O monitoramento do comportamento de motoristas tem sido amplamente explorado pelo crescente interesse em sistemas que permitem um maior controle sobre as atividades é possível criar serviços personalizados que visam, dentre algumas aplicações, o controle da taxa de acidentes, precificação de seguros, detecção de sequestros, direção ecológica e gerenciamento de veículos compartilhados e locados. Os aspectos relacionados ao comportamento de motoristas podem ser monitorados a partir de métodos categorizados como recursos visuais e não visuais. No entanto, recursos visuais, baseados em técnicas de visão computacional, apresentam algumas limitações, tais como a violação de privacidade do usuário, a restrição na amplitude do movimento e as interferências do meio externo. Dessa forma, os sensores inerciais (acelerômetros e giroscópios) surgem como um dos meios mais atrativos e utilizados para obtenção de dados que caracterizam o comportamento de motoristas, através dos eventos de direção, que em geral, são descritos pelas ações de acelerar, frear e virar. Este trabalho explora algoritmos tradicionais de aprendizagem de máquina e aprendizagem profunda para realizar a classificação de comportamentos agressivos e não agressivos através dos eventos de direção. Para tanto, são utilizados sinais de aceleração linear e velocidade angular, processando somente as componentes do sinal que apresentam o maior potencial discriminatório para categorizar os eventos. Os modelos de classificação são baseados em Support Vector Machine (SVM), Redes Neurais Multilayer Perceptron (MLP) e Redes Neurais Convolucionais 1D e 2D. Os modelos baseados em SVM e MLP utilizam como entrada dados resultantes da engenharia de atributos e da implementação do algoritmo Dynamic Time Warping (DTW). Os modelos baseados em Redes Neurais Convolucionais 1D e 2D, aplicam a estrutura AlexNet, com pequenas modificações, nos dados pré-processados dos sensores inerciais e nas representações bidimensionais provenientes da conversão dos sinais temporais em gráficos de recorrência. Os resultados demonstram a potencialidade dos métodos abordados, obtendo-se bom desempenho na classificação de eventos de direção com os modelos SVM, MLP, 1D-AlexNet e 2D-AlexNet. Além disso, os resultados são consistentes para avaliação de dados coletados por meio de sensores inerciais e abrangem os eventos de direção mais recorrentes durante a conduta veicular, caracterizando o comportamento agressivo dos motoristas.

The monitoring of driver behavior has been widely explored by the growing interest in systems that allow greater control over the activities performed. Through pattern recognition at the wheel it is possible to create personalized services that aim, among some applications, to control the accident rate, insurance pricing, kidnapping detection, ecodriving and management of shared and leased vehicles. Aspects related to driver behavior can be monitored using methods categorized as visual and non-visual resources. However, visual resources, based on computer vision techniques, have some limitations, such as violation of user privacy, restriction in the range of motion and interference from the external environment. In this way, inertial sensors (accelerometers and gyroscopes) emerge as one of the most attractive and used means to obtain data that characterize the behavior of drivers, through driving events, which in general are described by the actions of accelerating, braking and to turn. This work explores traditional machine learning and deep learning algorithms to perform the classification of aggressive and non-aggressive behaviors through driving events. For that, linear acceleration and angular velocity signals are used, processing only the signal components that present the greatest discriminatory potential to categorize the events. The classification models are based on Support Vector Machine (SVM), Multilayer Perceptron Neural Networks (MLP) and 1D and 2D Convolutional Neural Networks. Models based on SVM and MLP use data resulting from attribute engineering and implementation of the Dynamic Time Warping (DTW) algorithm as input. The models based on 1D and 2D Convolutional Neural Networks apply the AlexNet structure, with minor modifications, to the pre-processed data of the inertial sensors and the two-dimensional representations resulting from the conversion of temporal signals into recurrence plots. The results demonstrate the potential of the methods discussed, obtaining good performance in the classification of driving events with the SVM, MLP, 1D-AlexNet and 2D-AlexNet models. In addition, the results are consistent for the evaluation of data collected through inertial sensors and cover the most recurrent driving events during vehicular conduct, characterizing the aggressive behavior of drivers.