Diseño de un sistema de detección de somnolencia utilizando redes neuronales.

Lenis Sánchez, Nicolas; Galvis Camaron, Omar Alfonso

Diseño de un sistema de detección de somnolencia utilizando redes neuronales.

dc.contributor.advisor	Barrero Pérez, Jaime Guillermo
dc.contributor.author	Lenis Sánchez, Nicolas
dc.contributor.author	Galvis Camaron, Omar Alfonso
dc.contributor.evaluator	Fajardo Ariza, Carlos Augusto
dc.contributor.evaluator	Fonseca Estupiñan, Karen Andrea
dc.date.accessioned	2024-02-27T18:31:41Z
dc.date.available	2024-02-27T18:31:41Z
dc.date.created	2024-02-21
dc.date.issued	2024-02-21
dc.description.abstract	La somnolencia puede ser especialmente peligrosa cuando se requiere concentración absoluta en momentos críticos del ser humano. Las debilidades momentáneas en el enfoque durante tareas esenciales, como la conducción o la manipulación de equipos complejos, pueden desencadenar consecuencias trágicas, incluidos accidentes graves o incluso pérdidas humanas. La clave para mitigar tales riesgos radica en la detección precoz de ésta. Este trabajo de grado presenta un método sofisticado que emplea inteligencia artificial y procesamiento de imágenes para reconocer los primeros signos de somnolencia. A través de un sistema embebido, la Raspberry pi 4, se implementaron dos soluciones, en la primera solución se implementó una red neuronal meticulosamente entrenada que identifica la somnolencia o cansancio mediante el tiempo del parpadeo. En la segunda solución se implementó un sistema con Dlib, el cual hace la medición del EAR, también con tiempo de parpadeo más bostezos prolongados.
dc.description.abstractenglish	Drowsiness can be especially dangerous when absolute concentration is required at critical human moments. Momentary weaknesses in focus during essential tasks, such as driving or handling complex equipment, can trigger tragic consequences, including serious accidents or even loss of life. The key to mitigating such risks lies in their early detection. This graduate work presents a sophisticated method that employs artificial intelligence and image processing to recognize the early signs of drowsiness. Through an embedded system, the Raspberry pi 4, two solutions were implemented, in the first solution a meticulously trained neural network was implemented that identifies drowsiness or tiredness through the blink time. In the second solution, a system was implemented with Dlib, which measures EAR, also with blink time plus prolonged yawning.
dc.description.degreelevel	Pregrado
dc.description.degreename	Ingeniero Electrónico
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/15874
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Ingeniería Electrónica
dc.publisher.school	Escuela de Ingenierías Eléctrica, Electrónica y Telecomunicaciones
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.title	Diseño de un sistema de detección de somnolencia utilizando redes neuronales.
dc.title.english	Design of a drowsiness detection system using neural networks.
dc.type.coar	http://purl.org/coar/resource_type/c_7a1f
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Pregrado