am Körper erfasst werden können und zuverlässig Aufschluss darüber geben, wie müde jemand tatsächlich ist. Glücklicherweise gibt es hierfür mehrere Möglichkeiten.
Wie man Müdigkeit erkennt
Müdigkeit ist eine häufige Ursache für Verkehrsunfälle – in den USA werden jährlich rund 328.000 Autounfälle auf Müdigkeit am Steuer zurückgeführt [3]. Die Sitzposition einer Person im Auto bietet zudem ein geeignetes Szenario, um den Grad der Müdigkeit zu erfassen. Dank neuer Forschungsergebnisse und Innovationen wurden in diesem Bereich in den letzten Jahren mehrere Fortschritte erzielt.
Eine der am häufigsten eingesetzten Methoden zur Erkennung von Müdigkeit ist das Eye-Tracking (z. B. [9–12]), bei dem die Blickposition, das Ausmaß der Blickstreuung und sogar das Blinzeln als Indikatoren für Müdigkeit herangezogen werden. Forscher nutzten 2018 Fahrsimulatoren in Verbindung mit Eye-Trackern, um die Augenbewegungen während des natürlichen Fahrverhaltens zu bewerten, und stellten fest, dass „die durchschnittliche Fixationszeit des AOI und die Pupillenfläche als wirksamer Indikator für die Erkennung von Fahrermüdigkeit dienen können“ [13].
Andere Forscher haben Modelle des maschinellen Lernens eingesetzt, um anhand von Eye-Tracking-Daten den Grad der Ermüdung eines Teilnehmers vorherzusagen [14]. Auch Daten zum prozentualen Augenverschluss wurden als valider Prädiktor für den Ermüdungsgrad herangezogen [15]. Forscher haben zudem lediglich Messungen des Augenabstands verwendet, wobei die durchschnittliche Präzisionsrate bei der Erfassung der Müdigkeit bei 90 % lag [16]. Dies sind nur einige Beispiele, die die Aussagekraft von Eye-Tracking-Daten bei der Erfassung des Ermüdungsgrades einer Person verdeutlichen.
Eye-Tracking-Methoden lassen sich auch über Fahrsituationen hinaus einsetzen – anpassungsfähige Verfahren mit Mehrkamera-Tracking oder Eye-Tracking-Brillen können genutzt werden, um Augenbewegungen in anspruchsvollen Situationen zu erfassen. Dies lässt sich problemlos auf Piloten, Fluglotsen oder Drohnenpiloten anwenden und ermöglicht ein besseres Verständnis dafür, wann ein Mitarbeiter seine Arbeit gut ausführt und wann er eine Pause benötigt.
Die Analyse von Gesichtsausdrücken ist ein weiteres Beispiel für eine Methode, mit der sich auf unaufdringliche Weise Informationen über den Grad der Müdigkeit einer Person ermitteln lassen. Sowohl bestimmte Bewegungen (wie beispielsweise Gähnen) als auch die Erfassung mehrerer Gesichtsbewegungen können zur Vorhersage des Ermüdungsgrades herangezogen werden. Mehrere Forscher haben Gesichtsausdrucksdaten, die automatisch von Systemen wie Affectiva erfasst werden, genutzt, um Modelle des maschinellen Lernens zu entwickeln, die das Einsetzen von Schläfrigkeit genau vorhersagen können (z. B. [17–19]).
Eine weitere wichtige Methode, die zuverlässig zur Erkennung von Ermüdungsgraden eingesetzt werden kann, ist die Elektroenzephalographie (EEG). Diese Technologie eignet sich besonders gut zur Messung des Schläfrigkeitsgrades, da sie die Aktivität des Gehirns direkt misst [20]. Forscher haben sowohl kabelgebundene als auch kabellose EEG-Headsets verwendet, um eine erhöhte Häufigkeit von Wellenlängen zu erkennen, die mit dem Einsetzen von Schläfrigkeit einhergehen (z. B. eine Zunahme der okzipitalen Slow-Wave-Aktivität [21]).
Forscher haben zudem den eindeutigen Zusammenhang zwischen der Herzfrequenzaktivität und dem Grad der physiologischen bzw. psychologischen Wachsamkeit genutzt. Messgrößen wie die Herzfrequenz und die Herzfrequenzvariabilität liefern zuverlässige Informationen über das Einsetzen von Ermüdung und bieten zudem ein genaueres Maß für die kognitive Belastung [22, 23].
Es ist zudem möglich, Müdigkeit anhand von Messungen der elektrodermalen Aktivität (EDA, manchmal auch als GSR bezeichnet) vorherzusagen. Forscher haben diese Methode genutzt, um den Zusammenhang zwischen Schläfrigkeit und einer Verlängerung der Reaktionszeiten zu untersuchen [24]. Dies wurde auch im Rahmen von Fahraufgaben im Straßenverkehr bestätigt [25] und sogar zur Beurteilung von durch Müdigkeit ausgelösten Angstzuständen herangezogen [26].
Fazit
Die Folgen von Müdigkeit können verheerend sein – die steigende Zahl von Unfällen und Todesfällen, zu denen es kommt, wenn Menschen müde sind, belegt dies. Glücklicherweise steht eine breite Palette an Methoden zur Verfügung, um zu verfolgen, zu messen und vorherzusagen, wann das Unfallrisiko auf ein unsicheres Niveau ansteigt. Die Vielfalt der Aufgaben, mit denen Einzelpersonen konfrontiert sein können, bedeutet zwangsläufig, dass jede Situation geprüft werden muss, um eine genaue Einschätzung der Sicherheit und des Erfolgs zu ermöglichen, aber die Werkzeuge und Fähigkeiten dafür sind vorhanden. Jetzt muss nur noch damit begonnen werden.
Ich hoffe, Ihnen hat der Artikel zum Thema Müdigkeitserkennung gefallen – wenn Sie mehr über eine der wichtigsten Methoden zur Erfassung von Müdigkeit erfahren möchten, laden Sie sich unten unseren kostenlosen Leitfaden zum Eye-Tracking herunter.
Literaturverzeichnis
[1] Dement, William C. (1999). Das Versprechen des Schlafes. New York: Dell Publishing.
[2] Klauer SG, Dingus TA, Neale VL, Sudweeks JD, Ramsey DJ. Der Einfluss von Unaufmerksamkeit am Steuer auf das Risiko von Beinaheunfällen und Unfällen: Eine Analyse anhand der Daten der „100-Car Naturalistic Study“, 2006. Springfield, VA: DOT; Jahr. DOT HS 810 594.
[3] Tefft, B. C., AAA Foundation for Traffic Safety. Häufigkeit von Verkehrsunfällen mit schläfrigen Fahrern, Vereinigte Staaten, 2009–2013 [457 KB]. Washington, DC: AAA Foundation for Traffic Safety; 2014. 19. Oktober 2015.
[4] Institute of Medicine. Schlafstörungen und Schlafmangel: Ein ungelöstes Problem der öffentlichen Gesundheit. Washington, DC: The National Academies Press; 2006.
[5] Shahly V, Berglund PA, Coulouvrat C et al. Der Zusammenhang zwischen Schlaflosigkeit und kostspieligen Arbeitsunfällen und Fehlern: Ergebnisse der amerikanischen Schlaflosigkeitsumfrage. Arch Gen Psychiatry. 2012;69(10):1054–1063.
[6] Adams A, Soumerai S, Lomas J, Ross-Degnan D. (1999). Hinweise auf eine Verzerrung durch Selbsteinschätzung bei der Bewertung der Einhaltung von Leitlinien. Int J Qual Health Care; 11(3): 187–192.
[7] Dalziel, J.R., Job, R.F. (1997). Verkehrsunfälle, Müdigkeit und optimistische Verzerrung bei Taxifahrern. Accident Analysis Prevention 29, 489–494.
[8] Barofsky, I., Legro, M. W. (1991). Definition und Messung von Erschöpfung. Reviews of Infectious Diseases, Band 13, Ausgabe Supplement_1, Januar–Februar, Seiten S94–S97, https://doi.org/10.1093/clinids/13.Supplement_1.S94
[9] W. Horng, C. Chen, Y. Chang, C. Fan, „Driver fatigue detection based on the eye tracking and dynamic template matching“, in: Proceedings of the IEEE International Conference on Networking, Sensing and Control, Taiwan, Band 1, 2004, S. 7–12.
[10] H. Huang, Y. S. Zhou, F. Zhang, F. C. Liu. (2007). Ein optimiertes System zur Augenlokalisierung und -verfolgung für die Überwachung der Fahrermüdigkeit. In: Proc. ICWAPR, Bd. 3, S. 1144–1149
[11] R. C. Coetzer und G. P. Hancke (2011). Augenerkennung für ein Echtzeit-System zur Überwachung der Fahrermüdigkeit. In: Proc. IEEE Intell. Veh. Symp., Juni, S. 66–71
[12] C. A. Perez, A. Palma, C. A. Holzmann und C. Pena. (2001). Ein auf digitaler Bildverarbeitung basierender Algorithmus zur Gesichts- und Augenverfolgung. In: Proc. IEEE Int. Conf. Systems, Man, Cybernetics, Band 2, Okt., S. 1178–1183.
[13] Xu J, Min J, Hu J. Echtzeit-Eye-Tracking zur Beurteilung der Ermüdung von Fahrern. Healthc Technol Lett. 5(2):54-58. doi:10.1049/htl.2017.0020.
[14] Yamada, Y., Kobayashi, M. (2018). Erkennung psychischer Ermüdung anhand von Eye-Tracking-Daten, die beim Ansehen von Videos erfasst wurden: Untersuchung bei jüngeren und älteren Erwachsenen, Artif. Intell. Med. 91, 39–48, https://doi.org/10.1016/j.artmed.2018.06.005.
[15] Lin, L., Huang, C., Ni, X., Wang, J., Zhang, H., Li, X. & Qian, Z. (2015). Erkennung von Fahrermüdigkeit anhand des Augenzustands. Technology and Health Care, 23(2), 453–463.
[16] Wenhui Dong und Xiaojuan Wu. (2005). Erkennung von Müdigkeit anhand des Augenlidabstands. Tagungsband des IEEE International Workshop on VLSI Design and Video Technology 2005, Suzhou, China, 2005, S. 365–368.
[17] Henni, K., Mezghani, N., Gouin-Vallerand, C. et al. (2018). Appl Inform, 5: 7. https://doi.org/10.1186/s40535-018-0054-9
[18] Gu, H. & Ji, Q. (2004). Ein automatisiertes Gesichtserkennungssystem zur Erkennung von Müdigkeit, Tagungsband der IEEE International Conference on Face and Gesture Recognition, S. 111–116.
[19] J. Qiang, Z. Zhiwei und P. Lan. (2004). Echtzeit-Überwachung und -Vorhersage von Fahrermüdigkeit ohne Eingriff in das Fahrverhalten. IEEE Trans. Veh. Technol., Bd. 53, S. 1052–068, Juli.
[20] Borghini, G., Astolfi, L., Vecchiato, G., Mattia, D. und Babiloni, F. (2014). Messung neurophysiologischer Signale bei Flugzeugpiloten und Autofahrern zur Beurteilung der mentalen Arbeitsbelastung, Müdigkeit und Schläfrigkeit. Neurosci. Biobehav. Rev. 44, 58–75. doi: 10.1016/j.neubiorev.2012.10.003
[21] Neu, D., Mairesse, O., Verbanck, P., Linkowski, P. und Le Bon, O. (2014). Verteilung der EEG-Leistung im Nicht-REM-Schlaf bei Müdigkeit und Schläfrigkeit. J. Psychosom. Res. 76, 286–291. doi: 10.1016/j.jpsychores.2014.02.002
[22] Segerstrom, S. C., & Nes, L. S. (2007). Die Herzfrequenzvariabilität spiegelt die Stärke der Selbstregulation, die Anstrengung und die Ermüdung wider. Psychological Science, 18, 275–281. doi:10.1111/j.1467-9280.2007.01888.x
[23] Patel, M.; Lal, S.K.L.; Kavanagh, D.; Rossiter, P. (2001). Anwendung neuronaler Netze auf Daten zur Herzfrequenzvariabilität zur Beurteilung der Ermüdung von Fahrern. Exp. Syst. Appl. 38, 7235–7242.
[24] Miro E, Cano-Lonzao MC, Buela-Casal G. (2002). Elektrodermale Aktivität während vollständiger Schlafentzug und ihr Zusammenhang mit anderen Aktivitäts- und Leistungsmaßen. J Sleep Res. 11:105–12.
[25] Dorrian, J., Lamond, N., Kozuchowski, K. & Dawson, D. (2008). Das telemetrische Kontrollsystem zur Überwachung der Fahreraufmerksamkeit (DVTCS): Untersuchung der Empfindlichkeit gegenüber experimentell herbeigeführtem Schlafmangel und Müdigkeit. Behavior Research Methods, 40, 1016–1025.
[26] Rani, P., Sarkar, N., Smith, C. A., Kirby, L. D. (2004). Ein Robotersystem zur Erkennung von Angstzuständen – auf dem Weg zu einer impliziten Mensch-Roboter-Zusammenarbeit. Robotica, 22:85–95.
