Palta, FelipeCumbalaza García, Miguel ÁngelRuano Pérez, Johann Emilson2026-02-272026-02-272025http://hdl.handle.net/11522/5339En este trabajo se desarrolló un sistema automático y no invasivo para la detección de fatiga en conductores a partir de imágenes faciales. Utilizando el conjunto de datos UTA Real-Life Drowsiness Dataset, se analizaron regiones de interés del rostro para extraer características geométricas y de color, así como para entrenar modelos de clasificación. Se evaluaron dos enfoques: aprendizaje automático superficial, basado en características faciales como apertura ocular, forma de la boca y tonalidad de mejillas, y aprendizaje profundo mediante la arquitectura YOLO, que procesa imágenes completas. Ambos métodos clasificaron tres niveles de somnolencia: alerta, baja vigilancia y somnolencia. Los resultados mostraron un alto desempeño, con exactitudes superiores al 95 % en los modelos tradicionales y cercanas al 100 % con YOLO. Técnicas de interpretabilidad confirmaron que las decisiones del sistema se basan en regiones faciales relevantes. En conjunto, los resultados demuestran la viabilidad de sistemas de visión por computador para la detección de fatiga en tiempo real, aunque se identifican retos relacionados con la generalización a escenarios reales, lo que motiva futuras investigaciones.137 p.application/pdfspaEAR (Eye Aspect Ratio)MAR (Mouth Aspect Ratio)PUN ( Percentage of Unit Contact)MOE (Mixture of Experts)YOLO (You Only Look Once)bachelor thesishttps://creativecommons.org/licenses/by-nc-sa/4.0/http://purl.org/coar/access_right/c_abf2