Sistema de Monitoreo de Conductores con Raspberry Pi: Detección de Fatiga y Microsueños, Resúmenes de Sistemas Integrados

¡Descarga Sistema de Monitoreo de Conductores con Raspberry Pi: Detección de Fatiga y Microsueños y más Resúmenes en PDF de Sistemas Integrados solo en Docsity!

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS SISTEMA ÓPTIMO PARA MONITOREO DE NIVELES DE USUARIO SOMNOLIENTO (SOMNUS)

Ayala Carvajal Yael Emmanuel, Barrera Domínguez Cristopher Jair, Carrillo Briceño Abraham, Sarabia

Pacho Jesús Armando

RESUMEN

El proyecto se centra en el desarrollo de un sistema de monitoreo de conductores que utiliza una Raspberry Pi Modelo 4B y una cámara USB, el sistema detecta características faciales y movimientos oculares para medir la duración de los parpadeos y microsueños. La metodología incluyó la selección de Ubuntu como sistema operativo, el desarrollo de código en Python para monitoreo en tiempo real y el almacenamiento de resultados en una base de datos MariaDB, el sistema alerta a los conductores si se detectan niveles peligrosos de fatiga. Las pruebas piloto mostraron resultados prometedores, el impacto potencial del sistema incluye la reducción de accidentes mediante la provisión de alertas en tiempo real y el análisis de patrones de fatiga. PALABRAS CLAVE: Monitoreo de conductores, Fatiga, Microsueños, Parpadeo, Raspberry Pi, Cámara USB, Seguridad vial ABSTRACT The project focuses on the development of a driver monitoring system that uses a Raspberry Pi Model 4B and a USB camera. The system detects facial features and eye movements to measure blink duration and microsleeps. The methodology included selecting Ubuntu as the operating system, developing Python code for real-time monitoring, and storing results in a MariaDB database. The system alerts drivers if dangerous levels of fatigue are detected. Pilot testing showed promising results, though improvements are needed in detection thresholds. The system’s potential impact includes reducing accidents by providing real- time alerts and data for fatigue pattern analysis. KEYWORDS: Driver monitoring, Fatigue, Microsleeps, Blink detection, Raspberry Pi, USB camera, Road safety

1 INTRODUCCIÓN

La fatiga y los microsueños al volante representan un riesgo considerable para la seguridad vial, siendo una de las principales causas de accidentes de tráfico a nivel mundial. A pesar de los avances en la tecnología de seguridad vehicular, la detección temprana de la somnolencia en los conductores sigue siendo un desafío crítico. En este trabajo se presenta el diseño e implementación de un sistema basado en Raspberry Pi y cámara USB para monitorear en tiempo real los signos de fatiga en conductores, particularmente a través de la detección de parpadeos y microsueños, utilizando un enfoque de procesamiento de imágenes y análisis de datos, el sistema puede emitir alertas tempranas para evitar incidentes causados por la somnolencia al volante, la plataforma también almacena datos en la nube para análisis posteriores, permitiendo identificar patrones de fatiga. La fatiga es un síntoma que se presenta en algunas personas, como sensación de decaimiento, sueño y debilidad (Navarrete, et all, 2021). Teniendo esto en cuenta, podemos reconocer que la fatiga es un grave vector de riesgo en el desarrollo de cualquier actividad. La fatiga puede manifestarse de diversas formas, cada una con implicaciones distintas en la conducción. La fatiga física, que resulta del esfuerzo muscular prolongado, afecta la coordinación y la capacidad de respuesta (Akerstedt & Gillberg, 2020). La fatiga mental, por otro lado, se caracteriza por una disminución de la atención, la concentración y la capacidad de tomar decisiones (Lim & Dinges, 2022). Por último, la fatiga emocional, que proviene del estrés y las preocupaciones personales, puede llevar a una disminución del estado de alerta (Hobson & Lee, 2008). La fatiga al volante tiene consecuencias graves. Entre ellas, la disminución de los reflejos, ya que los conductores fatigados reaccionan más lentamente ante estímulos externos, lo que incrementa el riesgo de colisiones. También se pueden cometer errores de juicio, como cambiar de carril sin precaución o no respetar las señales de tráfico debido a la fatiga mental. Además, los microsueños, breves episodios de sueño, pueden provocar pérdidas de control del vehículo y resultar en accidentes fatales (Dinges, 2020). La visión por computadora ha demostrado ser una herramienta eficaz para detectar la fatiga. Sistemas como SOMNUS emplean cámaras para analizar el rostro del conductor y detectar signos de cansancio. Entre estos, se incluye la detección de parpadeos, donde se mide la frecuencia y duración, ya que ambos aumentan cuando el conductor está fatigado (Lal & Nguyen, 2020). Además, el sistema también puede detectar microsueños al identificar períodos de inactividad ocular que indican su presencia (Dinges, 2020). La inteligencia artificial (IA) juega un papel crucial en la precisión de los sistemas de detección de fatiga. Al analizar grandes cantidades de datos, los algoritmos de IA pueden identificar

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS pretende que muchas personas pudiesen resultar beneficiadas con el uso de este proyecto, entre ellos podemos contemplar a los conductores, quienes se benefician al recibir alertas tempranas sobre su fatiga, lo que les permite tomar medidas adecuadas o simplemente tomar un descanso. Aquellos terceros interesados (patrones, autoridades de tráfico, etc) podrán utilizar los datos recopilados para monitorear la fatiga del conductor en tiempo real y tomar medidas para evitar accidentes. Tanto la sociedad se beneficia al tener carreteras más seguras y de una reducción en la cantidad de accidentes de tráfico, como las empresas de Transporte, que pueden proteger a sus empleados y activos al implementar este sistema en sus flotas, así como la reducción de la contaminación en el medio ambiente evitando o logrando que los accidentes sean menos frecuentes. En cuanto al proyecto de investigación llevado a cabo por Amaya Solano, Bolívar Ariza y Palacios Gutiérrez (2023), se destaca la implementación de un sistema de sensores de alta tecnología en vehículos de carga pesada para detectar síntomas de sueño y fatiga en los conductores, esta iniciativa busca abordar el problema de los accidentes de tránsito causados por la somnolencia, ofreciendo una solución tecnológica innovadora que podría tener un impacto significativo en la seguridad vial. Por lo que es nuestra fuente de inspiración, para el proceso de investigación de antecedentes (marco teórico), en el que nos adentraremos en el estado del arte, para poder buscar alternativas, maneras en las que debemos y podemos medir el cansancio, así como implementaciones o maneras de llevar a cabo un proyecto similar.

2 MATERIALES Y MÉTODOS

2.1 PROPUESTA DEL PROYECTO

El proyecto SOMNUS se enfoca en mejorar la seguridad vial mediante la detección de microsueños en conductores, los microsueños, que son breves lapsos de sueño, pueden ser peligrosos y aumentar el riesgo de accidentes. SOMNUS utiliza una cámara USB y una Raspberry Pi para monitorear al conductor, detectar microsueños y emitir alertas para evitar accidentes. Además, el sistema recopila y gestiona datos relevantes sobre el conductor y el contexto del monitoreo a través de un servidor en la nube en Microsoft Azure.

2.2 CARACTERÍSTICAS GENERALES

Hardware Básico y Eficiente: Utiliza una Raspberry Pi Modelo 4B conectada a una cámara estándar vía USB, lo que lo convierte en una solución económica y accesible para su implementación. Descripción. Modelo del Sistema Físico del Prototipo SOMNUS. Detección de Fatiga y Microsueños: El sistema monitorea el rostro del conductor en tiempo real, detectando signos de fatiga a través de los parpadeos y microsueños utilizando una cámara USB y un algoritmo de reconocimiento facial. Procesamiento en Tiempo Real: El sistema está diseñado para procesar y analizar datos en tiempo real, emitiendo alertas instantáneas cuando detecta indicadores de fatiga en el conductor. Descripción. Ejemplo de Alerta. Almacenamiento en la Nube: Los datos recolectados se almacenan en una base de datos MariaDB en un servidor en la nube de Microsoft Azure, permitiendo el análisis posterior y acceso remoto a la información para patrones de monitoreo. Portabilidad y Escalabilidad: Gracias a su configuración basada en Raspberry Pi, el sistema puede ser fácilmente transportado y escalado para monitorear múltiples vehículos en una flota. Interfaz Web para Análisis: Cuenta con una página web que permite la visualización de datos en gráficos dinámicos, lo que facilita el seguimiento de los niveles de fatiga y el análisis de tendencias de microsueños.

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS

2.3 ¿CUÁL ES SU FUNCIÓN?

La función principal de SOMNUS es detectar signos de fatiga y microsueños en conductores en tiempo real, utilizando una combinación de tecnología de visión por computadora e inteligencia artificial, el sistema monitorea el rostro del conductor, enfocándose en los movimientos oculares para medir la duración de los parpadeos y la presencia de microsueños. Cuando SOMNUS detecta niveles peligrosos de somnolencia, emite alertas inmediatas para que el conductor pueda tomar medidas preventivas, como detenerse a descansar, además, SOMNUS recopila datos sobre el comportamiento del conductor, almacenándolos en la nube, lo que permite analizar patrones de fatiga para mejorar la seguridad vial a largo plazo. Este sistema tiene como objetivo reducir el riesgo de accidentes de tráfico causados por la somnolencia, ayudando a proteger tanto a los conductores como a otros usuarios de las carreteras en Mérida, Yucatán.

2. 4 MATERIALES

Para llevar a cabo este proyecto, es esencial seguir un proceso paso a paso para garantizar el éxito en la implementación del sistema de detección de microsueños, comenzamos con la preparación de los componentes y herramientas necesarios:

1. Dispositivo inteligente: Se utiliza una laptop o computadora que tenga un puerto para tarjetas micro SD y capacidad para ejecutar el programa "Imager" versión 1.8.5 como mínimo.
2. Tarjeta micro SD y adaptador: La tarjeta micro SD se utiliza para almacenar el sistema operativo Ubuntu GNU/Linux, se necesita un adaptador para conectar la tarjeta al dispositivo inteligente.
3. Programa "Imager": Este software se utiliza para instalar el sistema operativo en la tarjeta micro SD, la versión específica mencionada (1.8.5; mínimo) garantiza la compatibilidad y estabilidad con el proceso de instalación.
4. Teclado y mouse: Se requieren para interactuar con la laptop o computadora durante la configuración inicial y la instalación del sistema operativo.
5. Cámara adecuada: Para la detección de microsueños, se necesita una cámara compatible y de buena calidad, la elección de la cámara es crucial para garantizar una detección precisa y confiable de los signos de fatiga en el rostro del conductor, en el caso actual, utilizamos una cámara USB.
6. Raspberry Pi 4 Modelo B y accesorios: El Raspberry Pi actúa como el cerebro del proyecto, se necesitan accesorios como un cable micro HDMI a HDMI estándar, carcasa y disipador de calor para garantizar un funcionamiento óptimo del dispositivo.
7. Programa en Python de Reconocimiento Facial y librerías necesarias: Se desarrolla un programa en el lenguaje de programación Python para el análisis de datos de la cámara y la detección de microsueños, se utilizan librerías específicas para el procesamiento de imágenes y la interacción con el hardware del Raspberry Pi.
8. Programa en Python/Arduino/Java de Fuzzy Logic: Software utilizados para las pruebas de resultados en diferentes ambientes de lógica difusa en base a conjuntos.
9. Servidores: Requisamos los servidores para el correcto funcionamiento de la operación, contemplando los esenciales como la Base de Datos, Análisis o Aplicación Web; así como los requeridos para la infraestructura virtualizada, como el Security Onion.

3 LÓGICA DIFUSA

La lógica difusa es una metodología que proporciona una manera simple y elegante de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa, con ruido o incompleta. En general la lógica difusa imita como una persona toma decisiones basada en información con las características mencionadas. Una de las ventajas de la lógica difusa es la posibilidad de implementar sistemas basados en ella tanto en hardware como en software o en combinación de ambos. La lógica difusa es una técnica de la inteligencia computacional que permite trabajar con información con alto grado de imprecisión, en esto se diferencia de la lógica convencional que trabaja con información bien definida y precisa. Conducir en estado de somnolencia es una causa importante detrás de los accidentes de carretera, exponiendo al conductor a riesgo de accidente con mayor probabilidad en comparación a la conducción en estado de alerta. El uso de sistemas de monitoreo que notifican el nivel de atención del conductor demuestra importancia en la prevención de accidentes relacionados al estado de vigilia. Este trabajo introduce el enfoque de visión por computador, donde la Raspberry Pi 4 , con los diferentes componentes electrónicos necesarios, utilizados conjuntamente con técnicas de inteligencia artificial y reconocimiento de patrones, para implementar una solución no intrusiva para la detección del nivel de somnolencia y distracciones de conductor de vehículo automotor, además de brindar una alternativa bastante accesible para instalar el sistema en cualquier tipo de vehículo automotor. Se presenta un prototipo sencillo para detección de somnolencia y distracciones, en el cual el método de Viola- Jones es utilizado para el reconocimiento de rostros, un clasificador tipo cascada que utiliza una base de datos de imágenes acorde al Sistema Codificado de Acciones Faciales (SCAF, o FACS en inglés) para su entrenamiento. Se cuenta la cantidad de detección de ojos, tanto abiertos como cerrados, y los cambios en la boca, para el conteo de bostezos en una secuencia continua de imágenes (lo que constituye un

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS Descripción: Se considera una frecuencia moderada de microsueños. Puede ser indicativo de cierta somnolencia o fatiga. Alta - Microsueños por hora: Más de 5 Descripción: Se considera una frecuencia alta de microsueños. Es un signo de somnolencia excesiva y puede aumentar el riesgo de accidentes. Evidencia científica: Un estudio publicado en la revista Sleep encontró que la frecuencia promedio de microsueños en adultos sanos es de 1- 5 por hora. Otro estudio, publicado en la revista Accident Analysis & Prevention encontró que el riesgo de accidentes de tráfico aumenta significativamente cuando la frecuencia de microsueños supera los 5 por hora. La National Sleep Foundation (https://www.sleepfoundation.org/) indica que los microsueños son más comunes en personas que no duermen lo suficiente, que trabajan turnos nocturnos o que conducen durante largos períodos de tiempo. Funciones de Membresía (Ecuación) Descripción. Ecuaciones funciones de membrecía microsueños. Riesgo de Choque (Variable de Salida): Descripción: Representa el nivel de fatiga o somnolencia, que se asocia con la probabilidad de un choque. Funciones de Membresía: Bajo Bajo riesgo de fatiga o somnolencia. Moderado Moderado riesgo de fatiga o somnolencia. Alto Alto riesgo de fatiga o somnolencia. Justificación Científica: La investigación ha demostrado una correlación positiva entre la frecuencia de microsueños y el riesgo de fatiga o somnolencia. Un estudio publicado en la revista Sleep (National heart, lung, and blood institute, 2021)encontró que los conductores con más de 3 microsueños por hora tenían un riesgo 5 veces mayor de sufrir un accidente de tráfico relacionado con el sueño. Otro estudio, publicado en la revista Accident Analysis & Prevention (huang, 2020),encontró que el riesgo de accidentes de tráfico aumenta significativamente en personas mayores de 50 años que experimentan microsueños. Funciones de Membresía (Ecuación) Descripción. Ecuaciones funciones de membresía riesgo de choque. Representación con Funciones de Membresía Triangulares y Trapezoidales Edad En un enfoque más práctico, se pueden usar funciones de membresía triangulares (trimf) y trapezoidales (trapmf) para representar estas funciones de membresía de manera difusa en un sistema de lógica difusa. . Estas funciones de membresía permiten categorizar la edad en términos difusos, lo que es útil para sistemas de lógica difusa. Juvenil: La membresía es 1 para edades menores o iguales a 20 años, disminuye linealmente a 0 desde los 20 hasta los 25 años. Media: La membresía aumenta linealmente de 0 a 1 desde los 20 hasta los 25 años, permanece 1 entre los 25 y 60 años, y disminuye linealmente a 0 desde los 60 hasta los 64 años.

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS Alta: La membresía es 0 para edades menores o iguales a 60 años, aumenta linealmente a 1 desde los 60 hasta los 64 años y permanece 1 para edades mayores o iguales a 64 años. Descripción. Representación con Funciones de Membresía Triangulares y Trapezoidales edades. Cantidad de Microsueños Baja: La membresía es 1 para menos de 0.5 microsueños por hora, disminuye linealmente a 0 desde los 0.5 hasta los 1 microsueños por hora. Media: La membresía aumenta linealmente de 0 a 1 desde los 0. hasta los 1 microsueños por hora, permanece 1 entre los 1 y 5 microsueños por hora, y disminuye linealmente a 0 desde los 5 hasta los 6 microsueños por hora. Alta: La membresía es 0 para menos de 5 microsueños por hora, aumenta linealmente de 0 a 1 desde los 5 hasta los 6 microsueños por hora y permanece 1 para más de 6 microsueños por hora. Descripción. Representación con Funciones de Membresía Triangulares y Trapezoidales microsueños. Riesgo de Choque Bajo: La membresía es 1 para valores menores o iguales a 20, disminuye linealmente a 0 desde 20 hasta 50. Moderado: La membresía aumenta linealmente de 0 a 1 desde 20 hasta 30, permanece 1 entre 30 y 70, y disminuye linealmente a 0 desde 70 hasta 90. Alto: La membresía es 0 para valores menores o iguales a 70, aumenta linealmente de 0 a 1 desde 70 hasta 90, y permanece 1 para valores mayores o iguales a 90. Reglas Difusas A partir de la investigación realizada, podemos establecer varias premisas que utilizaremos como parámetros para la defuzzificación; las reglas que emplearemos son las siguientes:

1. Si la edad es joven y los microsueños son bajos, entonces el riesgo de choque es bajo. Descripción. Código de la regla difusa 1.
2. Si la edad es joven y los microsueños son medios, entonces el riesgo de choque es medio. Descripción. Código de la regla difusa 2.
3. Si la edad es joven y los microsueños son altos, entonces el riesgo de choque es alto. Descripción. Código de la regla difusa 3.
4. Si la edad es adulta y los microsueños son bajos, entonces el riesgo de choque es bajo.

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS Uno de los pilares fundamentales de la infraestructura de red es la segmentación de la red, que divide el sistema en varias subredes, esto es esencial para minimizar el impacto de posibles ataques. En caso de una violación de seguridad, el acceso a otras áreas de la red queda restringido, limitando el alcance del daño, de mismo modo se implementan políticas estrictas de acceso, controladas mediante listas de control de acceso (ACLs), para garantizar que solo personal autorizado pueda acceder a ciertas partes críticas de la red. Descripción. Diagrama del modelo del sistema. En cuanto a la protección contra intrusiones, Innovatech ha incorporado servidores dedicados al monitoreo de RED; como lo son el Security Onion, y sistemas de detección y prevención de intrusiones (IDS/IPS). Estos sistemas no solo bloquean intentos no autorizados de acceso, sino que también detectan patrones sospechosos en el tráfico de red, lo que permite una respuesta rápida ante posibles incidentes de seguridad, los firewalls analizan el tráfico en tiempo real, aplicando políticas específicas para proteger los recursos internos de la empresa, mientras que los sistemas IDS/IPS permiten detectar anomalías y ataques conocidos, proporcionando una capa adicional de defensa. Se realizan pruebas de penetración regulares para evaluar la resistencia de la red frente a ataques potenciales, estas pruebas son esenciales para descubrir vulnerabilidades que podrían pasar desapercibidas. El objetivo es simular ataques cibernéticos controlados que permitan a los especialistas en seguridad corregir debilidades antes de que puedan ser explotadas, estas acciones, en conjunto con actualizaciones periódicas del software y sistemas operativos, garantizan que la red de Innovatech se mantenga alineada con las mejores prácticas y estándares de seguridad globales. SUBTEMAS: TECNOLOGÍAS UTILIZADAS, SERVIDORES DEDICADOS, CASO DE USO (HACKEO Y MONITOREO)

5 ASPECTOS BASADOS EN CIBERSEGURIDAD

5.1 PROTECCIÓN DE LA INFORMACIÓN DEL

CONDUCTOR

La privacidad y seguridad de los datos personales son fundamentales en el proyecto SOMNUS. Para garantizar la protección de la información de los conductores, se han implementado sólidas medidas de ciberseguridad alineadas con estándares internacionales: Encriptación de datos Toda la información sensible, como datos biométricos y de conducción, se cifra utilizando algoritmos de encriptación robustos y actualizados, como los recomendados por el NIST (National Institute of Standards and Technology) (NIST, 2020). Control de acceso basado en roles (RBAC) Se ha implementado un sistema RBAC granular para asegurar que solo el personal autorizado pueda acceder a los datos de los conductores, siguiendo las mejores prácticas establecidas en el CIS Controls (Center for Internet Security, 2021). Auditorías de seguridad periódicas Se realizan auditorías de seguridad regulares para identificar y remediar vulnerabilidades potenciales, utilizando herramientas de análisis de vulnerabilidades y pentesting (Mitnick Security Consulting, 2022). Cumplimiento de la normativa SOMNUS cumple con las regulaciones de protección de datos más recientes, como el RGPD (Reglamento General de Protección de Datos) en la Unión Europea, asegurando la transparencia y el control de los datos personales (GDPR, 2016).}

5.2 CONTINUIDAD DEL SERVICIO

La continuidad operativa del sistema SOMNUS es esencial para garantizar la seguridad vial. Para ello, se han adoptado las siguientes medidas:

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS Infraestructura en la nube El sistema se basa en una arquitectura en la nube altamente redundante, lo que minimiza el riesgo de interrupciones del servicio debido a fallos de hardware o software. Proveedores de servicios en la nube como AWS y Azure ofrecen soluciones robustas y escalables para garantizar la alta disponibilidad (AWS, 2022; Microsoft Azure, 2022). Monitoreo continuo Se implementa un sistema de monitoreo proactivo para detectar y responder a cualquier anomalía o incidente de seguridad en tiempo real, utilizando herramientas de SIEM (Security Information and Event Management) (Splunk, 2022). Escalabilidad La infraestructura del sistema se ha diseñado para adaptarse a las demandas cambiantes de la flota, asegurando que el servicio pueda escalar de manera eficiente y sin comprometer la seguridad (Gartner, 2021).

6 DISEÑO EXPERIMENTAL – RESULTADOS Y

MÉTODOS

El diseño experimental del proyecto se basa en el desarrollo de un sistema de detección de parpadeos y microsueños, con el objetivo principal de mejorar la seguridad vial mediante la prevención de accidentes causados por la fatiga del conductor. El objetivo del experimento es desarrollar un dispositivo que, utilizando una cámara y un sistema basado en Raspberry Pi 4 Modelo B, detecte los parpadeos del conductor, calcule un tiempo promedio de parpadeos y registre la ocurrencia de microsueños. Este dispositivo no solo generará alertas cuando se detecten signos de fatiga, sino que también enviará los datos recolectados a una base de datos remota para su análisis.

6.1. HARDWARE

Se utiliza una cámara USB conectada a una Raspberry Pi, que actúa como el cerebro del sistema. Esta configuración permite capturar en tiempo real las imágenes del rostro del conductor. Los parpadeos y los microsueños se detectan mediante el análisis de las imágenes usando algoritmos de visión por computadora, particularmente con bibliotecas como OpenCV y dlib. Estas tecnologías permiten identificar patrones faciales, como el cierre de los ojos, y detectar estados de somnolencia.

6.2. ALGORITMO

El algoritmo de Viola-Jones, en combinación con el modelo dlib para el seguimiento de landmarks faciales, se implementa para mejorar la precisión en la detección de ojos y pupilas. Este enfoque minimiza falsos positivos y optimiza la detección en tiempo real, lo que es crucial para un sistema de monitoreo continuo como el propuesto. Se utiliza el cálculo del Índice de Razón de Aspecto (EAR), que mide el tamaño y la forma de los ojos para detectar la frecuencia de parpadeos y estimar cuándo ocurre un microsueño.

6.3. USO DE IOT

El sistema se apoya en la tecnología IoT, donde la Raspberry Pi, a través de una conexión a Internet, envía los datos recolectados a una base de datos remota alojada en servidores en la nube, utilizando MariaDB como sistema de gestión de base de datos. La conectividad es fundamental, ya que permite que los datos sean accesibles en tiempo real, lo que facilita el análisis inmediato y la generación de reportes sobre el estado de somnolencia del conductor. Esta arquitectura basada en IoT garantiza que el sistema sea escalable y pueda implementarse en diversas plataformas y vehículos, facilitando una mayor cobertura y prevención de accidentes.

6.4. ALERTAS

Al detectar microsueños o parpadeos frecuentes, el sistema emite una alerta sonora para advertir al conductor, la capacidad de respuesta rápida es clave para prevenir accidentes antes de que ocurra una pérdida de control del vehículo. Descripción. Alerta de riesgo de choque realizada por el código de Python.

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS Descripción. Evaluador de riesgo de choque con interfaz gráfica en base a la lógica difusa emitiendo una alerta a una edad mayor. Descripción. Sistema SOMNUS en ejecución con interfaz grafica.

7 CONCLUSIONES

El proyecto SOMNUS se posiciona como una solución innovadora para enfrentar la fatiga del conductor, una de las principales causas de accidentes viales, utilizando una combinación de visión por computadora e inteligencia artificial (IA), SOMNUS permite la detección de parpadeos prolongados y microsueños en tiempo real, emitiendo alertas preventivas que reducen significativamente los riesgos de accidentes. En comparación con otros trabajos similares que también buscan monitorear la fatiga en conductores, SOMNUS sobresale en varios aspectos clave, mientras que otros sistemas se enfocan en detectar patrones limitados o requieren equipos costosos, SOMNUS destaca por utilizar hardware accesible como la Raspberry Pi y una cámara USB, lo que reduce significativamente los costos de implementación sin sacrificar precisión. La integración del modelo de Viola-Jones para la detección facial, junto con OpenCV, ha permitido una mayor eficiencia en el reconocimiento de movimientos oculares, mejorando la rapidez y precisión en la identificación de microsueños. Una de las principales mejoras sobre trabajos previos es la incorporación de inteligencia artificial para la personalización del monitoreo, a diferencia de otros sistemas que aplican umbrales fijos para todos los conductores, SOMNUS utiliza algoritmos de IA para aprender los patrones específicos de cada individuo, ajustando los umbrales de detección de fatiga de manera dinámica. Esto no solo aumenta la precisión, sino que reduce las falsas alarmas, lo que convierte a SOMNUS en un sistema más confiable y adaptable. Adicionalmente, el uso de herramientas de ciberseguridad, como la encriptación de datos, el almacenamiento en la nube a través de Microsoft Azure, y el control de acceso mediante políticas de seguridad basadas en la ISO 27001, asegura que los datos personales de los conductores estén protegidos, algo que no siempre es priorizado en otros proyectos similares. SOMNUS no solo mejora los enfoques tradicionales para la detección de fatiga mediante la incorporación de inteligencia artificial y ciberseguridad, sino que también ofrece una solución más accesible, escalable y tecnológicamente avanzada, preparada para futuras integraciones con vehículos autónomos y redes de transporte inteligentes. Estas características lo diferencian claramente de otros sistemas, posicionándolo como una herramienta de gran valor para mejorar la seguridad vial y proteger la integridad de los conductores.

12. REFERENCIAS

[1]. Akerstedt, T., & Gillberg, M. ( 2020 ). Sleepiness as a risk factor for accidents. Journal of Sleep Research, 16(1), 65 - 78. [2]. AWS. (2022). Amazon Web Services. https://aws.amazon.com/ [3]. Center for Internet Security. (2021). CIS Controls. https://www.cisecurity.org/ [4]. Dinges, D. F. ( 2020 ). The drowsy driver. Nature Reviews Neuroscience, 8(11), 913-925. [5]. Gartner. (2021). Cloud Computing. https://www.gartner.com/en [6]. GDPR. (2016). Reglamento General de Protección de Datos. https://gdpr.eu/what-is-gdpr/ [7]. Hobson, J. A., & Lee, M. M. (2008). The emotional brain. Annual Review of Neuroscience, 31, 293-316. [8]. Jurado Pruna, F. L. (2020). Obtenido de https://repositorio.uisrael.edu.ec/handle/47000/ [9]. Lal, S. K., & Nguyen, T. T. (2020). Eye tracking for driver fatigue detection. IEEE Transactions on Intelligent Transportation Systems, 8(4), 601-608. [10]. Lim, J., & Dinges, D. F. ( 2022 ). A meta-analytic review of the effects of sleep deprivation on cognitive performance. Psychological Bulletin, 131(5), 705-722. [11]. Microsoft Azure. (2022). Microsoft Azure. https://azure.microsoft.com/en-us [12]. Mitnick Security Consulting. (2022). Servicios de Pentesting. https://www.mitnicksecurity.com/

Innovación Científica y Tecnológica en las Ingenierías

https://www.utmerida.edu.mx/ ISSN: 2594 - 2131 ∙Año 1 No. 1. octubre 2024 – noviembre 2025 ∙ México

SOMNUS [13]. Molina Martín, E. (2019). Obtenido de https://digibug.ugr.es/handle/10481/ [14]. National Institute of Standards and Technology. (2020). NIST Cybersecurity Framework. https://www.nist.gov/ [15]. Romero Navarrete, J. A., Martínez Madrid, M., Betanzo Quezada, E., Ramírez Cano, O., & Fortanell Romero, J. M. (20 22 ). Aspectos de la fatiga del conductor y estudio de las tecnologías para detectarla y prevenirla. Publicación Técnica. [16]. Secretaría de salud. (2024). Obtenido de https://www.gob.mx/salud/es/articulos/exceso-de- velocidad-al-conducir-principal-factor-de-siniestros- viales-stconapra?idiom=es [17]. Splunk. (2022). Plataforma SIEM. https://www.splunk.com/ [18]. Trivedi, M., & Raska, R. ( 2023 ). A survey on machine learning for driver fatigue detection. IEEE Transactions on Intelligent Transportation Systems, 17(11), 3224-

[19]. World Health Organization. (2020). Obtenido de https://www.who.int/publications/i/item/ 4