IA explicable en detección de emociones y somnolencia para ADAS
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12074Palabras clave:
Aprendizaje automático, Sistemas difusos y neuronales para control e identificación, Soporte a la toma de decisiones, Asistencias inteligentes al conductor, Percepción y detecciónResumen
Los Sistemas Avanzados de Asistencia a la Conducción (ADAS) son cruciales para mejorar la seguridad vial. Este trabajo explora la aplicación de la Inteligencia Artificial Explicable (XAI) para analizar y comparar el comportamiento de modelos de aprendizaje profundo, específicamente Redes Neuronales Convolucionales (CNN), en la detección de emociones y estados de somnolencia en conductores. Mediante técnicas de XAI, se investigan los procesos de toma de decisiones de los modelos, ofreciendo transparencia e interpretabilidad. Se discuten los hallazgos sobre cómo los modelos identifican características faciales relevantes para cada tarea y las diferencias inherentes entre la detección de emociones y de somnolencia. Finalmente, se analizan las implicaciones de estos hallazgos para el desarrollo y la confianza en futuros ADAS, destacando el potencial de la XAI para refinar estos sistemas y reducir el número de accidentes de tráfico.
Referencias
Ghoddoosian, R., Galib, M., Athitsos, V., 2019. A realistic dataset and baseline temporal model for early drowsiness detection.
Goodfellow, I. J., Erhan, D., Carrier, P. L., Courville, A., Mirza, M., Hamner, B., Cukierski, W., Tang, Y., Thaler, D., Lee, D.-H., Zhou, Y., Ramaiah, C., Feng, F., Li, R., Wang, X., Athanasakis, D., Shawe-Taylor, J., Milakov, M., Park, J., Ionescu, R., Popescu, M., Grozea, C., Bergstra, J., Xie, J., Romaszko, L., Xu, B., Chuang, Z., Bengio, Y., 2013. Challenges in representation learning: A report on three machine learning contests.
Ioffe, S., Szegedy, C., 2015. Batch normalization: Accelerating deep network training by reducing internal covariate shift.
Jeon, M., 2016. Don’t cry while you’re driving: Sad driving is as bad as angry driving. International Journal of Human–Computer Interaction 32 (10), 777–790. DOI: 10.1080/10447318.2016.1198524
Jeon, M., Roberts, J., Raman, P., Yim, J.-B., Walker, B. N., 2011. Participatory design process for an in-vehicle affect detection and regulation system for various drivers. In: The Proceedings of the 13th International ACM SIGACCESS Conference on Computers and Accessibility. ASSETS ’11. Association for Computing Machinery, New York, USA, p. 271–272. DOI: 10.1145/2049536.2049602
Kapishnikov, A., Bolukbasi, T., Vi´egas, F., Terry, M., 2019. Xrai: Better attributions through regions.
Lorente, M. P. S., Lopez, E. M., Florez, L. A., Espino, A. L., Mart´ ınez, J. A. I., de Miguel, A. S., 2021. Explaining deep learning-based driver models. Applied Sciences 11 (8). DOI: 10.3390/app11083321
Magán, E., Sesmero, M. P., Alonso-Weber, J. M., Sanchis, A., 2022. Driver drowsiness detection by applying deep learning techniques to sequences of images. Applied Sciences 12 (3).
Sheykhivand, S., Mousavi, Z., Rezaii, T. Y., Farzamnia, A., 2020. Recognizing emotions evoked by music using cnn-lstm networks on eeg signals. IEEE Access 8, 139332–139345. DOI: 10.1109/ACCESS.2020.3011882
Simonyan, K., Zisserman, A., 9 2014. Very deep convolutional networks for large-scale image recognition. 3rd International Conference on Learning Representations, ICLR 2015- Conference Track Proceedings.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., Salakhutdinov, R., 2014. Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research 15 (56), 1929–1958.
Tamanani, R., Muresan, R., Al-Dweik, A., 2021. Estimation of driver vigilance status using real-time facial expression and deep learning. IEEE Sensors Letters 5 (5), 1–4. DOI: 10.1109/LSENS.2021.3070419
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L. u., Polosukhin, I., 2017. Attention is all you need. In: Guyon, I., Luxburg, U. V., Bengio, S., Wallach, H., Fergus, R., Vishwanathan, S., Garnett, R. (Eds.), Advances in Neural Information Processing Systems. Vol. 30. Curran Associates, Inc.
Verma, B., Choudhary, A., 11 2018. A framework for driver emotion recognition using deep learning and grassmann manifolds. pp. 1421–1426. DOI: 10.1109/ITSC.2018.8569461
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Diego Caballero García-Alcaide, Paz Sesmero Lorente, José Antonio Iglesias Martínez, Araceli Sanchis de Miguel
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
