Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents

Descripción del Articulo

Las técnicas tradicionales para identificar la somnolencia, como los sensores fisiológicos y el seguimiento ocular basado en cámaras a menudo encuentran dificultades en la práctica debido a su intrusividad, costo y vulnerabilidad a otras influencias. Este artículo presenta un novedoso sistema no inv...

Descripción completa

Detalles Bibliográficos
Autores: Alvarez Heredia, Charly, Alvarez Huacasi, Freddy Jamer, Vargas Apfata, Yunior Edwin
Formato: tesis de grado
Fecha de Publicación:2025
Institución:Universidad Nacional de San Agustín
Repositorio:UNSA-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.unsa.edu.pe:20.500.12773/21232
Enlace del recurso:https://hdl.handle.net/20.500.12773/21232
Nivel de acceso:acceso abierto
Materia:Sistema de detección de somnolencia
Micromaniobras al volante
Aprendizaje automático
https://purl.org/pe-repo/ocde/ford#2.02.01
Descripción
Sumario:Las técnicas tradicionales para identificar la somnolencia, como los sensores fisiológicos y el seguimiento ocular basado en cámaras a menudo encuentran dificultades en la práctica debido a su intrusividad, costo y vulnerabilidad a otras influencias. Este artículo presenta un novedoso sistema no invasivo de detección de sueño que detecta con precisión los indicadores de sueño del conductor al combinar enfoques de aprendizaje automático con micromaniobras de conducción. Este método utiliza datos de giro de alta precisión obtenidos de sensores integrados en el volante del vehículo. El sistema utiliza estos datos para extraer características relacionadas con la somnolencia del conductor, relacionando pequeñas variaciones en el giro del volante, que, dependiendo de si están presentes o no, determinan el estado del conductor y lo clasifican como "alerta" o "somnoliento" gracias al uso de técnicas de aprendizaje autónomo sofisticadas, como Máquinas de Vectores de Soporte (SVM) y Redes Neuronales Convolucionales (CNN). Para validar el sistema, se realizaron varias pruebas en escenarios controlados, con varios conductores con diferentes estados de somnolencia previamente verificados. Las pruebas mostraron que el sistema propuesto obtuvo una tasa de precisión general de más del 92%, lo que permite su uso en escenarios reales sin incomodidad para el conductor, ya que es una técnica de medición no invasiva.
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).