Desarrollo de un modelo predictivo piloto basado en aprendizaje automático para evaluar el estrés o deterioro cognitivo debido a la privación del sueño : análisis de correlaciones entre señales EEG y EDA con base en una muestra acotada.

Abstract

El presente trabajo aborda el desarrollo de un modelo predictivo piloto para la evaluación del estrés o deterioro cognitivo, causado por la privación del sueño, utilizando técnicas de aprendizaje automático tanto supervisado como no supervisado, donde el estudio inicia con un análisis de correlaciones de la actividad eléctrica del cuerpo entre señales cerebrales (EEG) y señales de la actividad electrotérmica (EDA) de una muestra de participantes sometidos a un experimento de privación de sueño. La metodología empleada incluyó el preprocesamiento de las señales, la extracción de características relevantes como la asimetría alfa frontal (FAA) del EEG y la componente tónica y fásica del EDA, y la segmentación de la señal en ventanas de 40 muestras. Posteriormente, se llevó a cabo la aplicación del algoritmo de aprendizaje automático no supervisado K-Means para agrupar los datos en dos clústeres y su posterior interpretación como estados de "estrés" y "no estrés". Una de las etapas finales del trabajo fue la evaluación y entrenamiento de cinco algoritmos de aprendizaje automático supervisado (Regresión logística, K-NN Vecinos, Support Vector Machines, Árboles de decisión y Random Forest) para finalmente, seleccionar el algoritmo de aprendizaje supervisado Support Vector Machine, el cual mostró el mejor desempeño para validar la capacidad de clasificación de los estados. Los resultados demuestran la viabilidad de utilizar este tipo de señales fisiológicas y los algoritmos de machine learning para identificar estados de estrés y fatiga mental, sentando las bases para futuros estudios en el área.