Detectar que te duermes al volante, sin poder pedirte que te duermas para probarlo.

La somnolencia tiene firma fisiológica antes del microsueño

Quedarse dormido no es instantáneo. En los minutos previos, el sistema nervioso autónomo se desplaza hacia el dominio parasimpático: el pulso baja, la variabilidad cardíaca sube y el cuerpo se aquieta. Esa transición ya es medible con los sensores que llevas en la muñeca; el problema es leerla a tiempo sin disparar una alarma cada vez que simplemente te relajas al volante.

Drive Sentinel trata la muñeca como un sensor barato y sensible, siempre encendido, y la cámara como un verificador caro y preciso que solo se activa cuando la muñeca ya sospecha algo. Cada señal, usada sola, comete demasiados errores para servir de alerta de seguridad; combinadas, se corrigen entre sí.

Dos etapas: la muñeca sospecha, la cámara confirma

Es el mismo principio que usan los sistemas profesionales de monitorización de conductor. La primera etapa (muñeca) corre siempre y es la única imprescindible; la segunda (cámara) es opcional y solo se enciende cuando hay motivo, lo que además protege batería y privacidad. Drive Sentinel funciona solo con el reloj si prefieres no activar la cámara — con menos precisión de confirmación, pero sin cámara en absoluto.

Qué mide la muñeca, y por qué

Cuatro señales, cada una un indicador independiente del desplazamiento autonómico hacia el sueño. Se combinan con pesos calibrados en una puntuación 0–1, suavizada y con histéresis para que no parpadee.

* con filtrado de artefactos. La puntuación resultante se muestra al conductor con un código de color:

Cómo se prueba sin pruebas peligrosas

No se puede pedir a alguien que se duerma conduciendo para medir el acierto. La alternativa: reproducir fisiología real ya grabada y etiquetada. Usamos la base MIT-BIH Polysomnographic (slpdb) de PhysioNet, con ECG y fases de sueño marcadas por especialistas de sueño. La transición despierto → fase 1 → sueño comparte la misma firma autonómica que el adormecimiento al volante.

El banco de pruebas extrae de cada registro los intervalos entre latidos reales (detectando los QRS del ECG) y arma "mini-viajes": un tramo despierto para aprender la base, seguido de un adormecimiento. Cada uno se reproduce por el modelo exactamente como lo haría en la muñeca, y se mide si acierta.

El modelo tiene una implementación gemela en Python y en Swift, con un test de paridad que confirma que ambas coinciden hasta menos de 5×10⁻⁷ — para que lo que se calibra en el laboratorio sea literalmente lo que corre en el reloj.

Tres resultados que moldearon el algoritmo

01 — Filtrar los latidos mal detectados es decisivo

El RMSSD (la HRV a corto plazo) es extremadamente sensible a un solo intervalo erróneo. Sin filtrar, era ruido puro. Descartando latidos ectópicos y fuera de rango, se convierte en la mejor señal individual.

02 — Las señales de frecuencia (LF/HF) no aportan

La literatura sugería que el ratio LF/HF del espectro de la HRV discriminaría bien. En nuestros datos no ayuda (AUC ≈ 0.45, por debajo del azar) y empeora la combinación al añadirlo, así que lo descartamos. Efecto secundario conveniente: tampoco hace falta implementar un análisis espectral (FFT) en el reloj.

03 — La muñeca sola tiene techo

Incluso combinando y optimizando todas las señales, la discriminación se estabiliza en ~0.72 AUC. Además, el Apple Watch no entrega los intervalos latido-a-latido en tiempo real durante una sesión activa: en el dispositivo real, el modelo corre sobre el pulso, no sobre HRV ya filtrada.

El punto de operación, elegido a propósito

Como la cámara aporta la precisión final, calibramos la muñeca para detectar todo lo sospechoso (maximizar sensibilidad) y toleramos los falsos positivos que la segunda etapa filtrará después. El optimizador barrió cientos de combinaciones de pesos y umbrales contra los episodios reales.

* En la muñeca. La cámara de segunda etapa elimina la mayoría de esos falsos positivos antes de que llegue una alerta al conductor.

La cámara: PERCLOS y microsueños, solo en tu iPhone

Esta etapa es opcional — se activa desde ajustes, si quieres la confirmación extra. Si la activas y la muñeca sospecha, la cámara TrueDepth analiza en tiempo real un mapa 3D de tu rostro (ARKit) para leer dos marcadores validados de somnolencia:

La cámara discrimina con muchísima más fiabilidad que la muñeca. Validamos nuestra medida de cierre de ojo contra 3.594 caras reales etiquetadas, con el mismo algoritmo que corre en la app:

Lo que no afirmamos

Un producto de seguridad exige claridad sobre sus límites tanto como sobre sus capacidades.

• —No es un dispositivo médico ni un diagnóstico: es una ayuda de asistencia, nunca un sustituto de la conducción responsable y el descanso.
• —Los datos de validación son de laboratorio del sueño, no de conducción real. La firma autonómica es la misma, pero cerrar del todo esa brecha exige datos reales al volante.
• —La muestra tiene 14 episodios. Los números son orientativos, no definitivos, y se revisarán con más datos.
• —La HRV limpia no está disponible en tiempo real en el Apple Watch actual, así que el hallazgo 1 solo rinde su máximo si futuras plataformas exponen los intervalos R-R.
• —La cámara se validó con imágenes estáticas (ojo abierto/cerrado, AUC 0.986), no con vídeo de conducción real: PERCLOS y microsueños en dinámica siguen apoyándose en umbrales de la literatura.