Resumen de la tesis que presenta Alan Alejandro Galán García como requisito parcial para la obtención
del grado de Maestro en Ciencias en Tecnologías Avanzadas e Integradas
Impacto de la frecuencia en la detección de conducción agresiva versus no agresiva con IMUs utilizando bases de datos autoevaluadas
Resumen aprobado por:
|
Dr. Gabriel Alejandro Galaviz Mosqueda
Codirector de tesis
|
Dr. Salvador Villarreal Reyes
Codirector de tesis
|
Resumen en español
La seguridad vial impulsa el uso de Unidades de Medición Inercial (IMUs) para monitorear el estilo de
La seguridad vial impulsa el uso de Unidades de Medición Inercial (IMUs) para monitorear el estilo de
manejo. Si bien las IMUs de alta precisión son costosas, existen sensores de bajo costo (como los
utilizados en smartphones o dispositivos dedicados) que resultan más accesibles. Sin embargo, estos
presentan limitaciones en cuanto a estandarización y documentación técnica. Este estudio evalúa el
impacto de la frecuencia de muestreo de IMUs de bajo costo en la precisión de la clasificación de
manejo (agresivo vs. no agresivo). Se utilizó un dispositivo de captura diseñado a medida para
recolectar datos en un circuito cerrado, con conductores que adoptaron estilos agresivos y no
agresivos autorreportados. Esta clasificación fue validada objetivamente mediante el análisis de
métricas de riesgo físico (aceleración lateral normalizada en curvas). Se aplicaron técnicas de
procesamiento de señales (suavizado, diezmado) y aprendizaje automático (KNN, Random Forest,
SFFS, PCA) a características extraídas de los datos inerciales, analizando el rendimiento a través de un
espectro de frecuencias de muestreo simuladas. Los resultados confirman la viabilidad de IMUs de
bajo costo (rango ±2g), logrando una clasificación de alta precisión (Test AUC > 0.9) siempre que se
opere dentro de un rango de frecuencias adecuado. La frecuencia de muestreo es crítica: existe un
umbral de viabilidad (~1.0 Hz) por debajo del cual el rendimiento decae drásticamente. En el rango de
5-10 Hz se observa un excelente equilibrio entre precisión y eficiencia, mientras que frecuencias más
altas ofrecen ganancias marginales. Características clave incluyeron descriptores espectrales de baja
frecuencia y de la forma de la distribución de la señal. La expansión del conjunto de características no
mejoró sustancialmente el rendimiento. Random Forest y KNN fueron competitivos, y ambos sensores
(LSM6DS y LSM9DS1) resultaron igualmente competentes. El etiquetado autoevaluado se validó
eficazmente.
Palabras clave: IMU, estilo de manejo, conducción agresiva, frecuencia de muestreo, aprendizaje automático
Resumen en inglés
Road safety concerns have increased the use of Inertial Measurement Units (IMUs) to monitor driving
Road safety concerns have increased the use of Inertial Measurement Units (IMUs) to monitor driving
style. While high-precision IMUs are expensive, low-cost sensors (e.g., in smartphones, dedicated
devices) are more accessible, although their standardization and technical documentation are limited.
This study evaluates the impact of the sampling frequency of low-cost IMUs on the accuracy of driving
style classification (aggressive vs. non-aggressive). A custom-built data acquisition device was used to
collect data on a closed-circuit track, with drivers adopting self-reported aggressive and non-aggressive
styles. This classification was objectively validated by analyzing physical risk metrics (normalized lateral
acceleration in curves). Signal processing (smoothing, decimation) and machine learning (KNN,
Random Forest, SFFS, PCA) techniques were applied to features extracted from the inertial data,
analyzing performance across a spectrum of simulated sampling frequencies. The results confirm the
viability of low-cost IMUs (±2g range) for achieving high-accuracy classification (Test AUC > 0.9),
provided they operate within an appropriate frequency range. Sampling frequency is critical: a viability
threshold exists (~1.0 Hz) below which performance drops drastically. An excellent trade-off between
accuracy and efficiency is observed in the 5-10 Hz range, while higher frequencies offer only marginal
gains. Key features included low-frequency spectral descriptors and metrics related to the signal's
distribution shape. Expanding the feature set did not substantially improve performance. Random
Forest and KNN were competitive, and both sensors (LSM6DS and LSM9DS1) proved to be equally
competent. The self-reported labeling was effectively validated. This work provides an empirical
foundation and recommendations for designing accessible monitoring systems.
Palabras clave: IMU, driving style, aggressive driving, sampling frequency, machine learning