Aplicación de técnicas de inteligencia artificial explicable en modelos de Deep Learning para la detección de somnolencia en conductores

Abstract

La fatiga al conducir constituye un factor de riesgo crítico para la seguridad vial, no obstante, la naturaleza de "caja negra" de los modelos de Deep Learning empleados para su detección genera desconfianza y limita su validación técnica. Esta investigación tuvo como objetivo general aplicar técnicas de Inteligencia Artificial Explicable (XAI) a modelos de aprendizaje profundo para la detección de somnolencia, mejorando la transparencia y la comprensión de sus predicciones. La metodología se fundamentó en el estándar CRISP-DM, evaluando un modelo base mediante Grad-CAM, SHAP, LIME y Score-CAM para identificar sesgos contextuales; a partir de estos hallazgos, se implementó una estrategia de preprocesamiento optimizada con enmascaramiento dinámico y desenfoque gaussiano. Los resultados evidenciaron que el modelo optimizado alcanzó una exactitud del 96.16%, logrando una reducción del 51% en falsos negativos y un incremento de hasta 44 veces en la precisión de la localización anatómica de las activaciones. Se concluye que el uso de XAI permite mitigar el fenómeno de "Clever Hans" al alinear el enfoque del modelo con indicadores fisiológicos validados como el estándar PERCLOS, además de fomentar una calibración epistémica que permite al sistema expresar incertidumbre ante datos ambiguos, fortaleciendo así la seguridad operativa