Detección de indicadores de fatiga basado en la obtención de imágenes en tiempo real.

Dentro del proyecto Simbiosys buscamos la detección de fatiga mediante imágenes obtenidas por cámara, como apoyo al sistema de detección de indicadores de fatiga mediante EEG.

Este módulo del sistema multisensor consiste en una cámara de bajo coste que obtiene las imágenes del sujeto para analizar en tiempo real. Además, es necesario que pueda detectar luz infrarroja, para los casos en los que la luz sea escasa. El módulo se basa en la detección facial de la cara, para poder obtener posteriormente la detección de ambos ojos.

 

El objetivo es obtener el porcentaje de tiempo en el que el ojo se encuentra cerrado durante un minuto (AVECLOS). Por tanto, si el porcentaje es mayor que el porcentaje normal de tiempo en el que una persona presenta los ojos cerrados, se considera que el sujeto se encuentra cansado o fatigado.

anigif_enhanced-1921-1443102494-2

 

El sistema final comparará la información obtenida tanto como por el electroencefalograma como por la cámara, para obtener con mayor seguridad el estado en el que se encuentra el sujeto.

Obtención de indicadores de fatiga mediante el electroencefalograma.

Desde el proyecto Simbiosys, buscamos nuevas formas de detección de fatiga. Puesto que el sistema está destinado a ser usado en un simulador para conductores de vehículos, se busca que sea lo menos intrusivo posible, para facilitar el movimiento y comodidad del conductor.

Con este fin se está desarrollando un sistema multisensor con una parte importante de investigación como es la detección de distintos estados de fatiga mediante la actividad cerebral del conductor.

Para la obtención del electroencefalograma (EEG) se eligió un casco con un único electrodo, ya que los EEG convencionales presentan más de veinte electrodos, lo cual sería muy intrusivo para el conductor.

21_electrodes_of_International_10-20_system_for_EEG.svg

Tras la obtención de la señal en bruto del cerebro, el sistema se basa en la detección de la cantidad de energía que existe en las diferentes bandas del cerebro. En este caso las bandas de interés serán la banda alpha, betha y tetha, todas ellas relacionadas con estados de cansancio, fatiga o sueño.

5d3d36b587c91d50c495eeb3ed8f5ca2

El sistema consta de dos partes diferenciadas, basadas en machine learning. En la primera parte se obtiene las características – la energía de cada banda- del sujeto en estado de consciencia (no fatigado) para formar dos clústeres.
2clus_2

El objetivo es generar dos esferas que engloben todas las características en este estado, de tal forma que, si en la segunda parte del algoritmo se obtiene alguna característica que no pertenece a los clústeres, se considera una anomalía. Será la acumulación de anomalías durante un periodo de tiempo la que nos indique la presencia de fatiga en el sujeto.