Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá
diagramas, tablas
- Autores:
-
Lombana Martinez, Juan Manuel
- Tipo de recurso:
- Fecha de publicación:
- 2022
- Institución:
- Universidad Nacional de Colombia
- Repositorio:
- Universidad Nacional de Colombia
- Idioma:
- spa
- OAI Identifier:
- oai:repositorio.unal.edu.co:unal/81568
- Palabra clave:
- 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores
Enseñanza para conducción de automóviles
Automobile driver education
Aprendizaje automático (Inteligencia artificial)
Machine learning
Estilo de Conducción
Muertes en accidentes de transito
aprendizaje de máquina
conjunto de datos
maquinas de vectores de soporte
árbol de decisión
naive-bayes
Driving behavior
Road traffic deaths
machine learning
dataset
svm
decision tree
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| id |
UNACIONAL2_2b280e0c53880957aa2e4d77a93ca044 |
|---|---|
| oai_identifier_str |
oai:repositorio.unal.edu.co:unal/81568 |
| network_acronym_str |
UNACIONAL2 |
| network_name_str |
Universidad Nacional de Colombia |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| dc.title.translated.eng.fl_str_mv |
Method for the classification of driving behaviors based on machine learning techniques, using physiological signals and sensors captured by wearable devices. Case of Study: Metropolitan Area Drivers of Aburrá Valley. |
| title |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| spellingShingle |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá 000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores Enseñanza para conducción de automóviles Automobile driver education Aprendizaje automático (Inteligencia artificial) Machine learning Estilo de Conducción Muertes en accidentes de transito aprendizaje de máquina conjunto de datos maquinas de vectores de soporte árbol de decisión naive-bayes Driving behavior Road traffic deaths machine learning dataset svm decision tree |
| title_short |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| title_full |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| title_fullStr |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| title_full_unstemmed |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| title_sort |
Método para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de Aburrá |
| dc.creator.fl_str_mv |
Lombana Martinez, Juan Manuel |
| dc.contributor.advisor.none.fl_str_mv |
Espinosa Bedoya, Albeiro |
| dc.contributor.author.none.fl_str_mv |
Lombana Martinez, Juan Manuel |
| dc.subject.ddc.spa.fl_str_mv |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores |
| topic |
000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadores Enseñanza para conducción de automóviles Automobile driver education Aprendizaje automático (Inteligencia artificial) Machine learning Estilo de Conducción Muertes en accidentes de transito aprendizaje de máquina conjunto de datos maquinas de vectores de soporte árbol de decisión naive-bayes Driving behavior Road traffic deaths machine learning dataset svm decision tree |
| dc.subject.lemb.none.fl_str_mv |
Enseñanza para conducción de automóviles Automobile driver education Aprendizaje automático (Inteligencia artificial) Machine learning |
| dc.subject.proposal.spa.fl_str_mv |
Estilo de Conducción Muertes en accidentes de transito aprendizaje de máquina conjunto de datos maquinas de vectores de soporte árbol de decisión |
| dc.subject.proposal.eng.fl_str_mv |
naive-bayes Driving behavior Road traffic deaths machine learning dataset svm decision tree |
| description |
diagramas, tablas |
| publishDate |
2022 |
| dc.date.accessioned.none.fl_str_mv |
2022-06-13T18:29:23Z |
| dc.date.available.none.fl_str_mv |
2022-06-13T18:29:23Z |
| dc.date.issued.none.fl_str_mv |
2022-05-15 |
| dc.type.spa.fl_str_mv |
Trabajo de grado - Maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.content.spa.fl_str_mv |
Text |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TM |
| status_str |
acceptedVersion |
| dc.identifier.uri.none.fl_str_mv |
https://repositorio.unal.edu.co/handle/unal/81568 |
| dc.identifier.instname.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.identifier.reponame.spa.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| dc.identifier.repourl.spa.fl_str_mv |
https://repositorio.unal.edu.co/ |
| url |
https://repositorio.unal.edu.co/handle/unal/81568 https://repositorio.unal.edu.co/ |
| identifier_str_mv |
Universidad Nacional de Colombia Repositorio Institucional Universidad Nacional de Colombia |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
AMVA, Á. (2017). Encuesta Origen Destino. Medellín: Área Metropolitana del Valle de Aburrá. Bishop. (2006). Pattern Recognition and Machine Learning. Springer. Cheng Zang et al. (2016). Driver Classification Based on Driving Behaviors. IUI '16: Proceedings of the 21st International Conference on Intelligent User Interfaces (págs. 80-84). Sonoma, CA, USA: ACM. DANE. (2018). PIB - FAQ. Recuperado el 20 de 07 de 2020, de https://www.dane.gov.co/files/faqs/faq_pib.pdf Derick A. Johnson et al. (2011). Driving Style Recognition Using a Smartphone as a Sensor Platform. International IEEE Conference on Intelligent Transportation Systems (págs. 1609-1615). Washington: IEEE. García de Quevedo N. F et al. (2018). Determinación de los componentes entrópicos de la accidentalidad: el trinomio vehículo/usuario/camino en la metrópoli de Guadalajara, México. Revista Tecnura, 22(55), 51-65. doi:https://doi.org/10.14483/22487638.13245 Géron, A. (2019). Hands On Machine Learning with Scikit Learn, Keras and Tensorflow. O'Reilly. Goberville N et al. (2019). Analysis of LiDAR and Camera Data in Real-World Weather Conditions for Autonomous Vehicle Operations. SAE Technical Papper. Guillen Serra et al. (2006). Técnicas de muestreo. Sesgos más Frecuentes. En Métodos estadísticos para enfermería nefrológica (págs. 121-132). SEDEN. Hwang et al. (2019). Assessing Accuracy of Wrist-Worn Wearable Devices in Measurement of Paroxysmal Supraventricular Tachycardia Heart Rate. Korean Circulation Journal, 437-445. J Yang et al. (2017). Traffic Sign Recognition Based on Deep Convolutional Neural Network. Springer Nature Singapore Pte Ltd, 685-695. Ley 1122. (2007). Colombia: Congreso de la Republica de Colombia. Ley 769. (2002). Código Nacional de Transito. Colombia: Congreso de la Republica de Colombia. Lui K et al. (2019). Vehicle Velocity Prediction and Energy Management Strategy Part 1: Deterministic and Stochastic Vehicle Velocity Prediction Using Machine Learning. SAE Technical Papper. Mahafroz et al. (2015). Prevalence pattern of road traffic accidents in developing countries: a systematic review. International Journal of Medical Science and Public Health., 4(10), 1324-1333. Marsland, S. (2015). Machine Learning An algorithmic perspective, Second Edition. Boca Raton, FL: Taylor & Francis Group, LLC. MESUT ÇİÇEK. (2015). WEARABLE TECHNOLOGIES AND ITS FUTURE APPLICATIONS. International Journal of Electrical, Electronics and Data Communication, 3(4), 45-50. Ministerio de Salud de Colombia. (Febrero de 2016). Años de Vida Potencial Perdidos en los accidentes de transporte terrestre en Colombia, 2005 -2013. Boletin ASIS - Análisis de Situación de Salud, 2(4), 1-7. Obaida M. Al-Hazaimeh et al. (2019). Automated Pedestrian Recognition Based on Deep Convolutional Neural Networks. International Journal of Machine Learning and Computing, 9(5). OMS. (2009). Global status report on road safety: time to action. Geneva: Organización Mundial de la Salud. OMS. (2015). Global status report on road safety. Geneva: Organización Mundial de la Salud. OMS. (2018). Global status report on road safety 2018. Geneva: Organización Mundial de la Salud. Porras Sandra et al. (2017). Años potenciales de vida perdidos por incidentes viales de motociclistas, Medellín, 20092012: un análisis espacial por sitio de la ocurrencia. Revista Médica de Risaralda, 23(1), 22-29. Tamara Otzen et al. (2017). Técnicas de Muestreo sobre una Población a Estudio. Int, J Morphol, 227-232. Thi-Hau Nguyen et al. (2020). Dynamic Basic Activity Sequence Matching Method in Abnormal Driving Pattern Detection Using Smartphone Sensors. MDPI. Wang H et al. (2022). A Recognition Method of Aggressive Driving Behavior Based on Ensemble Learning. Sensors, 22(2), 644. Yeong-kang Lai et al. (2018). Intelligent Vehicle Collision Warning System Based on A Depp Learning Approach. IEEE International Conference on Consumer Electronics. Taiwan: IEEE. Yu-Ting Pang et al. (2018). An Advanced Deep Framework for Recognition of Distracted Driving Behaviors. IEEE 7th Global Conference on Consumer Electronics (págs. 802-803). Taiwan: IEEE. Zhang et al. (2020). Cyclist detection and tracking based on multi-layer laser scanner. Human-centric Computing and Information Sciences - Open Springer, 1-18. Zhang, H. (2004). The Optimality of Naive Bayes. Seventeenth International Florida Artificial Intelligence Research Society Conference. 2, pág. 562. Miami Beach, FL: AAAI Press. |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.spa.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional |
| dc.rights.uri.spa.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
x, 47 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.region.none.fl_str_mv |
Valle del Aburrá, Antioquia, Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad Nacional de Colombia |
| dc.publisher.program.spa.fl_str_mv |
Medellín - Minas - Maestría en Ingeniería - Ingeniería de Sistemas |
| dc.publisher.department.spa.fl_str_mv |
Departamento de la Computación y la Decisión |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Minas |
| dc.publisher.place.spa.fl_str_mv |
Medellín, Colombia |
| dc.publisher.branch.spa.fl_str_mv |
Universidad Nacional de Colombia - Sede Medellín |
| institution |
Universidad Nacional de Colombia |
| bitstream.url.fl_str_mv |
https://repositorio.unal.edu.co/bitstream/unal/81568/1/1128435341.2022.pdf https://repositorio.unal.edu.co/bitstream/unal/81568/2/license.txt https://repositorio.unal.edu.co/bitstream/unal/81568/3/1128435341.2022.pdf.jpg |
| bitstream.checksum.fl_str_mv |
d426dc6315ccad7e25d64a9a174d135e 8153f7789df02f0a4c9e079953658ab2 44e69d72e0e02b8379677d4a630c4ebc |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad Nacional de Colombia |
| repository.mail.fl_str_mv |
repositorio_nal@unal.edu.co |
| _version_ |
1814089444135796736 |
| spelling |
Atribución-NoComercial-SinDerivadas 4.0 Internacionalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Espinosa Bedoya, Albeiro16b6474a3fac0cc52f9d2217afeaafff600Lombana Martinez, Juan Manuelde35e653eb2d279675e371e84d2efb092022-06-13T18:29:23Z2022-06-13T18:29:23Z2022-05-15https://repositorio.unal.edu.co/handle/unal/81568Universidad Nacional de ColombiaRepositorio Institucional Universidad Nacional de Colombiahttps://repositorio.unal.edu.co/diagramas, tablasLa clasificación de los estilos de conducción usando aprendizaje de máquina es una propuesta novedosa al problema de salud pública y los impactos macroeconómicos que representa la pérdida de vidas debido a la accidentalidad vial. En este trabajo se propone el uso de relojes inteligentes para monitorear diversos aspectos del conductor y para las tareas de clasificación se han implementado algoritmos de máquinas de vectores de soporte (SVM), árboles de decisión y clasificador ingenuo de bayes. Como conclusión principal se muestra la correlación que tienen los patrones de sueño con el estilo de conducción, así como la pertinencia del uso de estos dispositivos para la construcción de un conjunto de datos de buena calidad. (Texto tomado de la fuente)Machine learning driving behavior classification is a novel proposal to face public health problems and macroeconomy impacts that suppose road traffic injury deaths. This project proposes the use of smart watches to monitor different aspects of drivers, for classification tasks we had implemented support vector machines (SVM), decision trees and naïve bayes classificator. We show strong correlation between sleep patterns and driving behavior as main conclusion, also the relevance of using wearable devices to build high quality datasets.MaestríaMagíster en Ingeniería - Ingeniería de SistemasÁrea Curricular de Ingeniería de Sistemas e Informáticax, 47 páginasapplication/pdfspaUniversidad Nacional de ColombiaMedellín - Minas - Maestría en Ingeniería - Ingeniería de SistemasDepartamento de la Computación y la DecisiónFacultad de MinasMedellín, ColombiaUniversidad Nacional de Colombia - Sede Medellín000 - Ciencias de la computación, información y obras generales::004 - Procesamiento de datos Ciencia de los computadoresEnseñanza para conducción de automóvilesAutomobile driver educationAprendizaje automático (Inteligencia artificial)Machine learningEstilo de ConducciónMuertes en accidentes de transitoaprendizaje de máquinaconjunto de datosmaquinas de vectores de soporteárbol de decisiónnaive-bayesDriving behaviorRoad traffic deathsmachine learningdatasetsvmdecision treeMétodo para clasificar los estilos de conducción basado en técnicas de aprendizaje de máquina, empleando señales fisiológicas y sensórica capturada por dispositivos vestibles. Caso de Estudio: Conductores del Área Metropolitana del Valle de AburráMethod for the classification of driving behaviors based on machine learning techniques, using physiological signals and sensors captured by wearable devices. Case of Study: Metropolitan Area Drivers of Aburrá Valley.Trabajo de grado - Maestríainfo:eu-repo/semantics/masterThesisinfo:eu-repo/semantics/acceptedVersionTexthttp://purl.org/redcol/resource_type/TMValle del Aburrá, Antioquia, ColombiaAMVA, Á. (2017). Encuesta Origen Destino. Medellín: Área Metropolitana del Valle de Aburrá.Bishop. (2006). Pattern Recognition and Machine Learning. Springer.Cheng Zang et al. (2016). Driver Classification Based on Driving Behaviors. IUI '16: Proceedings of the 21st International Conference on Intelligent User Interfaces (págs. 80-84). Sonoma, CA, USA: ACM.DANE. (2018). PIB - FAQ. Recuperado el 20 de 07 de 2020, de https://www.dane.gov.co/files/faqs/faq_pib.pdfDerick A. Johnson et al. (2011). Driving Style Recognition Using a Smartphone as a Sensor Platform. International IEEE Conference on Intelligent Transportation Systems (págs. 1609-1615). Washington: IEEE.García de Quevedo N. F et al. (2018). Determinación de los componentes entrópicos de la accidentalidad: el trinomio vehículo/usuario/camino en la metrópoli de Guadalajara, México. Revista Tecnura, 22(55), 51-65. doi:https://doi.org/10.14483/22487638.13245Géron, A. (2019). Hands On Machine Learning with Scikit Learn, Keras and Tensorflow. O'Reilly.Goberville N et al. (2019). Analysis of LiDAR and Camera Data in Real-World Weather Conditions for Autonomous Vehicle Operations. SAE Technical Papper.Guillen Serra et al. (2006). Técnicas de muestreo. Sesgos más Frecuentes. En Métodos estadísticos para enfermería nefrológica (págs. 121-132). SEDEN.Hwang et al. (2019). Assessing Accuracy of Wrist-Worn Wearable Devices in Measurement of Paroxysmal Supraventricular Tachycardia Heart Rate. Korean Circulation Journal, 437-445.J Yang et al. (2017). Traffic Sign Recognition Based on Deep Convolutional Neural Network. Springer Nature Singapore Pte Ltd, 685-695.Ley 1122. (2007). Colombia: Congreso de la Republica de Colombia.Ley 769. (2002). Código Nacional de Transito. Colombia: Congreso de la Republica de Colombia.Lui K et al. (2019). Vehicle Velocity Prediction and Energy Management Strategy Part 1: Deterministic and Stochastic Vehicle Velocity Prediction Using Machine Learning. SAE Technical Papper.Mahafroz et al. (2015). Prevalence pattern of road traffic accidents in developing countries: a systematic review. International Journal of Medical Science and Public Health., 4(10), 1324-1333.Marsland, S. (2015). Machine Learning An algorithmic perspective, Second Edition. Boca Raton, FL: Taylor & Francis Group, LLC.MESUT ÇİÇEK. (2015). WEARABLE TECHNOLOGIES AND ITS FUTURE APPLICATIONS. International Journal of Electrical, Electronics and Data Communication, 3(4), 45-50.Ministerio de Salud de Colombia. (Febrero de 2016). Años de Vida Potencial Perdidos en los accidentes de transporte terrestre en Colombia, 2005 -2013. Boletin ASIS - Análisis de Situación de Salud, 2(4), 1-7.Obaida M. Al-Hazaimeh et al. (2019). Automated Pedestrian Recognition Based on Deep Convolutional Neural Networks. International Journal of Machine Learning and Computing, 9(5).OMS. (2009). Global status report on road safety: time to action. Geneva: Organización Mundial de la Salud.OMS. (2015). Global status report on road safety. Geneva: Organización Mundial de la Salud.OMS. (2018). Global status report on road safety 2018. Geneva: Organización Mundial de la Salud.Porras Sandra et al. (2017). Años potenciales de vida perdidos por incidentes viales de motociclistas, Medellín, 20092012: un análisis espacial por sitio de la ocurrencia. Revista Médica de Risaralda, 23(1), 22-29.Tamara Otzen et al. (2017). Técnicas de Muestreo sobre una Población a Estudio. Int, J Morphol, 227-232.Thi-Hau Nguyen et al. (2020). Dynamic Basic Activity Sequence Matching Method in Abnormal Driving Pattern Detection Using Smartphone Sensors. MDPI.Wang H et al. (2022). A Recognition Method of Aggressive Driving Behavior Based on Ensemble Learning. Sensors, 22(2), 644.Yeong-kang Lai et al. (2018). Intelligent Vehicle Collision Warning System Based on A Depp Learning Approach. IEEE International Conference on Consumer Electronics. Taiwan: IEEE.Yu-Ting Pang et al. (2018). An Advanced Deep Framework for Recognition of Distracted Driving Behaviors. IEEE 7th Global Conference on Consumer Electronics (págs. 802-803). Taiwan: IEEE.Zhang et al. (2020). Cyclist detection and tracking based on multi-layer laser scanner. Human-centric Computing and Information Sciences - Open Springer, 1-18.Zhang, H. (2004). The Optimality of Naive Bayes. Seventeenth International Florida Artificial Intelligence Research Society Conference. 2, pág. 562. Miami Beach, FL: AAAI Press.EstudiantesInvestigadoresMaestrosPúblico generalORIGINAL1128435341.2022.pdf1128435341.2022.pdfTesis de Maestría en Ingeniería - Ingeniería de Sistemasapplication/pdf2640931https://repositorio.unal.edu.co/bitstream/unal/81568/1/1128435341.2022.pdfd426dc6315ccad7e25d64a9a174d135eMD51LICENSElicense.txtlicense.txttext/plain; charset=utf-84074https://repositorio.unal.edu.co/bitstream/unal/81568/2/license.txt8153f7789df02f0a4c9e079953658ab2MD52THUMBNAIL1128435341.2022.pdf.jpg1128435341.2022.pdf.jpgGenerated Thumbnailimage/jpeg5750https://repositorio.unal.edu.co/bitstream/unal/81568/3/1128435341.2022.pdf.jpg44e69d72e0e02b8379677d4a630c4ebcMD53unal/81568oai:repositorio.unal.edu.co:unal/815682024-08-06 23:10:15.335Repositorio Institucional Universidad Nacional de Colombiarepositorio_nal@unal.edu.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 |