La detección de distracciones del conductor (3D) es esencial para mejorar la eficiencia y la seguridad de los sistemas de transporte. Considerando los requisitos de privacidad del usuario y el fenómeno del crecimiento de datos en escenarios del mundo real, los métodos existentes son insuficientes para abordar cuatro desafíos emergentes, es decir, la acumulación de datos, la optimización de la comunicación, la heterogeneidad de datos y la heterogeneidad de dispositivos. Este documento presenta un mecanismo incremental y rentable basado en el aprendizaje meta-federado, llamado ICMFed, para apoyar las tareas de 3D abordando los cuatro desafíos. En particular, diseña un factor temporal asociado con lotes de entrenamiento locales para estabilizar el entrenamiento del modelo local, introduce filtros de gradiente de cada capa del modelo para optimizar la interacción cliente-servidor, implementa un vector de peso normalizado para mejorar el proceso de agregación del modelo global y soporta la personalización rápida para cada usuario adaptando el meta-modelo global aprendido. Según la evaluación realizada en base al conjunto de datos estándar, ICMFed puede superar a tres líneas de base en el entrenamiento de dos modelos comunes (es decir, DenseNet y EfficientNet) con una precisión promedio mejorada en aproximadamente un 141.42%, tiempo de entrenamiento ahorrado en aproximadamente un 54.80%, costo de comunicación reducido en aproximadamente un 54.94% y calidad del servicio mejorada en aproximadamente un 96.86%.