Martínez Vásquez, David AlejandroGarzón Melo, Héctor Leonardo2024-10-012024-10-012024Garzón Melo, H. L. (2024). Detección de Patrones de Fatiga Cognitiva Mediante Aprendizaje Automático. [Trabajo de Maestría, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/58033Esta 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 transferenciaThis 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 learningapplication/pdfspaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Cognitive fatigueECGEDAMachine learningPhysiological signalsTransfer learningIngeniería ElectrónicaFatiga CognitivaElectrocardiogramaTesis de maestríaAbierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Fatiga cognitivaECGEDAAprendizaje automáticoSeñales fisiológicasAprendizaje por transferenciareponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.co