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
id UNSA_7308c040af8e753cd084ba96913b506e
oai_identifier_str oai:repositorio.unsa.edu.pe:20.500.12773/21232
network_acronym_str UNSA
network_name_str UNSA-Institucional
repository_id_str 4847
spelling Talavera Suarez, Jesus Jose FortunatoAlvarez Heredia, CharlyAlvarez Huacasi, Freddy JamerVargas Apfata, Yunior Edwin2025-11-04T14:33:43Z2025-11-04T14:33:43Z2025Las 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.application/pdfhttps://hdl.handle.net/20.500.12773/21232spaUniversidad Nacional de San Agustín de ArequipaPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/Universidad Nacional de San Agustín de ArequipaRepositorio Institucional - UNSAreponame:UNSA-Institucionalinstname:Universidad Nacional de San Agustíninstacron:UNSASistema de detección de somnolenciaMicromaniobras al volanteAprendizaje automáticohttps://purl.org/pe-repo/ocde/ford#2.02.01Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidentsinfo:eu-repo/semantics/bachelorThesisSUNEDU29272155https://orcid.org/0000-0002-8076-5198761564417248090847949126712026Hilario Tacuri, Alexander BeremizTalavera Suarez, Jesus Jose FortunatoRucano Alvarez, Hugo Cesarhttps://purl.org/pe-repo/renati/level#tituloProfesionalhttps://purl.org/pe-repo/renati/type#tesisIngeniería ElectrónicaUniversidad Nacional de San Agustín de Arequipa.Facultad de Ingeniería de Producción y ServiciosIngeniero ElectrónicoTesis Formato ArtículoORIGINALTesis.pdfapplication/pdf929843https://repositorio.unsa.edu.pe/bitstreams/0133618d-f028-463a-a061-1ce16c4705e9/downloaded8372665cc48fd96161ca61d4ab9ad2MD51Reporte de Similitud.pdfapplication/pdf1465046https://repositorio.unsa.edu.pe/bitstreams/daf734b2-24c5-400b-a140-1430a266bbc9/download71379f9764016d925167808938e6abafMD52Autorización de Publicación Digital 1.pdfapplication/pdf931360https://repositorio.unsa.edu.pe/bitstreams/c17b0177-e23c-4855-b65e-7ffee78cb4d4/download5d4b4e3caa9009491200e428df7af800MD53Autorización de Publicación Digital 2.pdfapplication/pdf1222385https://repositorio.unsa.edu.pe/bitstreams/291266ec-65d0-4a86-993f-a59d7fd3787c/downloadba3f250d4fec88377c9feb012e12f89bMD54Autorización de Publicación Digital 3.pdfapplication/pdf345966https://repositorio.unsa.edu.pe/bitstreams/36f022b3-b29a-421d-ab49-19fab4c63a87/download8d8ebd7e84aa31d91ce3a34f8c3a7e48MD5520.500.12773/21232oai:repositorio.unsa.edu.pe:20.500.12773/212322025-11-04 09:33:59.233http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttps://repositorio.unsa.edu.peRepositorio Institucional UNSAvridi.gestioninformacion@unsa.edu.pe
dc.title.es.fl_str_mv Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
title Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
spellingShingle Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
Alvarez Heredia, Charly
Sistema de detección de somnolencia
Micromaniobras al volante
Aprendizaje automático
https://purl.org/pe-repo/ocde/ford#2.02.01
title_short Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
title_full Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
title_fullStr Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
title_full_unstemmed Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
title_sort Drowsiness Detection System in Drivers Using Micro- Maneuvers on the Steering Wheel and Machine Learning to Prevent Nighttime Traffic Accidents
author Alvarez Heredia, Charly
author_facet Alvarez Heredia, Charly
Alvarez Huacasi, Freddy Jamer
Vargas Apfata, Yunior Edwin
author_role author
author2 Alvarez Huacasi, Freddy Jamer
Vargas Apfata, Yunior Edwin
author2_role author
author
dc.contributor.advisor.fl_str_mv Talavera Suarez, Jesus Jose Fortunato
dc.contributor.author.fl_str_mv Alvarez Heredia, Charly
Alvarez Huacasi, Freddy Jamer
Vargas Apfata, Yunior Edwin
dc.subject.es.fl_str_mv Sistema de detección de somnolencia
Micromaniobras al volante
Aprendizaje automático
topic Sistema de detección de somnolencia
Micromaniobras al volante
Aprendizaje automático
https://purl.org/pe-repo/ocde/ford#2.02.01
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.02.01
description 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.
publishDate 2025
dc.date.accessioned.none.fl_str_mv 2025-11-04T14:33:43Z
dc.date.available.none.fl_str_mv 2025-11-04T14:33:43Z
dc.date.issued.fl_str_mv 2025
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12773/21232
url https://hdl.handle.net/20.500.12773/21232
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv application/pdf
dc.publisher.es.fl_str_mv Universidad Nacional de San Agustín de Arequipa
dc.publisher.country.none.fl_str_mv PE
dc.source.es.fl_str_mv Universidad Nacional de San Agustín de Arequipa
Repositorio Institucional - UNSA
dc.source.none.fl_str_mv reponame:UNSA-Institucional
instname:Universidad Nacional de San Agustín
instacron:UNSA
instname_str Universidad Nacional de San Agustín
instacron_str UNSA
institution UNSA
reponame_str UNSA-Institucional
collection UNSA-Institucional
bitstream.url.fl_str_mv https://repositorio.unsa.edu.pe/bitstreams/0133618d-f028-463a-a061-1ce16c4705e9/download
https://repositorio.unsa.edu.pe/bitstreams/daf734b2-24c5-400b-a140-1430a266bbc9/download
https://repositorio.unsa.edu.pe/bitstreams/c17b0177-e23c-4855-b65e-7ffee78cb4d4/download
https://repositorio.unsa.edu.pe/bitstreams/291266ec-65d0-4a86-993f-a59d7fd3787c/download
https://repositorio.unsa.edu.pe/bitstreams/36f022b3-b29a-421d-ab49-19fab4c63a87/download
bitstream.checksum.fl_str_mv ed8372665cc48fd96161ca61d4ab9ad2
71379f9764016d925167808938e6abaf
5d4b4e3caa9009491200e428df7af800
ba3f250d4fec88377c9feb012e12f89b
8d8ebd7e84aa31d91ce3a34f8c3a7e48
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UNSA
repository.mail.fl_str_mv vridi.gestioninformacion@unsa.edu.pe
_version_ 1850324909205487616
score 13.881802
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).