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...
| Autores: | , , |
|---|---|
| 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).
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).