Detección de Patrones de Fatiga Cognitiva Mediante Aprendizaje Automático
Cargando...
Fecha
2024
Autores
Enlace al recurso
DOI
Google Scholar
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Cargando...
Resumen
Esta investigación se centra en el estudio exhaustivo de las técnicas actuales para
la detección de fatiga cognitiva mediante el análisis de señales fisiológicas,
específicamente electrocardiograma (ECG) y actividad electrodérmica (EDA),
utilizando métodos de aprendizaje automático. El trabajo se basa en una revisión
crítica de la literatura científica reciente, sin incluir desarrollo de sistemas o
algoritmos propios.
El estudio explora la eficacia de diversos enfoques de aprendizaje automático, como
máquinas de vectores de soporte (SVM), redes neuronales convolucionales (CNN)
y redes neuronales recurrentes (RNN), en la identificación de patrones de fatiga
cognitiva. Se analizan los resultados reportados en investigaciones previas,
comparando la precisión y aplicabilidad de estos métodos en diferentes contextos.
Un aspecto clave de la investigación es la evaluación de técnicas de selección de
características para ECG y EDA, buscando identificar los indicadores más
relevantes para la detección de fatiga cognitiva según la literatura actual. Además,
se examina la problemática de la variabilidad individual y entre poblaciones,
explorando las estrategias de transferencia de aprendizaje y validación cruzada
propuestas por otros investigadores.
El alcance del estudio es puramente exploratorio, sintetizando el conocimiento
existente y proporcionando una visión integral del estado del arte en la detección de
fatiga cognitiva mediante señales fisiológicas. Los resultados y conclusiones se
derivan exclusivamente del análisis de estudios publicados, ofreciendo una base
sólida para futuras investigaciones en este campo, sin realizar experimentación
propia ni desarrollo de nuevos sistemas o algoritmos.
Palabras clave: Fatiga cognitiva, ECG, EDA, Aprendizaje automático, Señales
fisiológicas, Aprendizaje por transferencia
Abstract
This research presents a comprehensive investigation into the current state of
cognitive fatigue detection through the analysis of physiological signals, specifically
electrocardiogram (ECG) and electrodermal activity (EDA), using machine learning
techniques. The study is based on a critical review of recent scientific literature,
focusing on the effectiveness of various machine learning approaches such as
Support Vector Machines (SVM), Convolutional Neural Networks (CNN), and
Recurrent Neural Networks (RNN) in identifying cognitive fatigue patterns.
The investigation explores the efficacy of feature selection techniques for ECG and
EDA signals, aiming to identify the most relevant indicators for cognitive fatigue
detection as reported in current literature. A key aspect of the research is the
examination of individual and cross-population variability, analyzing transfer learning
strategies and cross-validation methods proposed by other researchers.
This study's scope is purely exploratory, synthesizing existing knowledge without
developing new systems or algorithms. It provides a comprehensive overview of the
state-of-the-art in non-invasive cognitive fatigue detection using physiological
signals and machine learning. The findings and conclusions derived from this
analysis offer valuable insights into current methodologies, challenges, and future
research directions in this field.
By consolidating and critically examining the latest advancements, this research
aims to establish a solid foundation for future studies in cognitive fatigue detection,
contributing to the ongoing efforts to enhance safety and efficiency in high-stakes
environments where sustained cognitive performance is crucial.
Keywords: Cognitive fatigue, ECG, EDA, Machine learning, Physiological signals,
Transfer learning
Idioma
spa
Palabras clave
Citación
Garzón Melo, H. L. (2024). Detección de Patrones de Fatiga Cognitiva Mediante Aprendizaje Automático. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional.
Colecciones
Licencia Creative Commons
Atribución-NoComercial-SinDerivadas 2.5 Colombia