Mecanismo de Detección de Carga Cognitiva basado en Machine Learning Aplicado a Conductores

Cognitive Load Detection Mechanism based on Machine Learning Applied to Drivers

Resumen

Cada año miles de personas mueren en accidentes de tránsito. Generalmente, la causa de estos accidentes se debe a cansancio, somnolencia, estrés, distracciones, entre otras causas. Este proyecto tiene como objetivo contribuir en la prevención de accidentes automovilísticos a través de la detección de estados de ánimo en los conductores. El trabajo propone una arquitectura basada en Machine learning para analizar las ondas cerebrales del conductor y detectar estados emocionales que puedan generar una situación de peligro tanto para el conductor como para el resto de las personas circulando dentro de su zona de desplazamiento. Los resultados obtenidos muestran una exactitud de 95% de precisión en la detección de la carga cognitiva del conductor.

Most pattern recognition systems use only one feature vector to describe the objects to be recognized. In this paper we suggest using more than one feature vector to improve the classification results. The use of several feature vectors requires a special neural network, a supervised ART2 NN is used [1]. The performance of a supervised or unsupervised ART2 NN depends on the appropriate selection of the vigilance threshold. If the value is near to zero, a lot of clusters will be generated, but if it is greater, then clusters will be generated. A methodology to select this threshold was first proposed in [2]. The advantages to use several feature vectors instead of only one are shown on this work. We show some results in the case of character recognition using one and two feature vectors. We also compare the performance of our proposal with the multilayer perceptron.