Una red neuronal para la detección de somnolencia en conductores
Palabras clave:
machine learning, red neuronal, sensores, somnolencia, vigiliaResumen
En el presente artículo se muestra el uso de una técnica de inteligencia artificial denominada machine learning, para detectar los estados de somnolencia y de vigilia en los conductores vehiculares. La somnolencia se genera cuando el individuo está con un alto nivel de estrés o cansancio, lo cual puede provocar un accidente; cuando está en alerta, se le denomina estado de vigilia. Para su medición, se toman en cuenta dos variables: el pulso cardíaco y la temperatura corporal. El pulso cardíaco se midió con un sensor, a través del método de fotopletismografía (PPG). La temperatura corporal se tomó mediante un sensor infrarrojo, sin contacto. Los datos obtenidos a través de la lectura sirvieron para crear una colección de datos y realizar el entrenamiento de una red neuronal con aprendizaje supervisado. Posteriormente, la información fue clasificada mediante este sistema de adquisición de datos.
Citas
Aguirre Navarrete, R. I. (2013). Cambios Fisiológicos en el Sueño. Revista Ecuatoriana de Neurología, 22(1-3). https://cutt.ly/uWhhnwe.
Amador Cano, G. (2001). Termorregulación de juveniles y adultos de la langosta de quelas rojas Cherax quadricarinatus [Tesis de Maestría, Centro de Investigación Científica y de Educación Superior de Ensenada]. https://cutt.ly/iWhhthe.
Baca Flores, P. E. y Bonilla Sánchez, K. A. (2017). Prototipo de un sistema de medición de temperatura corporal y pulso cardiaco, para registro médico digitalizado, en la clínica universitaria de becados internos de la unan-Managua [Tesis de Ingeniería, Universidad Nacional Autónoma de Nicaragua]. https://repositorio.unan.edu.ni/9845/1/98913.pdf.
Basco Prado, L., Fariñas Rodríguez, S. e Hidalgo Blanco, M. Á. (2010). Características del sueño de los pacientes en una unidad de cuidados intensivos. Revista Cubana de Enfermería, 26(2). https://cutt.ly/VWhhVc0.
Berzal, F. (2015). Clasificación y predicción. decsai.
Celi, G., Rocha, M. y Yapur, M. (2011, 13 de septiembre). Mediciones fotopletismográficas. Facultad de Ingeniería en Electricidad y Computación [Artículo de Tesis de Grado, Escuela Superior Politécnica del Litoral]. http://www.dspace.espol.edu.ec/handle/123456789/17030.
Comisión Nacional de Seguridad. (2013). Accidentes y sus factores. https://cutt.ly/HWhkzoh.
E. (2019, 27 septiembre). Las fases del sueño: NREM Y REM. Ambiente idóneo y beneficios para la salud. Elsevier Connect. https://www.elsevier.com/es-es/connect/enfermeria/las-fases-del-sueno-nrem-y-rem .
Introducción a las Redes Neuronales Pt. I. (2019, 25 junio). Future Lab. https://futurelab.mx/redes%20neuronales/inteligencia%20artificial/2019/06/25/intro-a-redes-neuronales-pt-1/.
Lanuza Moreno, S. S. y Lira Dávila, K. E. (2018). Condiciones de trabajo, salud y perfil de accidentabilidad en los taxistas de la ciudad de León, en el período 2017-2018 [Tesis Médico y Cirujano, Universidad Nacional Autónoma de Nicaragua, León]. https://cutt.ly/vRqqDWP.
LeCun, Y., Bengio, Y. y Hinton, G. (2015, mayo). Deep learning. Nature, 521(7553), 436-444. https://doi.org/10.1038/nature14539.
Márquez Mamano, E. A. (2011). Medidor de frecuencia cardíaca y temperatura corporal [Tesis de Licenciatura, Universidad Mayor de San Andrés]. Repositorio institucional. https://cutt.ly/SWhj7Zp .
Matich, D. J. (2001). Redes Neuronales: Conceptos básicos y aplicaciones. Universidad Tecnológica Nacional – Facultad Regional Rosario. https://cutt.ly/VWhjzO8.
Petzold, C. (2008). The annotated Turing: a guided four through Alan Turing’s historic paper on computability and Turing machine. Wiley Publishing.
Potter, P. A., Perry, A. G., Stockert, P. A. (Eds.). (2019). Fundamentos de enfermería. Elsevier Health Sciences.
Rosales Mayor, E. y Rey de Castro Mujica, J. (2010). Somnolencia: Qué es, qué la causa y cómo se mide. Acta Médica Peruana, 27(2), 137-143. http://www.scielo.org.pe/pdf/amp/v27n2/a10v27n2.pdf.
Saavedra Torres, J. S., Zúñiga Cerón, L. F., Navia Amézquita, C. A. y Vásquez López, J. A. (2013). Ritmo circadiano: el reloj maestro. Alteraciones que comprometen el estado de sueño y vigilia en el área de la salud. Morfolia, 5(3). https://revistas.unal.edu.co/index.php/morfolia/article/view/41615.
Sánchez, S. C. A. (2009). Los ritmos circadianos y la productividad laboral. El Cuaderno Ciencias Estratégicas, 3(5), 39-57.
Sanz Fernández, J. (1989). Biofeedback de temperatura periférica. Revista Española de Terapia del Comportamiento, 7(3), 273-294. https://eprints.ucm.es/id/eprint/27176/.
Tintín Durán, E. I. (2015). Diseño y elaboración de un prototipo de monitor de signos vitales aplicando métodos no invasivos con comunicación de datos a dispositivos móviles [Tesis de Ingeniería, Universidad Politecnica Salesiana]. https://dspace.ups.edu.ec/bitstream/123456789/7982/1/UPS-CT004847.pdf.
Velayos, J. L., Moleres, F. J., Irujo, A. M., Yllanes, D. y Paternain, B. (2007). Bases anatómicas del sueño. Anales del sistema sanitario de Navarra, 30(7-17). https://scielo.isciii.es/pdf/asisna/v30s1/02.pdf.
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Revista Digital Universitaria
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Revista Digital Universitaria es editada por la Universidad Nacional Autónoma de México se distribuye bajo una Licencia Creative Commons Atribución-NoComercial 4.0 Internacional. Basada en una obra en http://revista.unam.mx/.
