Aplicación de ayuda para pilotos a detección temprana de fatiga por medio de modelos de Machine Learning: Detección por medio de ritmo cardíaco

Abstract

Este proyecto tiene como objetivo desarrollar un sistema para la detección de somnolencia o fatiga basado en el monitoreo de la frecuencia cardíaca (BPM) y otros parámetros fisiológicos simples relacionados con la fatiga. Se emplearon técnicas de IA y aprendizaje automático para entrenar tres modelos distintos: un modelo Long Short-Term Memory (LSTM) utilizando TensorFlow, un modelo tabular de AutoGluon y un modelo forecast de AutoGluon. El entrenamiento y la validación se realizaron utilizando datos preexistentes de estudios del sueño, específicamente los conjuntos de datos Sleep Heart Health Study (SHHS) y PMData. Aunque los modelos desarrollados no están diseñados para ser implementados de forma independiente, este estudio proporciona resultados sobre el uso potencial de estos datos para sistemas más robustos. Utilizando el 20% de los datos para evaluación, el modelo con mejor desempeño fue el WeightedEnsemble Forecast de AutoGluon, con un F1-score de 0.92 para la clase 0 (Despierto), 0.58 para la clase 1 (Sueño ligero) y 0.96 para la clase 2 (Sueño profundo). Tanto el WeightedEnsemble Tabular de AutoGluon como el modelo LSTM mostraron resultados bajos en las predicciones de la clase 1, con un F1-score de 0.43 para el Tabular y 0.07 para el LSTM. Los modelos fueron probados en un sistema de monitoreo en tiempo real de la frecuencia cardíaca, donde no lograron predecir la somnolencia con antelación o mientras ocurría. Los resultados sugieren que la frecuencia cardíaca, aunque limitada como indicador único, puede aportar información complementaria para la detección de fatiga.

This project aims to develop a system for detecting drowsiness or fatigue based on heart rate (BPM) monitoring and other simple physiological parameters related to fatigue. Artificial intelligence and machine learning techniques were employed to train three different models: a Long Short-Term Memory (LSTM) model using TensorFlow, a Tabular model from AutoGluon, and a forecast model from AutoGluon. The training and validation processes were conducted using pre-existing data from sleep studies, specifically the Sleep Heart Health Study (SHHS) and PMData datasets. Although the developed models are not designed to be deployed independently, this study provides insights into the potential use of these data for more robust systems. Using 20% of the data for evaluation, the best-performing model was the WeightedEnsemble Forecast from AutoGluon, achieving an F1-score of 0.92 for class 0 (Awake), 0.58 for class 1 (Light Sleep), and 0.96 for class 2 (Deep Sleep). Both the WeightedEnsemble Tabular from AutoGluon and the LSTM model showed lower performance in predicting class 1, with an F1-score of 0.43 for the Tabular model and 0.07 for the LSTM. The models were tested in a real-time heart rate monitoring system, where they failed to predict drowsiness in advance or as it occurred. The results suggest that heart rate, while limited as a standalone indicator, can provide complementary information for fatigue detection.