SleepGuard IA

SleepGuard IA es un sistema de inteligencia artificial diseñado para detectar signos de somnolencia en conductores en tiempo real. Utilizando el modelo de aprendizaje automático de Teachable Machine y TensorFlow.js, nuestro sistema analiza las expresiones faciales a través de la cámara web para determinar si una persona muestra indicios de fatiga que puedan comprometer la seguridad vial.

La somnolencia al volante es un problema de seguridad vial crítico

Justificación

Según la Organización Mundial de la Salud (OMS), los accidentes de tráfico son una de las principales causas de muerte a nivel mundial. Se estima que entre el 10% y el 20% de estos accidentes están relacionados con la fatiga y la somnolencia al volante. La implementación de sistemas de detección temprana puede salvar vidas y reducir significativamente los accidentes relacionados con la conducción en estado de fatiga.

La conducción con sueño representa un grave problema de seguridad vial que a menudo no recibe la atención adecuada. A diferencia del alcohol o las drogas, la fatiga es más difícil de cuantificar y regular, pero sus efectos pueden ser igualmente devastadores.

Los accidentes por somnolencia suelen ser más graves debido a la falta de reacción

Los principales problemas asociados con la conducción con sueño incluyen:

• Disminución del tiempo de reacción ante imprevistos
• Deterioro de la capacidad de toma de decisiones
• Reducción del campo visual y de la percepción del riesgo
• Aumento de la probabilidad de quedarse dormido al volante
• Falta de conciencia sobre el propio estado de fatiga

Objetivo General

Desarrollar un sistema de detección de somnolencia en conductores utilizando inteligencia artificial que pueda identificar signos de fatiga a través del análisis de expresiones faciales en tiempo real.

Objetivos Específicos

• Crear un modelo de machine learning capaz de reconocer patrones faciales asociados con la somnolencia
• Implementar una interfaz web accesible que permita la detección en tiempo real mediante la cámara del dispositivo
• Validar la precisión del modelo con diferentes usuarios y condiciones de iluminación
• Diseñar un sistema de alertas que advierta al conductor cuando se detecten signos de fatiga
• Promover la concienciación sobre los riesgos de conducir con sueño

La IA permite analizar microexpresiones difíciles de detectar para el ojo humano

SleepGuard IA es una solución tecnológica innovadora que aborda el problema de la somnolencia al volante mediante el uso de inteligencia artificial. El sistema utiliza un modelo de aprendizaje automático entrenado con Teachable Machine de Google, que es capaz de analizar las expresiones faciales del conductor en tiempo real a través de la cámara web.

El modelo ha sido entrenado para reconocer indicadores clave de fatiga, como:

• Parpadeo lento o prolongado
• Cabezadas o movimientos involuntarios de la cabeza
• Expresi facial relajada o caída de párpados
• Bostezos frecuentes

Integración de sistemas de detección de fatiga en vehículos modernos

Cuando el sistema detecta patrones consistentes con la somnolencia, activa una alerta sonora y visual para advertir al conductor, recomendando tomar un descanso. Esta tecnología tiene el potencial de integrarse en sistemas de asistencia al conductor en vehículos modernos, contribuyendo significativamente a la reducción de accidentes por fatiga.

Fundamentos de la Detección de Somnolencia

La detección de somnolencia se basa en el análisis de indicadores fisiológicos y comportamentales. Los métodos más comunes incluyen:

• Análisis de parámetros oculares: Medición del porcentaje de cierre palpebral (PERCLOS), frecuencia de parpadeo y duración de cierre ocular.
• Monitoreo de movimientos de cabeza: Detección de cabeceos y posiciones anómalas de la cabeza.
• Análisis de expresiones faciales: Identificación de bostezos y expresiones asociadas con la fatiga.
• Medidas de rendimiento de conducción: Variaciones en la velocidad, posición en el carril y uso de controles.

Análisis de datos para la detección de patrones de fatiga

Inteligencia Artificial aplicada a la detección de fatiga

El uso de redes neuronales convolucionales (CNN) ha revolucionado la detección de somnolencia, permitiendo un análisis preciso y en tiempo real de las expresiones faciales. Estas redes son capaces de aprender características relevantes a partir de grandes conjuntos de datos de imágenes, identificando patrones sutiles que pueden pasar desapercibidos para el ojo humano.

Teachable Machine y TensorFlow.js

Teachable Machine es una plataforma web desarrollada por Google que permite crear modelos de machine learning sin necesidad de escribir código complejo. Utiliza TensorFlow.js, una biblioteca de JavaScript para entrenar y desplegar modelos de aprendizaje automático en el navegador, lo que facilita la implementación de aplicaciones de IA accesibles.

El desarrollo del sistema SleepGuard IA demuestra la viabilidad de utilizar inteligencia artificial para abordar problemas críticos de seguridad vial. Las principales conclusiones de este proyecto son:

• La detección de somnolencia mediante análisis facial es técnicamente viable con una precisión aceptable
• Las herramientas actuales como Teachable Machine democratizan el acceso a la IA, permitiendo desarrollar soluciones sin grandes recursos
• La implementación en navegadores web facilita la accesibilidad y prueba del sistema
• La integración de estos sistemas en vehículos podría reducir significativamente los accidentes por fatiga
• Es necesario continuar mejorando la robustez del modelo ante diferentes condiciones de iluminación y características faciales

La tecnología al servicio de la seguridad vial

Futuras Líneas de Investigación

Para mejorar aún más el sistema, se plantean las siguientes líneas de trabajo futuro:

• Integración con sensores biométricos adicionales (frecuencia cardíaca, respuesta galvánica)
• Desarrollo de modelos personalizados que se adapten a las características específicas de cada conductor
• Implementación de sistemas de alerta escalonados según la severidad de la fatiga detectada
• Análisis de datos históricos para predecir momentos de mayor riesgo de somnolencia