Resumen

En las últimas décadas, la cantidad de accidentes de tránsito debido a la fatiga o somnolencia del conductor ha provocado cuantiosas pérdidas humanas y materiales. A su vez, la venta en el parque automotor se ha masificado lo cual indica que posiblemente en los siguientes años si no se toma las medidas pertinentes para detectar la fatiga existirá un incremento en los accidentes automovilísticos. Este trabajo de investigación propone el desarrollo de un sistema de detección de fatiga en los conductores que permita alertar sobre sobre su estado mientras esté conduciendo mediante el uso de técnicas de visión artificial y machine learning. Las técnicas de estos dos campos de estudio se interceptan para generar modelos supervisados con un alto rendimiento al momento de clasificar el estado de fatiga en los conductores. En este estudio se ha trabajado con un dataset de imágenes frontales enfocándonos en la característica fisiológica de los ojos obteniendo resultados preliminares prometedores en la detección de fatiga en tiempo real.

INTRODUCCIÓN

En los últimos años la cantidad de accidentes automovilísticos se ha incrementado enormemente 14. Uno de los factores es la imprudencia del conductor desencadenada por un estado de fatiga o somnolencia, que no es más que el hastío o cansancio de las personas ocasionado por el esfuerzo prolongado y que en algunas ocasiones produce alteraciones físicas 19. En la mayoría de los casos esto se presenta en los conductores, puesto que, muchas veces recorren trayectos largos tanto por el día y noche, siendo este último el que mayor cansancio provoca por la ausencia de sueño. En tal sentido, en muchas investigaciones 13 indican que la mitad de los conductores evaluados tienen menos horas de sueño en el periodo de 24 horas, es decir, mayormente conducen el vehículo durante la noche sin dormir y eso hace que sientan mayor cansancio o fatiga en la madrugada 17.

En el Perú, el incremento de este tipo de accidentes ha generado alarmas de diversos organismos como por ejemplo el Ministerio de Transportes y Telecomunicaciones que actualmente pretende reducir la tasa de accidentes para el 2021, año del bicentenario de la independencia.

Las investigaciones en este campo enfocan cuatro categorías para la detección de la fatiga. La primera consiste en la señal fisiológica de los conductores, entre ellas electroencefalograma (EEG), electrocardiógrafo (ECG) y electrooculograma (EOG) 18,16. Esta categoría da buenos resultados, pero obtener estas señales suele ser muy complicado y trabajoso. La segunda está basada en métodos de comportamiento de operación, por ejemplo, cuando el conductor está fatigado reduce su fuerza al sujetar el volante 15.

• Materias:Redes neuronales (Computadores) Órganos artificiales
• Subjects:Neural networks (Computer science) Artificial organs
• Palabras claves:Detección de fatiga; Visión artificial; Machine learning; Descriptor HOG; CEW dataset
• Keywords:Fatigue detection; Artificial vision; Machine learning; HOG descriptor; CEW dataset