Identificación de episodios de estrés con señales EEG y EDA mediante modelos de machine learning
Summary
No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.
Summarise with VIRAT Free to try with your Science Catalogs account.Abstract
El estrés es un estado emocional crítico con impactos significativos en la salud física y cognitiva. Su evaluación tradicional se basa en métodos subjetivos como cuestionarios, que presentan sesgos y falta de precisión temporal. Aunque señales fisiológicas como la electroencefalografía (EEG) y la actividad electrodérmica (EDA) ofrecen mediciones objetivas, su uso individual enfrenta limitaciones técnicas y de variabilidad interindividual. La integración multimodal de estas señales mediante modelos de machine learning (ML) surge como una alternativa prometedora para la detección confiable de episodios de estrés. Este estudio implementó un enfoque multimodal que integró señales de EDA, EEG y electrocardiografía (ECG) de 10 participantes sometidos a tareas cognitivas y privación de sueño. Tras un preprocesamiento que incluyó segmentación temporal y extracción de características (p. ej., componentes fásicos de EDA, potencias espectrales de EEG), se generaron etiquetas binarias (estrés/no estrés) mediante el algoritmo no supervisado k-means. Se entrenaron y optimizaron tres modelos de clasificación supervisada (Árbol de Decisión, SVM, KNN) utilizando únicamente características de EDA, evaluando su rendimiento con métricas como precisión, F1-score y AUC-ROC. En la tarea con clases balanceadas, los modelos mostraron un rendimiento aceptable, con AUC-ROC de hasta 0.8119 (KNN). En la tarea con desbalance de clases (85% estrés), se observó una caída en la capacidad discriminativa real (AUC-ROC de 0.4862 para KNN), a pesar de métricas globales engañosamente altas (ej. accuracy del 82.35%). Las características fásicas de la EDA (amplitud media y conteo de SCR) fueron identificadas como las más determinantes. Se demostró que las características fásicas de la EDA contienen información suficiente para la identificación de estrés agudo, ofreciendo una base para el desarrollo de sistemas portátiles de bajo costo. La investigación subraya la criticalidad del balance de clases en los datos y la necesidad de utilizar métricas robustas como el AUC-ROC para una evaluación fiable. Este trabajo sienta las bases para futuros desarrollos de sistemas de monitorización de estrés aplicables en entornos clínicos y cotidianos.
Fields of Study & Subjects
Emotion and Mood Recognition
EEG and Brain-Computer Interfaces
Heart Rate Variability and Autonomic Control
Publication details
- Journal / source
- Institutional Repository of the Santo Tomás University
- Publication date
- 19 March 2026
- Language
- ES
- Document type
- Thesis