Las mujeres han podido conducir en Arabia Saudita desde 2018, revocando una prohibición de 30 años que también se adhería a las normas de tráfico proporcionadas en el país. Los conductores convencionales suelen ser monitoreados para una conducción segura mediante el seguimiento de sus reacciones faciales, parpadeos de ojos y expresiones. Dado que la experiencia de conducción y las características de manejo de vehículos han sido menos expuestas a las conductoras novatas en Arabia Saudita, la asistencia técnica y las observaciones físicas son obligatorias. Tales observaciones son percibidas como imágenes/cuadros de video para análisis basados en computadora. Se emplean procesos precisos de visión por computadora para detectar y clasificar eventos utilizando procesamiento de imágenes. Los eventos identificados son únicos para las conductoras novatas en Arabia Saudita, ayudando con el uso de sus vehículos. Este artículo presenta el método de Detección de Eventos usando Cuadros Segmentados (ED-SF) para mejorar la Detección Anormal de Parpadeo de Ojos (EBD) de las conductoras. La región de los ojos se segmenta utilizando la extracción de píxeles de variación en este proceso. El proceso de extracción de píxeles requiere la variación textural identificada de diferentes cuadros. La condición es que los cuadros deben ser continuos en la detección de eventos. Este método emplea una red neuronal convolucional con dos procesos de capas ocultas. En la primera capa, se identifican las diferenciaciones continuas y discretas de cuadros. La segunda capa es responsable de segmentar la región de los ojos, absorbiendo la variación textural. Las variaciones y cuadros discretos se utilizan para entrenar la red neuronal y evitar errores en el proceso de extracción. Por lo tanto, los cambios en los segmentos de cuadros se utilizan para identificar las expresiones a través de diferentes entradas en diferentes luminosidades de textura. Este método se aplica a conductoras menos experimentadas y con falta de conocimiento sobre seguridad vial que han iniciado su viaje de conducción en países como Arabia Saudita. Así, el método propuesto mejora la precisión de EBD en un 9.5% en comparación con Redes Neuronales Convolucionales Híbridas (HCNN), Redes Neuronales de Largo y Corto Plazo (HCNN + LSTM), Redes Neuronales de Grafos Espacio-Temporales de Dos Flujos (2S-STGCN) y el Método Personalizado de Detección de Fatiga al Conducir CDFDM.