Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/3795| Detección de somnolencia durante la conducción en un ambiente simulado Drowsiness detection while driving in a simulated environment | |
| Sarid García Pérez | |
| Irvin Hussein Lopez-Nava Marcela Deyanira Rodríguez Urrea | |
| Acceso Abierto | |
| Atribución | |
| Somnolencia, Sensado híbrido, Variabilidad del ritmo cardíaco, Aprendizaje de máquina, Escala de Sueño de Karolinska, Sensor Vestible Drowsiness, Hybrid sensing, Heart rate variability, Machine learning, Karolinska Sleepiness Scale, Wearable | |
| La conducción bajo los efectos de la somnolencia es una de las principales causas de accidentes en la vialidad que pueden resultar en grandes pérdidas y en tragedias, lo que puede ser prevenido con una advertencia temprana al conductor. En trabajos recientes, se han utilizado rasgos relacionados al comportamiento, al estado fisiológico, o la habilidad de conducción de una persona para la detección de periodos de somnolencia durante la conducción y la activación de alarmas. Estos rasgos se ven afectados durante el estado de somnolencia, presentándose en eventos como bostezos, ojos cerrados, disminución del ritmo cardíaco, y movimientos repentinos del volante. Diversas características pueden ser extraídas de los rasgos para ser utilizadas en algoritmos de aprendizaje de maquina con el fin de detectar episodios de somnolencia. La detección de somnolencia se ha investigado mayormente como un problema binario de alerta y somnolencia, pero la detección de la somnolencia temprana es de especial interés debido a la posibilidad de advertir o actuar en tiempo para evitar un accidente. Por ello, en este trabajo se propone utilizar una combinación de características de rasgos de comportamiento y fisiológicos, junto a técnicas de aprendizaje de máquina, para la detección de la somnolencia en diferentes grados, utilizando cámaras y un electrocardiograma vestible. Se recolectaron datos utilizando un simulador de conducción con la participación de 12 adultos jóvenes (7 hombres, 5 mujeres) de entre 24 y 27 años. Además, los grados de somnolencia fueron estimados a partir de autorreportes utilizando la escala de sueño de Karolinska y por medio de observadores. A partir de los datos capturados, dos modelos de aprendizaje de máquina fueron entrenados, obteniendo un 86.7 % de exactitud al detectar somnolencia en 2 grados utilizando bosques aleatorios, y 82 % de exactitud al detectar somnolencia en 3 grados utilizando k vecinos más cercanos. Drowsy driving is one of the leading causes of road accidents that can result in major losses and tragedies, which can be prevented with an early warning. Recent work has used behavioral, physiological, and people-driving skill traits. These traits are altered in a drowsy state, where events such as yawning, closed eyes, slower heart rate, and sudden steering wheel movements can occur. From these traits, diverse features can be extracted to be used in machine learning models to automatically detect the state of drowsiness. Drowsiness detection has been primarily investigated as a binary problem where only the alert and drowsy states were classified, but the detection of early drowsiness is desirable due to the possibility of an early driver warning, preventing an accident. In this investigation, we propose to use a combination of behavioral and physiological traits, extracting a set of features that, in combination with machine learning techniques, are used to detect different drowsiness levels by using cameras and a wearable ECG as sensors. Data was collected from 12 young adults (7 men, 5 women) between 24 and 27 years, using a driving simulator. Drowsiness levels were estimated using self-reported drowsiness with Karolinska Sleepiness Scale and observer methods. From the captured data, two machine learning models were trained, achieving 86.7 % accuracy when classifying drowsiness in 2 degrees using Random Forest, and 82 % accuracy when classifying drowsiness in 3 degrees using kNN algorithm. | |
| CICESE | |
| 2022 | |
| Tesis de maestría | |
| Español | |
| García Pérez, S. 2022. Detección de somnolencia durante la conducción en un ambiente simulado. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 85 pp. | |
| INTELIGENCIA ARTIFICIAL | |
| Aparece en las colecciones: | Tesis - Ciencias de la Computación |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Sarid Garcia Perez_10 nov 2022.pdf | Versión completa de la tesis | 9.87 MB | Adobe PDF | Visualizar/Abrir |