Predicción de eventos tempranos de somnolencia mediante un conjunto de datos multifactoriales en conductores de vehículos.
| dc.contributor.advisor | Pino Quiroga, Esteban | es |
| dc.contributor.advisor | Echaveguren Navarro, Tomás | es |
| dc.contributor.author | Mora Pantoja, Hermes Javier | es |
| dc.date.accessioned | 2024-10-09T14:06:04Z | |
| dc.date.available | 2024-10-09T14:06:04Z | |
| dc.date.issued | 2024 | |
| dc.description | Tesis presentada para optar al grado de Doctor en Ciencias de la Ingeniería con mención en Ingeniería Eléctrica | es |
| dc.description.abstract | Durante la última década, el número de accidentes vehiculares se ha incrementado significativamente, dejando más de un millón de víctimas fatales cada año. Su principal desencadenante está relacionado con fallas humanas, donde la conducción somnolienta, la distracción y fatiga son sus tres principales causas. La somnolencia es el factor humano que más accidentes causa y es el desafío más difícil de superar al momento de mejorar la seguridad en la vía. Los principales estudios muestran que, en Chile, los accidentes de tránsito han pasado a ser la segunda causa de muerte en la población joven menor de 30 años, dejando más de 86 mil accidentes de tránsito en 2022. Además, como la somnolencia es una manifestación de una causa subyacente originada por múltiples factores como la monotonía de la tarea, el entorno del camino, el tiempo transcurrido en la tarea o la privación del sueño previo, no existe un único método para su detección. En este sentido, un sujeto somnoliento tiene una reducida capacidad de percepción del espacio y velocidad, aumentando el tiempo de reacción y reduciendo la coordinación ojo-manos. Esto pone en grave riesgo tanto al conductor como a los demás actores de la vía. En consecuencia, se han diseñado diversos proyectos de investigación y dispositivos basados en señales fisiológicas del chofer, evaluaciones de su desempeño o datos del vehículo para detectar si el conductor está somnoliento o alerta en cada intervalo de tiempo. Estos dispositivos alertan al automovilista sobre su estado somnoliento presente para que tome acción sobre la situación. No obstante, estimar el tiempo en el cual el conductor experimentará un evento somnoliento dentro de los subsiguientes minutos es mucho más desafiante que monitorear su estado actual. Este enfoque permite alertar al conductor mientras aún tiene una adecuada capacidad de reacción ya que no está bajo efectos de la somnolencia. Por lo tanto, en este trabajo de investigación se expone el diseño de un sistema basado en un algoritmo de regresión y un modelo de pronóstico para estimar el tiempo de ocurrencia del subsiguiente evento somnoliento. En estos modelos se utilizan datos multimodales compuestos por señales de Electroencefalografía (EEG), Electrocardiografía (ECG), Electromiografía (EMG), fuerza de agarre mediante sensores Force Sensitive Resistor (FSR) y datos técnicos del vehículo virtual, obtenidos en un experimento de conducción simulada con 36 participantes. El modelo de regresión utiliza redes CNNs mediante una arquitectura ResNet y genera una salida del nivel de somnolencia para el tiempo t0. El algoritmo de pronóstico está basado en redes Long Short Term Memory (LSTM) bidireccionales y emplea como entrada los resultados del modelo de regresión para estimar el nivel de somnolencia de los siguientes minutos (t0 → t0+n) en intervalos de 28 segundos. Adicionalmente, los modelos implementados también se entrenaron con diferentes combinaciones y categorías de sensores, buscando la mejor categoría y número de electrodos para definir el sistema con la precisión más alta. Como resultado, el análisis inicial de los datos reveló que al menos el 50% de los participantes experimentó somnolencia a partir de los siete minutos de iniciado el tercer bloque experimental. Asimismo, al utilizar los datos EEG de prueba, el mejor sistema implementado obtuvo un valor test_accuracy de 0.887 en el rango [0 a 5] minutos (t0 → t0+5) y 0.798 a los siete minutos. Además, el modelo de regresión alcanzó un valor test_accuracy de 0.905 al utilizar únicamente datos FSR. Por otro lado, el rendimiento de los modelos propuestos para la etapa de pronóstico se validaron utilizando la métrica Root Mean Square Error (RMSE) en las fases de entrenamiento, validación y prueba con sus respectivos data-sets. Los resultados de este trabajo permiten concluir que es posible utilizar datos fisiológicos del conductor para pronosticar el tiempo de aparición de subsiguientes eventos somnolientos dentro de una ventana temporal definida. Asimismo, el uso de datos FSR mostró resultados prometedores en los algoritmos de regresión y pronóstico, toda vez que estos sensores no son invasivos y permiten aplicaciones adicionales como monitorear el confort del conductor y pasajeros al ubicarse en los asientos del vehículo. | es |
| dc.description.campus | Concepción | es |
| dc.description.departamento | Departamento de Ingeniería Eléctrica | es |
| dc.description.facultad | Facultad de Ingeniería | es |
| dc.description.sponsorship | Beca de Doctorado Nacional (ANID) 2020 - 21201262 | es |
| dc.description.sponsorship | Centro Nacional de Inteligencia Artificial CENIA FB210017, Financiamiento Basal ANID | es |
| dc.description.sponsorship | Programa de Neurociencia, Psiquiatría y Salud Mental (NEPSAM-UdeC) de la Universidad de Concepción, Chile 2022 | es |
| dc.identifier.uri | https://repositorio.udec.cl/handle/11594/1475 | |
| dc.language.iso | es | |
| dc.publisher | Universidad de Concepción | es |
| dc.rights | CC BY-NC-ND 4.0 DEED Attribution-NonCommercial-NoDerivs 4.0 International | en |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | en |
| dc.subject | Predicción en tecnología | es |
| dc.subject | Algoritmos | es |
| dc.subject | Accidentes de tránsito | es |
| dc.subject | Choferes | es |
| dc.title | Predicción de eventos tempranos de somnolencia mediante un conjunto de datos multifactoriales en conductores de vehículos. | es |
| dc.type | Thesis |