Preventive detection of driver drowsiness from EEG Signals using fuzzy expert systems

• Autores: Almiron Arpita, Rony, Castillo Sotelo, Bruno Adolfo
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/18701
• Enlace del recurso: https://hdl.handle.net/20.500.12773/18701
• Nivel de acceso: acceso abierto
• Materia: Detección de somnolencia; Electroencefalograma; Sistemas expertos; https://purl.org/pe-repo/ocde/ford#2.02.01

Actualmente el porcentaje de accidentes de tránsito se ha incrementado y según las estadísticas este porcentaje seguirá aumentando cada año, por tal motivo se deben desarrollar nuevas tecnologías para prevenir accidentes de este tipo. Este documento presenta un sistema de detección de somnolencia basado en señales de electroencefalograma (EEG) mediante un par de canales (Fp1 y Fp2), aplicado a los conductores antes de subir a sus vehículos. Primero, este modelo detecta la relación entre el área bajo la curva (AUC) de las ondas cerebrales alfa, este es un parámetro principal para detectar la somnolencia. Posteriormente, la información extraída se pasa a un sistema experto difuso (FES) que clasifica el estado del sujeto como “alerta” o “somnolencia”, el criterio utilizado fue un umbral y entrenamiento con niveles subjetivos. El sistema propuesto se comparó con modelos de redes neuronales, con máquina de vector de soporte (SVM), K vecinos más cercanos (KNN) y bosque aleatorio (RF). Se realizaron ciento veinte mediciones de 1 minuto en cada uno de los 10 conductores durante dos días para probar el sistema. Las pruebas confirman que este sistema es bueno para ser utilizado como medida preventiva y que el sistema difuso es mejor en comparación con los métodos de comparación de redes neuronales.