Prototipo de sistema inteligente basado en patrones de ondas cerebrales para prevenir accidentes de tránsito

• Brugiati, Amelia M. ^[1] ; González, Marvin X. ^[1] ; Cornejo, Denzel H. ^[1] ; Pinzón, Cristian I. ^[1]
  1. [1] Universidad Tecnológica de Panamá

     Universidad Tecnológica de Panamá

     Panamá

     
• Localización: Revista de Iniciación Científica: RIC, ISSN-e 2413-6786, ISSN 2412-0464, Nº. Extra 5, 2019 (Ejemplar dedicado a: Revista de Iniciación Científica - Edición Especial N°3), págs. 104-109
• Idioma: español
• DOI: 10.33412/rev-ric.v5.0.2394
• Títulos paralelos:
  • Intelligent system prototype based on brainwave patterns to prevent traffic accidents
• Enlaces
  • Texto completo
• Resumen
  • español

    Este artículo presenta el prototipo de sistema inteligente basado en patrones de ondas cerebrales para prevenir accidentesde tránsito, que, mediante un sensor colocado en la cabeza del conductor, monitoriza los patrones de ondas cerebrales los cuales sonenviados en tiempo real vía Bluetooth a una placa Raspberry Pi para ser procesados con estrategias de aprendizaje automático y deesta forma enviar una alerta visual y sonora cuando detecta el estado de somnolencia en el conductor. Para la construcción delprototipo se recogieron datos de cuatro personas en tres estados distintos, mientras estaban despiertas, somnolientas y dormidas. Elconjunto de datos fue procesado con cuatro algoritmos de aprendizaje supervisado: vecinos más cercanos, máquina de soportevectorial, árboles de decisión, bosques aleatorios; siendo este último el que mejores resultados mostró alcanzando un 82.05% deprecisión al diferenciar los tres estados anteriormente mencionados. El costo estimado del sistema es de 210 USD, resultando unsistema económico con relación a otros existentes en el mercado.

  • English

    This article presents the prototype of an intelligent system based on patterns of brain waves to prevent traffic accidents,by which, through a sensor, placed on the driver's head, monitors the patterns of brain waves that are sent in real time via Bluetoothto a Raspberry Pi to be processed with machine learning strategies. In this way it allows to send a visual and sound warning when itdetects the state of drowsiness in the driver. For the prototype construction, data of four people were collected while they were awake,drowsy and asleep. The data set was processed with four supervised learning algorithms: nearest neighbors, support vector machine,decision trees and random forests; the last one was the one that obtained the best result, reaching 82.05% accuracy whendifferentiating the three different states. The estimated cost of the system is 210 USD, resulting an economic system in relation toothers existing in the market.

• Referencias bibliográficas
  • [1] M. S. Wang et al., “Drownsy behavior detection based on driving information,” Int. J. Automot. Technol., vol. 17, no. 1, pp. 165–173,...
  • [2] Instituto Nacional de Estadística y Censo, “Comentario,” 2018. [Online]. Available: https://www.contraloria.gob.pa/inec/archivos/P8851CO...
  • [3] Redacción web, “Choca y vuelca vehículo en la vía Transístmica, tras quedarse dormido al volante,” Crítica Panamá, Panamá, 03-Jan-2018.
  • [4] V. E. Rodríguez, “Hombre pierde la vida al colisionar con un árbol en Santiago,” Panamá América, Panamá, 05- Aug-2018.
  • [5] E. Rosales Mayor and J. R. De Castro Mujica, “Somnolencia: Qué es, qué la causa y cómo se mide,” Acta Médica Peru., vol. 27, no. 2, pp....
  • [6] J. Vicente, P. Laguna, A. Bartra, and R. Bailón, “Drowsiness detection using heart rate variability,” Med. Biol. Eng. Comput., vol. 54,...
  • [7] W.-B. Horng and C.-Y. Chen, “A Real-Time Driver Fatigue Detection System Based on Eye Tracking and Dynamic Template ] Matching,” Tamkang...
  • [8] E. Jeong, C. Oh, and I. Kim, “Detection of Lateral Hazardous Driving Events using In-vehicle Gyro Sensor Data,” KSCE J. Civ. Eng., vol....
  • [9] M. Kandemir, “Learning Mental States from Biosignals,” Aalto University, 2013.
  • [10] M. Awad and R. Khanna, “Machine Learning,” in Machine Learning. In: Efficient Learning Machines, California: Apress, Berkeley, CA, 2015,...
  • [11] H. P. Da Silva, A. Lourenço, A. Fred, and R. Martins, “BIT: Biosignal Igniter Toolkit,” Comput. Methods Programs Biomed., vol. 115, no....
  • [12] NeuroSky, “MindWave Mobile,” 2004. [Online]. Available: http://neurosky.com/.
  • [13] OpenBCI, “OpenBCI,” 2015. [Online]. Available: http://openbci.com/.
  • [14] Emotiv, “EMOTIV EPOC,” 2011. [Online]. Available: https://www.emotiv.com/.
  • [15] Biosignalsplux, “Electroencephalography (EEG) Sensor Data Sheet,” 2015. [Online]. Available: https://biosignalsplux.com/datasheets/EEG_Sensor_Dat...
  • [16] Raspberry Pi Fundation, “Installing operating system images - Raspberry Pi Documentation.” [Online]. Available: https://www.raspberrypi.org/documentation/installation/...
  • [17] M. Richardson and S. Wallace, Getting Started with Raspberry Pi. Maker Media, Inc, 2013.
  • [18] R. Garreta and G. Moncecchi, Scikit-learn: Machine Learning in Python, vol. 12. 2013.
  • [19] R. S. Zack, C. Tappert, and S.-H. Cha, Performance of a long-text-input keystroke biometric authentication system using an improved k-nearest-neighbor...
  • [20] T. Yu, J. Debenham, T. Jan, and S. Simoff, “Combine Vector Quantization and Support Vector Machine for Imbalanced Datasets,” in Artificial...
  • [21] T. Keck, “FastBDT: A Speed-Optimized Multivariate Classification Algorithm for the Belle II Experiment,” Comput. Softw. Big Sci., vol....
  • [22] Y. Zhou and G. Qiu, Random Forest for Label Ranking, vol. 112. 2018.
  • [23] scikit-learn developers, “scikit-learn user guide Release 0.19.2,” 2018.
  • [24] Paragon Internet Group Ltd, “Raspberry Pi Pinout,” 2015. [Online]. Available: https://pinout.xyz. [Accessed: 17-Jun-2018].