Diseño e implementación de un sistema de alerta temprana para la detección de Somnolencia aplicado en distintos entornos ocupacionales basado en inteligencia artificial y visión por computadora.

En este trabajo de investigación se presenta la implementación de un sistema inteligente de visión por computadora para detectar rasgos de somnolencia en una población especifica dentro de un contexto de productividad de una organización pública o privada. Este prototipo cuenta con la ventaja de no...

Full description

Autores:
Charris Castrillón, Sebastián Manuel
Sabogal Peralta , Samuel Andrés
Tipo de recurso:
Fecha de publicación:
2022
Institución:
Universidad del Magdalena
Repositorio:
Repositorio Unimagdalena
Idioma:
spa
eng
OAI Identifier:
oai:repositorio.unimagdalena.edu.co:123456789/8910
Acceso en línea:
https://repositorio.unimagdalena.edu.co/handle/123456789/8910
Palabra clave:
Somnolencia
Salud ocupacional
Redes neuronales convolucionales
Transferencia de aprendizaje
Visión por computador
Rights
openAccess
License
Acceso Abierto
Description
Summary:En este trabajo de investigación se presenta la implementación de un sistema inteligente de visión por computadora para detectar rasgos de somnolencia en una población especifica dentro de un contexto de productividad de una organización pública o privada. Este prototipo cuenta con la ventaja de no ser invasivo al cuerpo y estructuralmente está construido con componentes de fácil implementación, como una placa raspberry, una cámara digital y una alarma audible, pero con un gran poder de procesamiento. Durante el desarrollo del dispositivo, se optó por comparar dos métodos para determinar la existencia de la fatiga ocular, el primer método parte de un dataset llamado “yawn_eye_dataset_new” tomado de la base de datos de imágenes de kaggle, este contine 726 imágenes para la clase ‘Ojo Abierto’ y 726 imágenes para la clase ‘Ojo Cerrado’, del cual se dividió el 70% de datos para entrenamiento y el 30% para validación. Mediante estos datos se construyó un modelo de red neuronal convolucional de la mano de la metodología de transferencia de aprendizaje para clasificar el estado del ojo y obtener un índice de somnolencia, para evaluar el rendimiento del modelo entrenado se optó por elaborar un set de prueba que contiene 18 imágenes para cada clase. El segundo método, utiliza el modelo de malla facial para obtener la posición del ojo y a su vez usa la relación de aspecto del ojo (Eye Aspect Rate) para medir la distancia que hay en la apertura del globo ocular y de este modo generar un valor medible de somnolencia. Finalmente, el primer método arroja una exactitud del 69% en la predicción y un error del 31%, un porcentaje muy alto para la predicción de un modelo. En cambio, el segundo método presenta un 76% de exactitud en medición del EAR y un error considerablemente bajo del 24%, en comparación con el método uno. En conclusión, el método dos demuestra una mejora en el nivel exactitud y en la disminución del porcentaje de error con respecto al primer modelo desarrollado, porque el EAR acompañado del modelo de malla facial 3D es una manera eficiente de estimar la existencia de la fatiga ocular.