Identificación de episodios de estrés con señales EEG y EDA mediante modelos de machine learning
Cargando...
Archivos
Fecha
Autores
Barrero Solano, Yefri Stiven
Enlace al recurso
DOI
gruplac
Descripción Dominio:
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad Santo Tomás
Compartir
Documentos PDF
Descripción
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.
Abstract
Stress is a critical emotional state with significant impacts on physical health and cognitive performance. Its traditional assessment relies on subjective methods such as questionnaires, which are prone to bias and lack temporal precision. While physiological signals like electroencephalography (EEG) and electrodermal activity (EDA) offer objective measurements, their individual use faces technical limitations and interindividual variability. The multimodal integration of these signals through machine learning (ML) models emerges as a promising alternative for the reliable detection of stress episodes. This study implemented a multimodal approach integrating EDA, EEG, and electrocardiography (ECG) signals from 10 participants undergoing cognitive tasks and sleep deprivation. After preprocessing, which included temporal segmentation and feature extraction (e.g., EDA phasic components, EEG spectral powers), binary labels (stress/no stress) were generated using the unsupervised k-means algorithm. Three supervised classification models (Decision Tree, SVM, KNN) were trained and optimized using only EDA features, with performance evaluated using metrics such as accuracy, F1-score, and AUC-ROC. In the task with balanced classes, the models showed acceptable performance, with an AUC-ROC of up to 0.8119 (KNN). In the task with class imbalance (85% stress), a drop in real discriminative capacity was observed (AUC-ROC of 0.4862 for KNN), despite deceptively high global metrics (e.g., 82.35% accuracy). Phasic EDA features (mean SCR amplitude and count) were identified as the most determinant. It was demonstrated that phasic EDA features contain sufficient information for the identification of acute stress, providing a basis for the development of low-cost wearable systems. The research underscores the criticality of class balance in data and the need to use robust metrics such as AUC-ROC for reliable evaluation. This work lays the foundation for future developments of stress monitoring systems applicable in clinical and everyday environments.
Idioma
spa
Palabras clave
Citación
Barrero Solano, Y. S. (2026). Identificación de episodios de estrés con señales EEG y EDA mediante modelos de machine learning. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional
Colecciones
Licencia Creative Commons
Attribution-NonCommercial-NoDerivs 2.5 Colombia