Título: Arquitetura Baseada em Aprendizado de Máquina para Inferência de Fadiga em Condutores a partir de Sinais Fisiológicos Multimodais
Autores: Luísa Christina de Souza, Karolayne S. Azevedo, Marianne Silva, Ivanovitch Silva & Marcelo A. C. Fernandes
Resumo: Fatores relacionados ao condutor continuam sendo uma das principais causas de acidentes viários, com a fadiga e a redução do estado de alerta representando riscos significativos, especialmente em cenários de condução automatizada. Este trabalho propõe uma metodologia para caracterização do comportamento de motoristas e inferência de estados de fadiga com base na análise de sinais fisiológicos multimodais coletados em simulações de direção. Os sinais foram transformados em representações visuais por meio da Transformada de wavelet Contínua e processados com uma rede neural convolucional pré-treinada (ResNet50) para extração de características. Técnicas de aprendizado não supervisionado e análise exploratória permitiram agrupar os dados e investigar padrões associados à fadiga, utilizando parâmetros veiculares e frequência de piscadas. Os resultados sugerem que aárea dos gráficos de radar, aliada à redução da taxa de piscadas, pode indicar variações no estado de fadiga, embora a correlação não se confirme de forma universal. A abordagem mostrou-se promissora e destaca o potencial da análise multimodal e a integração de múltiplos parâmetros assistida por inteligência artificial para aplicações em segurança veicular. Como trabalho futuro, propõe-se a incorporação de métricas complementares, além da avaliação de algoritmos de agrupamento mais robustos.
Palavras-chave: Driver fatigue; physiological signals; unsupervised learning; signal processing; automated driving; multimodal analysis.
Páginas: 8
Código DOI: 10.21528/CBIC2025-1175801
Artigo em PDF: CBIC_2025_paper1175801.pdf
Arquivo BibTeX:
CBIC_2025_1175801.bib