https://journals.sagepub.com/doi/abs/10.1177/03611981211041594 Explora la eficiencia de cuatro señales biológicas (ECG, EMG, EDA y EEG) para detectar emociones negativas al conducir con sensores.
https://ieeexplore.ieee.org/abstract/document/7026203 Desarrolla un sistema de monitoreo en tiempo real y no intrusivo que detecta los estados emocionales del conductor analizando expresiones faciales. Se consideran las emociones negativas de ira y disgusto para detectar estrés.
https://www.sciencedirect.com/science/article/abs/pii/S0262885622001986 Propone la arquitectura FRED-IoT para la detección de emociones y reconocimiento facial en vehículos autónomos, logrando una latencia de 2 milisegundos y una alta fiabilidad con un F-score del 96%.
https://www.mdpi.com/1660-4601/19/4/2352 El estudio propone dos enfoques con aprendizaje automático y redes neuronales para monitorear emociones de conductores, superando desafíos como variaciones de pose, iluminación y oclusiones. Se lograron precisiones mejoradas en varios conjuntos de datos, destacando su eficacia en comparación con métodos previos.
https://onlinelibrary.wiley.com/doi/abs/10.1002/cpe.6475 Este estudio se enfoca en el reconocimiento de acciones de distracción mediante visión por computadora y discute diversos enfoques para abordarlo. (IMPORTANTE)
https://ieeexplore.ieee.org/abstract/document/8191851 El estudio se centra en prevenir accidentes causados por conductores fatigados detectando su cara.
https://ieeexplore.ieee.org/abstract/document/4732544 El estudio presenta un sistema de visión por computadora que evalúa la atención del conductor mediante la detección de movimientos de cabeza y expresiones faciales. Puede detectar tanto la somnolencia como la distracción, adaptándose a diferentes conductores y funcionando en tiempo real.
https://www.cv-foundation.org/openaccess/content_iccv_workshops_2013/W20/html/Kang_Various_Approaches_for_2013_ICCV_paper.html El estudio examina una variedad de métodos de monitoreo, incluyendo características visuales y no visuales del conductor, así como comportamientos relacionados con el rendimiento de la conducción. Además, se detallan métodos de detección de somnolencia basados en señales fisiológicas y características del vehículo, así como métodos para predecir comportamientos de conducción inseguros utilizando expresiones faciales y dinámica del automóvil.