La somnolencia al volante sigue siendo una de las principales causas de accidentes mortales en el mundo. Cada a\u00f1o, provoca miles de muertes y p\u00e9rdidas econ\u00f3micas que superan los cien mil millones de d\u00f3lares. Un nuevo enfoque basado en la inteligencia artificial y la visi\u00f3n por computadora podr\u00eda cambiar las reglas del juego al identificar los signos de fatiga antes de que sea demasiado tarde.<\/p>\n
Investigadores han desarrollado un sistema capaz de detectar en tiempo real los primeros indicadores de fatiga en un conductor. A diferencia de los m\u00e9todos tradicionales que analizan el comportamiento del veh\u00edculo o requieren sensores intrusivos, esta soluci\u00f3n utiliza una simple c\u00e1mara integrada. Observa los movimientos del rostro como los parpadeos, los bostezos o la inclinaci\u00f3n de la cabeza. Estos signos, a menudo sutiles, delatan una disminuci\u00f3n de la vigilancia mucho antes de que el conductor pierda el control.<\/p>\n
El n\u00facleo del sistema se basa en un modelo h\u00edbrido que combina dos tecnolog\u00edas de inteligencia artificial: las redes neuronales convolucionales y los transformadores visuales. Las primeras son excelentes para analizar detalles locales como la forma de los ojos o la posici\u00f3n de la boca. Los segundos captan las relaciones entre estos elementos durante un per\u00edodo m\u00e1s largo, lo que permite seguir la evoluci\u00f3n de la fatiga minuto a minuto. Este enfoque dual hace que el sistema sea particularmente efectivo para distinguir una simple distracci\u00f3n de una fatiga profunda.<\/p>\n
Para garantizar una detecci\u00f3n confiable en todas las condiciones, el modelo ha sido entrenado con m\u00e1s de un mill\u00f3n de videos de conducci\u00f3n. Ha aprendido a reconocer los signos de fatiga incluso en casos de poca iluminaci\u00f3n, movimientos bruscos u obst\u00e1culos parciales como gafas de sol. Una t\u00e9cnica de autoaprendizaje con datos no etiquetados ha mejorado a\u00fan m\u00e1s su robustez, mientras que un mecanismo de atenci\u00f3n temporal analiza tanto las microexpresiones como las tendencias a lo largo de varios minutos.<\/p>\n
Los resultados son impresionantes: el sistema alcanza una precisi\u00f3n del 99.3%, con solo 42 milisegundos de latencia. Funciona en tiempo real en computadoras integradas como las utilizadas en veh\u00edculos aut\u00f3nomos, sin ralentizarse ni consumir demasiada energ\u00eda. Herramientas de explicaci\u00f3n visual muestran que se basa en indicios relevantes, como el cierre progresivo de los p\u00e1rpados o el hundimiento de la cabeza, y no en artefactos sin relaci\u00f3n con la fatiga.<\/p>\n
Este sistema podr\u00eda adaptarse a otros \u00e1mbitos donde la vigilancia es crucial, como la aviaci\u00f3n o la supervisi\u00f3n industrial. Su principal ventaja radica en su capacidad para alertar antes de que la fatiga se vuelva peligrosa, ofreciendo una soluci\u00f3n no intrusiva y escalable. Las pruebas realizadas en seis bases de datos diferentes confirman su eficacia en situaciones variadas, desde la conducci\u00f3n diurna hasta el anochecer.<\/p>\n
El desaf\u00edo va m\u00e1s all\u00e1 del simple rendimiento t\u00e9cnico. Al reducir los accidentes relacionados con la somnolencia, esta tecnolog\u00eda podr\u00eda salvar vidas y evitar miles de millones de d\u00f3lares en da\u00f1os cada a\u00f1o. Sin embargo, su despliegue plantea preguntas sobre la protecci\u00f3n de datos y la equidad, ya que los signos de fatiga pueden variar seg\u00fan los individuos. Los dise\u00f1adores han integrado salvaguardas para garantizar la confidencialidad de las im\u00e1genes y limitar los sesgos, pero ser\u00e1 necesaria una supervisi\u00f3n continua para convertirlo en una herramienta universalmente confiable.<\/p>\n
Optimizado para su uso integrado, este sistema abre el camino a veh\u00edculos m\u00e1s seguros, capaces de proteger a los conductores incluso de sus propias limitaciones. Su adopci\u00f3n masiva depender\u00e1 ahora de su integraci\u00f3n en las regulaciones y de la aceptaci\u00f3n por parte de los usuarios, conscientes de que la tecnolog\u00eda vela por su seguridad sin invadir su privacidad.<\/p>\n
DOI\u00a0:<\/strong> https:\/\/doi.org\/10.1186\/s43067-026-00335-z<\/a><\/p>\n Titre\u00a0:<\/strong> Enhancing road safety through deep learning-based drowsiness detection using vision AI<\/p>\n Revue : <\/strong> Journal of Electrical Systems and Information Technology<\/p>\n \u00c9diteur : <\/strong> Springer Science and Business Media LLC<\/p>\n Auteurs : <\/strong> Godfrey Perfectson OISE; Prosper Otega EJENARHOME; Abiodun Samuel OYEDOTUN<\/p>\n","protected":false},"excerpt":{"rendered":" \u00bfSe puede detectar la fatiga de los conductores en tiempo real con una precisi\u00f3n casi perfecta? La somnolencia al volante sigue siendo una de las principales causas de accidentes mortales en el mundo. Cada a\u00f1o, provoca miles de muertes y p\u00e9rdidas econ\u00f3micas que superan los cien mil millones de d\u00f3lares. Un nuevo enfoque basado en… Seguir leyendo \u00bfSe puede detectar la fatiga de los conductores en tiempo real con una precisi\u00f3n casi perfecta?<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2,4,6],"tags":[],"class_list":["post-20","post","type-post","status-publish","format-standard","hentry","category-ciencia-y-tecnologia","category-humano-humanitario","category-internacional","entry"],"_links":{"self":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts\/20","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/comments?post=20"}],"version-history":[{"count":1,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts\/20\/revisions"}],"predecessor-version":[{"id":21,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/posts\/20\/revisions\/21"}],"wp:attachment":[{"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/media?parent=20"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/categories?post=20"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/theroboticsreview.com\/es\/wp-json\/wp\/v2\/tags?post=20"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}