Image for post
Image for post
Monique Petareli Godoy e Laryssa Kimi Kato | Business Analyst e Cientista de Dados | everis Brasil

Como prevenir acidentes nas estradas: aplicação de data science para monitorar o nível de atenção dos motoristas

O Brasil no ano de 2018, segundo o IBGE, possuía uma frota com cerca de 100 milhões¹ de veículos em circulação. Mais de 69 mil² acidentes de trânsito foram registrados pela Polícia Rodoviária Federal neste mesmo ano. Dentre os principais fatores, sono e cansaço destacam-se e, segundo o Observatório Nacional da Segurança Viária, são responsáveis por até 50%³ dos acidentes rodoviários no país. A Associação Brasileira de Medicina de Tráfego apresentou que uma pessoa que passa 19 horas⁴ sem dormir sofre uma diminuição dos reflexos equivalente ao observado em uma pessoa embriagada.

Dado este contexto, a everis, em parceria com a startup Carenet, desenvolveu uma solução capaz de promover maior segurança ao dirigir, é um sistema de monitoramento do estado de atenção dos motoristas chamado Morpheus.

O primeiro desafio foi definir o parâmetro que seria usado para compreender o estado de atenção do motorista. Atualmente o mercado oferece tecnologias de monitoramento do sono que utilizam sensores ou câmeras e se baseiam nos ciclos do sono, batimentos cardíacos, respiração, movimentos corporais, temperatura e umidade do ambiente.

A medicina, desde 1970, utiliza a polissonografia para avaliar a transição da vigília para os estágios do sono, exame que consiste na observação do comportamento das ondas cerebrais. Portanto, aportados pelo conhecimento e experiência do Dr. Fernando Morgadinho, especialista em medicina do sono, que aceitou se juntar ao time da everis neste desafio, este foi o parâmetro escolhido: ondas cerebrais.

Para iniciar os estudos foi escolhido o monitor BIS, um equipamento médico utilizado nas UTIs hospitalares para traduzir a curva eletroencefalograma (EEG), capturada via ondas cerebrais dos pacientes, em um valor numérico que represente o estado de sono ou desperto. Este equipamento foi adaptado para que pudesse ser utilizado pelos motoristas durante suas viagens e ser avaliado a viabilidade do seu uso. Os sensores dos equipamentos foram fixados em um boné para poder captar as ondas cerebrais sem incomodar o usuário e manter-se firmemente posicionada em seu corpo. Para realizar a interpretação dos dados coletados pelo equipamento e alertar ao motorista sobre seu estado de atenção foram desenvolvidos um algoritmo e um aplicativo compatível com smartphones.

Image for post
Image for post

Uma amostra da população de motoristas de determinada empresa de bens de consumo foi convidada a participar dos testes com o MVP. As seguintes informações foram coletadas destes voluntários em relação aos seus hábitos e rotinas:

  • Idade
  • Absenteísmo
  • IMC
  • Escolaridade
  • Hábitos alimentares
  • Meio de transporte para ir e vir do trabalho
  • Hábitos de fumo
  • Tempo de deslocamento ao trabalho

Em relação aos percursos que seriam realizados pelos motoristas foram observados os seguintes aspectos:

  • Dia da semana
  • Distância da viagem
  • Período do dia
  • Intensidade do tráfego
  • Qualidade das estradas
  • Número de faixas na pista

Os testes foram realizados durante 19 dias, em todos os períodos do dia, por 35 motoristas e atingiram as expectativas em relação a qualidade dos dados coletados. O volume de dados gerado nos permitiu obter os seguintes insights que nortearam a evolução da solução:

  • Os motoristas que fumam todos os dias, mostraram ter o triplo de chances de terem sono enquanto dirigem, comparados à não fumantes;
  • Os que assumiram beber mais do que 2x ao dia apresentaram mais que o dobro de sonolência;
  • Os que possuem sobrepeso têm mais do que o dobro de chances de terem um episódio de sono ao volante;
  • Existem duas vezes mais chances de que um motorista que usa ônibus para se deslocar ao trabalho, sinta sono na direção;
  • Houve uma taxa de quase 20% de incidentes de sonolência impulsionados pelo nascer do sol;
  • Em rodovias de boa qualidade os níveis de sonolência em pontos específicos chegaram a duas vezes mais que a média;

O próximo passo seria a miniaturização da solução tornando-a mais amigável ao motorista e, portanto, o produto final.

Foram realizadas pesquisas e encontrou-se disponível no mercado opções de dispositivos capazes de captar ondas cerebrais. Selecionados alguns destes dispositivos, foi possível realizar uma bateria de testes com o intuito de identificar qual possuía maior eficácia e mais conforto. Para que os testes simulassem uma situação real de direção foram obtidos com a empresa parceira da everis, ProSauto, 2 simuladores de veículos. Os simuladores foram instalados no próprio escritório da everis, os testes tinham duração de 30 minutos e os voluntários foram os próprios colaboradores. Ao final, foi escolhido um dos dispositivos da empresa Macrotellect.

Image for post
Image for post

Além da elaboração do algoritmo e do aplicativo, também foi desenvolvido um dashboard capaz de receber todos as informações coletadas, desde o índice de sonolência calculado, qualidade do sinal do equipamento, até a localização do veículo, tudo transmitido em tempo real para que também fosse possível realizar a gestão dos motoristas online.

Com todos os componentes da solução definidos iniciou-se uma nova série de testes: as operações pilotos com parte da frota de caminhões de transportadoras. Os dispositivos para captação das ondas cerebrais eram instalados nos veículos para que aproveitassem sua energia garantindo seu funcionamento em tempo integral, os motoristas recebiam treinamento para utilização da solução e suporte técnico. Estas operações enriqueceram a base de dados, comprovando alguns dos insights observados durante o MVP como, por exemplo, a influência da qualidade das rodovias no nível de alerta dos motoristas. Também proporcionaram identificar oportunidades de refinamento do dashboard de acompanhamento, assim como atestar a qualidade do seu funcionamento em um cenário real.

Para construir o algoritmo foi necessário entender com mais profundidade o que são os parâmetros que estão sendo coletados, ou seja as ondas cerebrais, e como seu comportamento deve ser interpretado. O dispositivo escolhido para captação destas ondas é capaz de obter dois tipos de dados, as ondas brutas (EEG) e as ondas conhecidas como beta, alpha, theta, delta e gama, que são geradas através de algoritmos internos do próprio aparelho. Essas ondas são emitidas em diferentes frequências e medidas em ciclos por segundos (Hz).

A onda Beta está associada a consciência normal de vigília e um estado elevado de alerta, lógica e raciocínio crítico. Ela é importante para a eficiência e funcionamento da mente durante o dia. A onda Gamma está associada a tarefas que exigem alto processamento cognitivo e sentidos. A onda Theta está presente no estado do sono leve. Já onda Alpha está presente quando a pessoa se encontra em relaxamento profundo e a onda Delta, é a mais lenta das ondas, e é experimentada em sono profundo.

Todas as ondas são traduzidas em dados, os quais ficam armazenados em um banco de dados. Graças a todos os testes que foram realizados, adquiriu-se uma grande variedade destas ondas, o que ajudou na elaboração do algoritmo da solução. Outro fator essencial foi a ferramenta física conhecida como expoentes de Lyapunov. As ondas geradas pelo cérebro podem ser organizadas em uma série temporal, ou seja, observações sequenciais ao longo do tempo. Quando pensasse em sistemas físicos, ao analisar estas ondas em forma de séries temporais, nota-se que é um sistema físico não — linear, logo, não se consegue determinar de forma clara o movimento que a onda irá fazer ao longo do tempo, o que dificulta encontrar padrões, os quais são a chave para construir um algoritmo capaz de se adaptar as pessoas que estão utilizando a solução, já que cada pessoa possui um padrão de comportamento de ondas cerebrais diferentes. Essa ferramenta física permitiu resolver esta questão.

Na dinâmica não — linear esses expoentes medem o nível de sensibilidade das trajetórias à pequenas variações nas condições iniciais. O que significa que quando se olha para uma onda cerebral é possível através do cálculo dos expoentes de Lyapunov entender o grau de não — linearidade da onda e, portanto, saber o quão difícil é encontrar padrões nas faixas das ondas.

Atrelado a essa ferramenta da física, foi utilizada uma técnica de machine learning conhecida como rede neural do tipo LSTM (long short term memory), que é capaz de aprender dependências a longo prazo, o que é ótimo para a questão. Essa técnica de machine learning foi escolhida porque ela não tem dificuldades de aprender e identificar padrões ao longo de um período grande, consegue armazenar informações por muito tempo e se relacionar com as novas informações sem perder a sua precisão.

Construído o modelo, a base de dados foi alimentada com padrões específicos de diferentes voluntários, um em que as pessoas dormem e outro em que as pessoas apresentam sonolência. Desta forma foi possível treinar o modelo e torná-lo capaz de prever quando uma pessoa estará com sono num horizonte de 30 segundos.

Para aumentar a segurança e certificar que a solução irá “monitorar” os motoristas 100% do tempo, a solução foi construída em cima de uma arquitetura híbrida que garante a execução do modelo mesmo quando o motorista estiver em áreas sem cobertura de internet. Basicamente a arquitetura consiste em dois módulos: o módulo off-line, no qual o modelo e os dados são analisados localmente no smartphone, e o módulo on-line, no qual o modelo e os dados são executados numa arquitetura montada na nuvem.

No módulo off-line, o modelo de machine learning, que é construído em cima do framework Tensorflow, foi “traduzido” para o Tensorflow Mobile que é o framework adaptado para execução em smartphones. Vale ressaltar que foi estudada a possibilidade de “traduzir” o modelo para o Tensorflow Lite (versão mais atual para smartphones), porém essa versão, na época, não possuía suporte para o tipo de modelo construído (LSTM).

Já o módulo on-line é mais robusto e possui outros objetivos além da execução do modelo e geração do alerta. Armazenamento dos dados e disponibilização dos mesmos para visualização em um dashboard estão entre eles. Toda a arquitetura do módulo on-line foi construída no Google Cloud. O modelo foi encapsulado em containers do Docker a fim de garantir disponibilidade em 100% do tempo e o fluxo de dados foi construído com o Kafka e Spark Streaming para garantir processamento em tempo real, e para a visualização e armazenamento dos dados foram utilizados o Hive (dados históricos) e Firebase (dados para visualização em tempo real). Abaixo observa-se um desenho ilustrativo dessa arquitetura.

Image for post
Image for post

A alternância entre os módulos off-line e on-line é realizada através de um switch lógico no smartphone que é alterado quando há a detecção de cobertura de internet (wi-fi ou 4G). Quando o smartphone detecta que está fora de cobertura, o módulo off-line entra em execução e o processamento dos dados para os alertas de sonolência e armazenamento (persistência de curta duração) são realizados inteiramente no smartphone. No momento em que o smartphone detecta a reentrada em uma área de cobertura, todos os dados que até então estavam armazenados no smartphone são enviados para a nuvem e percorrem o fluxo da arquitetura.

O sistema Morpheus também funciona de maneira integrada com o dashboard desenvolvido para o monitoramento a distância, em tempo real, de cada usuário. Além de receber as informações do nível de sonolência, também são recebidos os dados de localização, número de alertas de sonolência emitidos, qualidade de sinal do wearable e tempo de utilização do usuário.

O Dr. Fernando convidou alguns de seus pacientes para utilizar a solução simultaneamente ao dispositivo de polissonografia durante seus exames médicos tradicionais. A polissonografia é um exame que mede as atividades respiratória, muscular e cerebral durante o sono para identificar possíveis distúrbios.

O ciclo do sono é constituído por duas fases: sono não-REM e sono REM. O sono não-REM possui três estágios: N1 — transição da vigília para o sono leve, N2 — desconexão total do cérebro com os estímulos externos e N3 — sono profundo com descanso da atividade cerebral. Então se inicia o sono REM com intensa atividade cerebral e movimentos oculares rápidos.

A solução Morpheus trabalha na identificação da mudança do estado de vigília para o estágio N1 enquanto que o equipamento de polissonografia observa todo o ciclo do sono. Realizada uma análise comparativa entre os dados obtidos através de cada equipamento nesta etapa de transição para o estágio N1, a solução apresentou alto nível de assertividade comprovando assim a efetividade da tecnologia Morpheus.

A everis com seu conhecimento e suas parcerias está estruturada para atender aos desafios trazidos pelos seus clientes, apresentando modelos de negócio simples e adaptados contando com soluções tecnológicas, inovadoras e integradas.

Conectando business strategy, data science, data analytics, startup de wearables e um especialista em medicina do sono, foi possível entregar uma solução efetiva na diminuição de acidentes de trânsito causados por distúrbios e questões de saúde. A qual possibilita o aumento da qualidade de vida dos motoristas, melhoria da imagem das empresas de transporte em relação à sociedade e à saúde ocupacional, e o aperfeiçoamento da gestão de frotas em tempo real.

  1. https://cidades.ibge.gov.br/brasil/pesquisa/22/28120. Acesso 22 de janeiro de 2020.
  2. Confederação Nacional do Transporte: Relatório de acidentes — 2007–2019 — Brasil, https://www.cnt.org.br/pesquisas. Acesso 22 de janeiro de 2020.
  3. https://www.onsv.org.br/sono-e-cansaco-sao-responsaveis-por-ate-50-dos-acidentes-em-rodovias/. Acesso 22 de janeiro de 2020.
  4. https://revista.sinaceg.com.br/radar-edicao-188/ . Acesso 03 de abril de 2020.

Written by

Exponential intelligence for exponential companies

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store