Resumen:
Fatigue while driving increases the risk of road accidents due to the decline in the driver's cognitive and motor skills. The objective was to systematically analyze the use of artificial intelligence in detecting fatigue in drivers, evaluating its effectiveness, the technologies used, and its potential contribution to reducing traffic accidents. The study is justified because it allows the identification of the most effective artificial intelligence tools and ways of implementation. The methodology was based on PRISMA, selecting 57 articles that met the inclusion criteria. The results identified five main categories as electroencephalogram-based systems with machine learning, computer vision, multimodal solutions, optimization for embedded devices, and the use of complementary physiological signals. Deep learning architectures achieved accuracies above 90%, with convolutional networks, LSTM, and transformers standing out. Classic algorithms, such as Support Vector Machine, achieved up to 91.8% accuracy, while Random Forest and decision trees exceeded 89%; suggesting that combining electroencephalographic signals from a few electrodes with multimodal approaches and explainable models optimizes early detection. It is concluded that mass adoption requires non-invasive systems, lightweight models compatible with the Internet of Things, and continuous validation in natural driving contexts.
Keywords: Fatigue, vehicular drowsiness, AI, accident prevention
Descripción:
La fatiga al conducir incrementa el riesgo de accidentes viales por la disminución de las capacidades cognitivas y motoras del conductor. El objetivo fue analizar sistemáticamente el uso de la inteligencia artificial en la detección de fatiga en conductores, evaluando su efectividad, las tecnologías empleadas y su potencial contribución a la reducción de accidentes de tránsito. El estudio se justifica porque permite identificar las herramientas de inteligencia artificial más eficaces y formas de implementación. La metodología se basó en PRISMA, seleccionando 57 artículos que cumplieron los criterios de inclusión. Los resultados identificaron cinco categorías principales como sistemas basados en electroencefalograma con aprendizaje automático, visión computacional, soluciones multimodales, optimización para dispositivos embebidos y uso de señales fisiológicas complementarias. Las arquitecturas de aprendizaje profundo alcanzaron precisiones superiores al 90%, destacando redes convolucionales, LSTM y transformers. Los algoritmos clásicos, como Support Vector Machine lograron hasta 91,8% de exactitud, mientras que Random Forest y árboles de decisión superaron el 89%; sugiriendo que, combinar señales electroencefalográficas de pocos electrodos con enfoques multimodales y modelos explicables optimiza la detección temprana. Se concluye que la adopción masiva requiere sistemas no invasivos, modelos ligeros compatibles con Internet de las Cosas y validación continua en contextos de conducción natural.
