Desarrollo de un sistema de detección de somnolencia en conductores, mediante procesamiento de videos y señales de EEG con algoritmos de Inteligencia Artificial y Deep Learning

Abstract

La somnolencia es un estado de fatiga y sueño que afecta a todas las personas, y es una de las principales causas de los accidentes de tránsito, afectando gravemente la seguridad de las conductores y acompañantes (ocasionando discapacidades permanentes, o incluso, la muerte).La detección temprana de este estado puede ayudar a prevenir tales sucesos, ya que los conductores somnolientos tienen dificultades para mantener la atención a la hora de manejar, disminuye su tiempo de reacción, y son propensos a cometer errores. De la señal electroencefalográfica (EEG) es posible extraer patrones indicadores de somnolencia antes de la manifestación física de ésta. En este trabajo se propone la validación de clasificadores que caracterizan el estado de somnolencia a partir del uso de algoritmos de inteligencia artificial aplicados en el procesamiento de videos, para detectar dicho estado a partir de gestos faciales; asimismo, se busca complementar este algoritmo junto con el procesamiento de señales de EEG, los cuales permiten analizar patrones de ondas cerebrales. Para realizar el trabajo, se cuenta con una base de datos de señales de EEG y videos, adquirida en voluntarios durante el uso de un simulador de conducción. La misma cuenta con 4 canales EEG, 2 de EOG (electrooculograma), 1 de ECG (electrocardiograma), videos obtenidos con una cámara frente al usuario durante la simulación y marcas temporales de los eventos de somnolencia indicados por los conductores. Para detectar los signos de fatiga al volante, es necesario el acondicionamiento y análisis de las señales, lo cual se realizó en el lenguaje de programación Python. El análisis se efectuó utilizando ventanas temporales de video, para posteriormente poder entrenar el algoritmo de detección de somnolencia.