CLASIFICACIÓN DEL ESTRÉS UTILIZANDO SEÑALES FISIOLÓGICAS: UNA REVISIÓN EXHAUSTIVA DE MÉTODOS Y ENFOQUES COMBINADA CON UN NUEVO EXPERIMENTO DE ECG BASADO EN CNN
Resumen
La detección precisa del estrés a través de señales fisiológicas presenta un gran potencial para mejorar los resultados en salud, reducir costos y posibilitar la intervención temprana en trastornos relacionados con el estrés. Este estudio presenta una revisión exhaustiva de los avances recientes en la clasificación del estrés utilizando datos fisiológicos, destacando los principales métodos, desafíos y tendencias emergentes en el área. Se hace especial énfasis en las limitaciones impuestas por conjuntos de datos reducidos, la importancia de modelos personalizados y las dificultades de la aplicación en tiempo real en entornos no controlados. Paralelamente, proponemos y evaluamos una nueva arquitectura de red neuronal convolucional (CNN) diseñada para clasificar señales de electrocardiograma (ECG) en cuatro categorías distintas. El modelo demostró un aprendizaje robusto y una generalización moderada en condiciones de restricción de datos, alcanzando un 60,95% de exactitud en un conjunto de prueba independiente. Los hallazgos refuerzan la eficacia del aprendizaje profundo en la clasificación del estrés y resaltan la necesidad de enfoques personalizados, en tiempo real y multimodales en investigaciones futuras.
Biografía del autor/a
Universidade do Vale do Rio dos Sinos - UNISINOS.
Universidade do Vale do Rio dos Sinos - UNISINOS.
Universidade do Vale do Rio dos Sinos - UNISINOS.
Universidade do Vale do Rio dos Sinos - UNISINOS.
Referencias
BOBADE, P.; VANI, M. Stress detection with machine learning and deep learning using multimodal physiological data. In: INTERNATIONAL CONFERENCE ON INVENTIVE RESEARCH IN COMPUTING APPLICATIONS (ICIRCA), 2., 2020. Proceedings […]. [S. l.]: IEEE, 2020. p. 51–57 DOI: https://doi.org/10.1109/ICIRCA48905.2020.9183244 DOI: https://doi.org/10.1109/ICIRCA48905.2020.9183244
CAN, Y. S.; CHALABIANLOO, N.; EKIZ, D.; FERNANDEZ-ALVAREZ, J.; RIVA, G.; ERSOY, C. Personal stress-level clustering and decision-level smoothing to enhance the performance of ambulatory stress detection with smartwatches. IEEE Access, v. 8, p. 38146–38163, 2020. DOI: https://doi.org/10.1109/ACCESS.2020.2975351
DELMASTRO, F.; MARTINO, F. D.; DOLCIOTTI, C. Cognitive training and stress detection in MCI frail older people through wearable sensors and machine learning. IEEE Access, v. 8, p. 65573–65590, 2020. DOI: https://doi.org/10.1109/ACCESS.2020.2985301
DHAM, V. et al. Mental stress detection using artificial intelligence models. Journal of Physics: Conference Series, v. 1950, 012047, 2021. DOI: https://doi.org/10.1088/1742-6596/1950/1/012047
GARG, P.; SANTHOSH, J.; DENGEL, A.; ISHIMARU, S. Stress detection by machine learning and wearable sensors. In: INTERNATIONAL CONFERENCE ON INTELLIGENT USER INTERFACES – COMPANION, 26., 2021, New York. Proceedings […]. New York: ACM, 2021. p. 43–45 DOI: https://doi.org/10.1145/3397482.3450732 DOI: https://doi.org/10.1145/3397482.3450732
GEDAM, S.; PAUL, S. A review on mental stress detection using wearable sensors and machine learning techniques. IEEE Access, v. 9, p. 84045–84066, 2021 DOI: https://doi.org/10.1109/ACCESS.2021.3085502 DOI: https://doi.org/10.1109/ACCESS.2021.3085502
GJORESKI, M.; LUŠTREK, M.; GAMS, M.; GJORESKI, H. Monitoring stress with a wrist device using context. Journal of Biomedical Informatics, v. 73, p. 159–170, 2017 DOI: https://doi.org/10.1016/j.jbi.2017.08.006 DOI: https://doi.org/10.1016/j.jbi.2017.08.006
HUANG, J.; LIU, Y.; PENG, X. Recognition of driver’s mental workload based on physiological signals: a comparative study. Biomedical Signal Processing and Control, v. 71, parte A, p. 103094, 2022 DOI: https://doi.org/10.1016/j.bspc.2021.103094 DOI: https://doi.org/10.1016/j.bspc.2021.103094
KUMAR, A.; SHARMA, K.; SHARMA, A. Hierarchical deep neural network for mental stress state detection using IoT based biomarkers. Pattern Recognition Letters, v. 145, p. 81–87, 2021 DOI: https://doi.org/10.1016/j.patrec.2021.01.030 DOI: https://doi.org/10.1016/j.patrec.2021.01.030
NATH, R. K.; THAPLIYAL, H.; CABAN-HOLT, A. Machine learning based stress monitoring in older adults using wearable sensors and cortisol as stress biomarker. Journal of Signal Processing Systems, 2021 DOI: https://doi.org/10.1007/s11265-020-01611-5 DOI: https://doi.org/10.1007/s11265-020-01611-5
VARGAS-LOPEZ, O.; PEREZ-RAMIREZ, C. A.; VALTIERRA-RODRIGUEZ, M.; YANEZ-BORJAS, J. J.; AMEZQUITA-SANCHEZ, J. P. An explainable machine learning approach based on statistical indexes and SVM for stress detection in automobile drivers using electromyographic signals. Sensors, v. 21, n. 3155, 2021 DOI: https://doi.org/10.3390/s21093155 DOI: https://doi.org/10.3390/s21093155
ZUBAIR, M.; YOON, C. Multilevel mental stress detection using ultrashort pulse rate variability series. Biomedical Signal Processing and Control, v. 57, 2020. Art. 101736. DOI: https://doi.org/10.1016/j.bspc.2019.101736
Licencia
Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.