Trade-offs de precisão-latência e validação incorporada ausente na detecção de sonolência do driver de aprendizagem profunda: uma revisão sistemática PRISMA
MedicinaO que aconteceu
A sonolência dos motoristas é uma das principais causas de mortes no tráfego rodoviário em todo o mundo, e a convergência da visão computacional e da aprendizagem profunda transformou o monitoramento do estado do motorista, permitindo a detecção não invasiva dentro dos sistemas avançados de assistência ao motorista (ADAS). Esta revisão sistemática de literatura, realizada utilizando a metodologia PRISMA 2020 e o protocolo Kitchenham, sintetiza os achados de 33 estudos revisados por pares publicados entre janeiro de 2021 e outubro de 2025 para examinar as arquiteturas, biomarcadores, benchmarks de desempenho e barreiras de implantação da detecção de sonolência baseada em aprendizagem profunda. Esta distribuição destaca um trade-off de precisão-latência persistente e enfatiza a necessidade de hardware embutido e avaliação cruzada de dados. Ao sintetizar as evidências disponíveis, esta revisão caracteriza o estado atual da arte e propõe um framework priorizado para selecionar arquiteturas de aprendizagem profunda para aplicações ADAS incorporadas.
O que encontraram
A literatura é dominada por desenhos convolucionais de uma única passagem; nenhum modelo revisado combina precisão acima de 99% com latência abaixo de 100 ms, e nenhum foi avaliado em hardware incorporado ou automotivo.
Tradução automática do resumo original, publicado em Frontiers in artificial intelligence sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Accuracy-latency trade-offs and absent embedded validation in deep learning driver drowsiness detection: a PRISMA systematic review
Christian Wilbert Salas Yupanqui, Cristhian Edy Llanque Tipo, Frank Diego Choquehuanca Huayhua, Angel Rosendo Condori-Coaquira, David Mamani-Pari, Milton Edward Humpiri-Flores, Esteban Tocto-Cano