Estudio observacional para medir los efectos del estrés y la fatiga en las decisiones de los ciclistas mediante un modelo híbrido con señales fisiológicas y análisis de vídeo con GPT

Abstract

Este estudio tiene como objetivo principal identificar qué factores explican o afectan los estados de activación y fatiga en ciclistas urbanos. Utilizando un enfoque multimodal, se recopilaron datos fisiológicos y contextuales en tiempo real mediante el uso de las pulseras Biomonitor, fabricada por el laboratorio WeSSTLab de la Universidad de Chile y Empatica E4, de carácter comercial. En el experimento, cada participante realizó una ruta fija de 4.5 km por la ciudad de Santiago de Chile. Posteriormente, se utilizó un modelo causal de variables latentes para analizar cómo estos estados influyen en las decisiones de los ciclistas, integrando medidas de comportamiento como esperar, mantener velocidad, acelerar, desacelerar y frenar en un modelo de elección híbrido integrado con variables latentes (ICLV). Un aspecto especialmente innovador del estudio es el uso de la API de GPT para el análisis de video, lo que permite la extracción automática de características explicativas del entorno, como la densidad de ciclistas, peatones y vehículos. Esta metodología avanzada ofrece una ventaja significativa sobre los métodos tradicionales de procesamiento de video. Los resultados sugieren que una infraestructura dedicada influye considerablemente en reducir los niveles de activación de los ciclistas. Además, transitar cerca de otros vehículos, peatones o ciclistas puede resultar potencialmente estresante, promoviendo así el diseño de vías segregadas donde se minimice el contacto y exista una separación real entre la vía especializada y la calzada de vehículos o vereda para peatones. Estos hallazgos subrayan la importancia de considerar variables ambientales y de infraestructura en el diseño de políticas y entornos urbanos que promuevan la seguridad y el bienestar de los ciclistas. La integración de datos fisiológicos con análisis de video automatizado mediante la API de GPT ha demostrado ser una herramienta poderosa y eficaz para obtener características interpretables y valiosas, facilitando una comprensión más profunda y detallada del comportamiento ciclista en entornos urbanos.