Implementación de un sistema de alerta por somnolencia usando MediaPipe y análisis ocular en entornos web
DOI:
https://doi.org/10.37511/apuntesci.v4n1a2Palabras clave:
somnolencia, visión artificial, seguimiento ocular, aplicaciones web, productividadResumen
Este artículo presenta el desarrollo de una herramienta computacional
orientada a la detección de somnolencia en tiempo real mediante visión artificial, con aplicación en contextos académicos y laborales. La
propuesta se centró en la implementación de un sistema no intrusivo
basado en el análisis geométrico de los ojos a través de la relación de
aspecto ocular, una métrica que permite identificar patrones de cierre
prolongado asociados a fatiga. Para ello, se utilizó una arquitectura híbrida compuesta por un frontend web y un backend desarrollado con
FastAPI, en donde se integró el procesamiento visual por medio del
modelo de detección facial MediaPipe Face Mesh. La aplicación permitió el monitoreo continuo de señales visuales faciales, generando alertas
visuales y sonoras cuando se superaron umbrales críticos de cierre ocular. Se implementaron pruebas en tiempo real para verificar la eficiencia del sistema, logrando un desempeño estable sin requerir hardware especializado. Los resultados demostraron que el enfoque propuesto
puede ser una alternativa viable, ligera y escalable para la prevención
de somnolencia en entornos donde se requiere atención sostenida. Esta
herramienta representa un aporte innovador al combinar tecnologías accesibles con procesamiento visual eficiente y posibilidades de evolución
hacia sistemas de análisis de productividad personalizados.
Descargas
Referencias
[1] T. Soukupová and J. Cech, "Real-time eye blink detection using facial landmarks," in Proc. 21st Computer Vision Winter Workshop, 2016.
[2] Y. Lu and N. Sarter, "Modeling and inferring human trust in automation based on real-time eye tracking data," Proceedings of the Human Factors and Ergonomics Society Annual Meeting, vol. 64, no. 1, pp. 344–348, Dec. 2020. doi: 10.1177/1071181320641078
[3] Y. Albadawi, A. AlRedhaei, and M. Takruri, "Real-time machine learning-based driver drowsiness detection using visual features," Journal of Imaging, vol. 9, no. 5, p. 91, Apr. 2023. doi: 10.3390/jimaging9050091
[4] C. Dewi, R.-C. Chen, C.-W. Chang, S.-H. Wu, X. Jiang, and H. Yu, "Eye aspect ratio for real-time drowsiness detection to improve driver safety," Electronics, vol. 11, no. 19, p. 3183, Oct. 2022. doi: 10.3390/electronics11193183
[5] W. Deng and R. Wu, "Real-time driver-drowsiness detection system using facial features," IEEE Access, vol. 7, pp. 118 727–118 738, 2019. doi: 10.1109/ACCESS.2019.2936663
[6] B. Asdyo, B. Kanigoro, and N. Rojali, "Drowsy detection system by facial landmark and light gradient boosting machine method," Procedia Computer Science, vol. 227, pp. 500–507, Jan. 2023. doi: 10.1016/j.procs.2023.10.551
[7] S. Shrestha, P. Acharya, P. Shrestha, and A. Baral, "Real time drowsiness detection system using facial landmarks," in International Conference on Technologies for Computer, Electrical, Electronics & Communication, Bhaktapur, Nepal, Oct. 2023. [Online]. Available: https://www.researchgate.net/publication/377187209_REAL_TIME_DROWSINESS_DETECTION_SYSTEM_USING_FACIAL_LANDMARKS
[8] P. Viola and M. J. Jones, "Robust real-time face detection," International Journal of Computer Vision, vol. 57, no. 2, 2004.
[9] T. Baltrušaitis et al., "Openface: An open source facial behavior analysis toolkit," in Winter Conference on Applications of Computer Vision (WACV), 2016.
[10] Google, "Mediapipe face mesh," [Online], accedido: 2024. [Online]. Available: https://github.com/google/mediapipe
[11] M. Bodini, "A review of facial landmark extraction in 2d images and videos using deep learning," Big Data and Cognitive Computing, vol. 3, no. 1, p. 14, Feb. 2019. doi: 10.3390/bdcc3010014
[12] S. Essahraui et al., "Real-time driver drowsiness detection using facial analysis and machine learning techniques," Sensors, vol. 25, no. 3, p. 812, Jan. 2025. doi: 10.3390/s25030812
[13] A. Rahman, M. Sirshar, and A. Khan, "Real time drowsiness detection using eye blink monitoring," in National Software Engineering Conference (NSEC), 2015. doi: 10.1109/NSEC.2015.7396336
[14] A. Kolus, "A systematic review on driver drowsiness detection using eye activity measures," IEEE Access, vol. 12, pp. 97 969–97 993, Jan. 2024. doi: 10.1109/ACCESS.2024.3424654
[15] X. Sun, P. Wu, and Steven, "Face detection using deep learning: An improved faster rcnn approach," arXiv, Jan. 2017. doi: 10.48550/arxiv.1701.08289
[16] S. Shrestha, E. Marasco, and B. H. Norouzlou, "Real-time finger-video analysis for accurate identity verification in mobile devices," in 2021 IEEE International Conference on Big Data (Big Data), Dec. 2024. doi: 10.1109/BIGDATA62323.2024.10825632 pp. 1114–1123.
