Eduardo Aragón López

Eduardo Aragón López

Auto-generated profile, based on publicly available information

Eduardo Aragón López

Universidad Tecnológica de la Mixteca, División de Estudios de Posgrado, Heroica Ciudad de Huajuapan de León, Oaxaca, México

Research Focus & Metrics

Academic Career Length

4Years (2023-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
15 November 2023
Verified
Conference Paper
Closed access
ELEduardo Aragón López
Eduardo Aragón López
JAJosé Anibal Arias-Aguilar
José Anibal Arias-Aguilar
Due to high rates of self-inflicted accidents, driving a car is a demanding activity that requires the driver to prepare both physically and mentally. In this sense, driving assistance systems play an important role in preventing distractions and road accidents. In this work, we detect and classify driver distractions using convolutional neural networks trained first with the “State Farm Distracted Driver Detection” and then with a custom database. Furthermore, with the use of the TensorFlow Lite library, the trained model is deployed on a mobile device for real-time use. The best trained model reaches an accuracy of 91% in training and 95% in validation, thus resulting in a highly discriminating model for each of the classes (distractions) to be classified. In other words, 10 different classes have been identified: one of them is “safe driving” and the other 9 correspond to those most responsible for accidents. With the system's implementation on the mobile device, the test accuracy is reduced to 90% however it correctly detects distractions regardless of the class to which they belong. The initial results demonstrated the possibility of adapting an ADAS in a mobile device to detect distractions and generate real-time audible voice alerts.

3 September 2025 in TIES, Revista de Tecnología e Innovación en Educación Superior
Verified
Journal Article
Open access
PDF file
JAJosé Anibal Arias-Aguilar
José Anibal Arias-Aguilar
ELEduardo Aragón López
Eduardo Aragón López
Debido a los altos índices de mortandad derivados de la conducción distraída, la cual es ocasionada por el desvío de la atención de la conducción segura, de la carretera y del entorno del conductor, es que surgen los Sistemas de Asistencia a la Conducción (ADAS, por sus siglas en inglés) como una forma de prevenir estos siniestros y asistir al conductor durante su trayecto. En el presente trabajo, se detectan y clasifican la conducción segura y nueve actividades distractoras en los conductores de automóviles mediante el uso de redes neuronales convolucionales, aplicadas primero a la base de datos “State Farm Distracted Driver Detection” y también a una base de datos propia. Además, con el uso de la biblioteca “TensorFlow Lite”, el modelo se implementa en una aplicación móvil para su uso en tiempo real. El modelo resultante logra una exactitud del 91% en entrenamiento y del 95% en su validación. Con la implementación móvil, la exactitud del modelo se reduce en un 5%, sin embargo, se logran detectar y diferenciar correctamente las distracciones y se demostró la posibilidad de adaptar un ADAS en un dispositivo móvil.