Por favor, use este identificador para citar o enlazar este ítem:
http://cicese.repositorioinstitucional.mx/jspui/handle/1007/4345| Impacto de la frecuencia en la detección de conducción agresiva versus no agresiva con IMUs utilizando bases de datos autoevaluadas Impact of Frequency on the Detection of Aggressive versus Non-Aggressive Driving Using IMUs and Self-Reported Datasets | |
| Alan Alejandro Galán García | |
| Gabriel Alejandro Galaviz Mosqueda Salvador Villarreal Reyes | |
| Acceso Abierto | |
| Atribución | |
| IMU, estilo de manejo, conducción agresiva, frecuencia de muestreo, aprendizaje automático IMU, driving style, aggressive driving, sampling frequency, machine learning | |
| La seguridad vial impulsa el uso de Unidades de Medición Inercial (IMUs) para monitorear el estilo de manejo. Si bien las IMUs de alta precisión son costosas, existen sensores de bajo costo (como los utilizados en smartphones o dispositivos dedicados) que resultan más accesibles. Sin embargo, estos presentan limitaciones en cuanto a estandarización y documentación técnica. Este estudio evalúa el impacto de la frecuencia de muestreo de IMUs de bajo costo en la precisión de la clasificación de manejo (agresivo vs. no agresivo). Se utilizó un dispositivo de captura diseñado a medida para recolectar datos en un circuito cerrado, con conductores que adoptaron estilos agresivos y no agresivos autorreportados. Esta clasificación fue validada objetivamente mediante el análisis de métricas de riesgo físico (aceleración lateral normalizada en curvas). Se aplicaron técnicas de procesamiento de señales (suavizado, diezmado) y aprendizaje automático (KNN, Random Forest, SFFS, PCA) a características extraídas de los datos inerciales, analizando el rendimiento a través de un espectro de frecuencias de muestreo simuladas. Los resultados confirman la viabilidad de IMUs de bajo costo (rango ±2g), logrando una clasificación de alta precisión (Test AUC > 0.9) siempre que se opere dentro de un rango de frecuencias adecuado. La frecuencia de muestreo es crítica: existe un umbral de viabilidad (~1.0 Hz) por debajo del cual el rendimiento decae drásticamente. En el rango de 5-10 Hz se observa un excelente equilibrio entre precisión y eficiencia, mientras que frecuencias más altas ofrecen ganancias marginales. Características clave incluyeron descriptores espectrales de baja frecuencia y de la forma de la distribución de la señal. La expansión del conjunto de características no mejoró sustancialmente el rendimiento. Random Forest y KNN fueron competitivos, y ambos sensores (LSM6DS y LSM9DS1) resultaron igualmente competentes. El etiquetado autoevaluado se validó eficazmente. El trabajo proporciona una base empírica y recomendaciones para sistemas de monitoreo accesibles. Road safety concerns have increased the use of Inertial Measurement Units (IMUs) to monitor driving style. While high-precision IMUs are expensive, low-cost sensors (e.g., in smartphones, dedicated devices) are more accessible, although their standardization and technical documentation are limited. This study evaluates the impact of the sampling frequency of low-cost IMUs on the accuracy of driving style classification (aggressive vs. non-aggressive). A custom-built data acquisition device was used to collect data on a closed-circuit track, with drivers adopting self-reported aggressive and non-aggressive styles. This classification was objectively validated by analyzing physical risk metrics (normalized lateral acceleration in curves). Signal processing (smoothing, decimation) and machine learning (KNN, Random Forest, SFFS, PCA) techniques were applied to features extracted from the inertial data, analyzing performance across a spectrum of simulated sampling frequencies. The results confirm the viability of low-cost IMUs (±2g range) for achieving high-accuracy classification (Test AUC > 0.9), provided they operate within an appropriate frequency range. Sampling frequency is critical: a viability threshold exists (~1.0 Hz) below which performance drops drastically. An excellent trade-off between accuracy and efficiency is observed in the 5-10 Hz range, while higher frequencies offer only marginal gains. Key features included low-frequency spectral descriptors and metrics related to the signal's distribution shape. Expanding the feature set did not substantially improve performance. Random Forest and KNN were competitive, and both sensors (LSM6DS and LSM9DS1) proved to be equally competent. The self-reported labeling was effectively validated. This work provides an empirical foundation and recommendations for designing accessible monitoring systems. | |
| CICESE | |
| 2025 | |
| Tesis de maestría | |
| Español | |
| Galan Garcia, A.A. 2025. Impacto de la frecuencia en la detección de conducción agresiva versus no agresiva con IMUs utilizando bases de datos autoevaluadas. Tesis de Maestría en Ciencias. Centro de Investigación Científica y de Educación Superior de Ensenada, Baja California. 121 pp. | |
| AUTOMÓVILES | |
| Aparece en las colecciones: | Tesis - Tecnologías Avanzadas e Integradas |
Cargar archivos:
| Fichero | Descripción | Tamaño | Formato | |
|---|---|---|---|---|
| tesis_Alan Alejandro Galan Garcia_2025.pdf | Descripción completa de la tesis | 4.52 MB | Adobe PDF | Visualizar/Abrir |