MediaPipe estima puntos faciales y una transformación de la cara. DAVE calcula 18 valores por instante, en lugar de entregar los píxeles directamente al clasificador. Algunas señales describen la imagen actual; otras resumen hasta un minuto de observaciones anteriores. La etiqueta final corresponde a la ventana, no a cada gesto ni a la intención de la persona.

La apertura de los ojos se expresa con EAR. Durante unos 30 segundos nominales, el extractor reúne una apertura de referencia y después divide el EAR por su mediana. El conteo de cierre usa el EAR geométrico y un umbral fijo: la calibración de la entrada y la decisión de «ojos cerrados» son operaciones diferentes.

Noventa frames forman una matriz de 90 × 18, unos tres segundos a 29.76 frames/s. LayerNorm normaliza los valores de cada instante dentro de la red. Una LSTM bidireccional de dos capas recorre la ventana hacia delante y hacia atrás, con 64 unidades por dirección. Cada instante queda representado por 128 valores.

La atención temporal aprende a ponderar esos 90 estados. Su suma ponderada produce un vector de 128 valores; tres capas densas de tamaños 128, 64 y 3 producen los logits. El evaluador elige la puntuación mayor. La red usa 183,975 parámetros según estas dimensiones.

El entrenamiento combina DMD-Distraction, DMD-Drowsiness, UTA-RLDD y AUC-V2. Las actividades de teléfono, bebida u otras tareas de DMD y AUC se agrupan en Distracción. El mapeo de DMD-Drowsiness asigna cierres de ojos, bostezos y microsueños a Somnolencia. En UTA-RLDD, tanto «baja vigilancia» como «somnoliento» se asignan a Somnolencia; la etiqueta proviene del estado declarado para el video completo. Esta simplificación une señales y criterios de anotación diferentes.

Las ventanas avanzan 15 frames y reciben la etiqueta mayoritaria de sus 90 registros. Los clips cortos se rellenan repitiendo su último registro. El procedimiento de separación por sujeto propone entrenamiento, validación y test con proporciones de 70/15/15, estratificando por conjunto y clase dominante.

La pérdida es entropía cruzada con pesos inversos a la frecuencia de las clases en entrenamiento. AdamW ajusta la red; una programación OneCycle varía la tasa de aprendizaje y el gradiente se limita a norma 1. Dropout reduce coadaptaciones durante el aprendizaje. Se conserva el modelo con mejor macro-F1 de validación y se aplica parada temprana si deja de mejorar. Los pesos del detector facial y las fórmulas del extractor permanecen fijos.

La red clasifica correctamente 22,481 de 35,349 ventanas. Macro-F1 es 65.71% y F1 ponderado 63.69%. Los tres valores describen el mismo test con agregaciones diferentes. La muestra tiene desbalance de clases y está dominada por Alerta y Somnolencia: Distracción ocupa solo 1.52%.

La evaluación permite estudiar un clasificador de tres etiquetas sobre señales extraídas de estos conjuntos. No mide prevención de accidentes, detección de incidentes completos, intoxicación ni seguridad de conducción. El promedio agregado no debe extrapolarse a otras cámaras, condiciones de luz o grupos demográficos. La calibración geométrica y el preprocesamiento de luz modifican la representación, sin garantizar la eliminación de sesgos.

Los videos de ejemplo utilizan los pesos congelados y las 18 señales del extractor; al iniciar toman automáticamente una referencia facial de un fotograma. La red recibe señales crudas y aplica su LayerNorm interna. En la representación histórica, el umbral de mirada desviada es 45° y la apertura ocular se calibra con 894 muestras con rostro. La geometría calculada depende de la imagen: resolución, luz, detección facial y encuadre pueden cambiar sus entradas. Los porcentajes anteriores corresponden al test histórico, no a la cámara del visitante.

La cámara en vivo añade un punto cero personal: toma una referencia estable con ojos abiertos y postura habitual. Divide la apertura ocular por esa referencia y expresa cabeza y mirada respecto de ella; considera cierre una apertura menor al 70% de la referencia. Esta regla relativa sustituye el umbral fijo de cierre sólo en este modo. Después de calibrar reúne 90 muestras nuevas con rostro antes de clasificar; perder el rostro o recalibrar descarta esa ventana. Los pesos no cambian, pero sí la representación de entrada. Esta adaptación experimental no demuestra que desaparezcan las falsas detecciones ni permite atribuir a la cámara los porcentajes del test histórico.

Los ejemplos fijan automáticamente ese punto cero al iniciar: el video queda pausado, se toma una referencia de un único fotograma con rostro y se reanuda. El control Recalibrar permite elegir otra referencia. Ese fotograma no cuenta como una secuencia de observaciones ni demuestra estabilidad de postura. La clasificación posterior usa 90 muestras nuevas; al activar esta adaptación, los resultados históricos tampoco describen su desempeño.

La cadencia depende del video y del dispositivo: 90 muestras pueden abarcar más de tres segundos. Reducir la resolución o la frecuencia de lectura puede cambiar las señales y la predicción. Algunas duraciones por conteo del extractor conservan una frecuencia nominal de 29.76 muestras/s; con otra cadencia, su interpretación temporal también cambia. La adaptación de carga permite explorar la demo en equipos distintos, pero requiere evaluar cada condición antes de comparar su desempeño con el test histórico.

La demo muestra Detectado, la clase y las puntuaciones inmediatas de la Bi-LSTM, y Normalizado, el estado del sistema tras aplicar reglas de decisión. Una regla manual asigna Distracción al detectar un celular con puntuación de YOLO superior a 0.45; tiene prioridad sobre la clase facial y no cambia sus puntuaciones. Detectar un teléfono en la imagen no demuestra que la persona lo esté usando. Cuando deja de detectarse, se muestra el estado facial filtrado. Las cifras anteriores corresponden a la Bi-LSTM con atención, sin estas reglas ni el detector de objetos.

La capa Normalizado exige, por defecto, tres segundos continuos de Somnolencia para activarla y un segundo de la misma clase alternativa para salir de ella. Ambos tiempos se pueden ajustar en Parámetros; cero elimina la espera. Una predicción contraria reinicia la confirmación. Sólo cuentan nuevas predicciones durante la lectura activa: las pausas no suman tiempo y perder el rostro reinicia la lectura facial. Este filtro temporal es una regla configurable del sistema, distinta de LayerNorm dentro de la red. Cambia la duración necesaria para emitir el estado y requiere una evaluación propia; no modifica las puntuaciones ni demuestra una mejora de accuracy.