Detección de estrés utilizando la variabilidad de la frecuencia cardíaca y las señales respiratorias derivadas de un...

Área de la Ciencia:

• Ingeniería Biomédica Ingeniería Biomédica.
• Fisiología computacional Fisiología computacional.
• Aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• La detección del estrés es crucial para la salud, pero los métodos multimodales actuales se enfrentan a límites de hardware y computacionales para los wearables.
• Los enfoques existentes de una sola modalidad, como los que utilizan solo la variabilidad del ritmo cardíaco (HRV), tienen limitaciones en precisión y eficiencia.

Objetivo del estudio:

• Desarrollar un método de detección de estrés eficiente y preciso utilizando exclusivamente señales de electrocardiograma (ECG) de un solo conductor.
• Investigar la utilidad de combinar las características respiratorias y CVR derivadas del ECG con el aprendizaje automático para el monitoreo del estrés en tiempo real.

Principales métodos:

• Se empleó una metodología híbrida, extrayendo las señales de VRC y respiratorias y sus características de los datos de ECG de una sola derivación.
• El modelo de aprendizaje automático XGBoost se utilizó para evaluar varias combinaciones de características en la base de datos del proyecto ES3.

Principales resultados:

• La incorporación de características respiratorias derivadas del ECG mejoró significativamente la precisión de la clasificación y la eficiencia computacional en comparación con los métodos tradicionales de HRV.
• El análisis de la importancia de las características reveló un conjunto mínimo de características clave, lo que condujo a un modelo altamente eficiente con tiempos de inferencia más rápidos que los modelos de aprendizaje profundo.
• El enfoque propuesto demostró un rendimiento y una eficiencia superiores en comparación con los modelos de aprendizaje profundo para la detección de estrés.

Conclusiones:

• El análisis multimodal basado en ECG de un solo conducto, que combina la extracción de características con el aprendizaje automático, es factible para la detección de estrés agudo.
• Este enfoque ofrece una estrategia más accesible para el monitoreo biomédico, proporcionando información sobre las respuestas fisiológicas al estrés.
• El método desarrollado supera los desafíos de hardware y computación, allanando el camino para la detección de estrés en tiempo real en dispositivos portátiles.