Clasificación del estrés humano utilizando datos cardiovasculares y respiratorios basados en técnicas de aprendizaje...

Área de la Ciencia:

• Computación fisiológica
• Procesamiento de señales biomédicas
• Aprendizaje automático en la salud

Sus antecedentes:

• El estrés afecta significativamente la salud mental, el bienestar y el rendimiento.
• Los métodos actuales de detección del estrés a menudo se basan en señales fisiológicas individuales.
• Se propone un nuevo enfoque que integra datos cardiovasculares y respiratorios para la detección del estrés.

Objetivo del estudio:

• Desarrollar y validar un sistema multimodal para la detección precisa de las tensiones en tiempo real.
• Investigar la eficacia de la fusión de las señales cardiovasculares y respiratorias para la clasificación del estrés.
• Identificar las características fisiológicas clave que distinguen los estados de estrés.

Principales métodos:

• Se recogieron electrocardiogramas (ECG) y señales de respiración de 15 participantes durante una tarea de inducción de estrés.
• Desarrolló un algoritmo de detección de picos en tiempo real para el procesamiento de señales de ECG.
• Características del dominio de tiempo y frecuencia extraídas de ambos tipos de señales y modelos de aprendizaje automático empleados (SVM, KNN, árboles en bolsa, bosques aleatorios) para la clasificación, validadas con las puntuaciones de NASA-TLX.

Principales resultados:

• La fusión de datos multimodal mejoró significativamente la precisión de la clasificación de la tensión al 95,6% ± 1,7% en comparación con las modalidades únicas.
• La selección avanzada de características identificó características discriminatorias cruciales tanto de las señales cardiovasculares como de las respiratorias.
• El sistema desarrollado demostró un rendimiento superior a los enfoques de una sola modalidad.

Conclusiones:

• La integración de datos fisiológicos multimodales, específicamente señales cardiovasculares y respiratorias, es muy eficaz para la detección precisa del estrés.
• Este enfoque supera el rendimiento de los métodos de una sola modalidad y la literatura existente.
• Los hallazgos apoyan el desarrollo de sistemas de monitoreo en tiempo real para mejorar la gestión del estrés y la salud.