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 mediante señales fisiológicas muestra un gran potencial para mejorar los resultados de la atención médica, reducir costos y permitir 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 métodos clave, los desafíos y las tendencias emergentes en el campo. Se hace especial hincapié en las limitaciones que plantean los conjuntos de datos pequeños, la importancia de los 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 las señales del electrocardiograma (ECG) en cuatro categorías distintas. El modelo muestra un aprendizaje robusto y una generalización razonable en condiciones de datos limitados, alcanzando una precisión del 60,95 % en un conjunto de pruebas independiente. Los hallazgos refuerzan la eficacia del aprendizaje profundo en la clasificación del estrés y subrayan la necesidad de enfoques personalizados, en tiempo real y multimodales en futuras investigaciones.
Biografía del autor/a
UNISINOS
UNISINOS
PUCRS
Referencias
ANSARI, Y.; MOURAD, O.; QARAQE, K.; SERPEDIN, E. Deep learning for ECG arrhythmia detection and classification: an overview of progress for 2017–2023. Frontiers in Physiology, Lausanne, v. 14, 2023.
ASKARI, M.; SETAREHDAN, S. K.; SHOKROLLAHI, A.; ALIREZAEI, M. Stress detection from physiological signals using deep learning methods: distinguishing stress from physical activity. Biomedical Signal Processing and Control, Amsterdam, v. 73, 2022.
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.
CHATTERJEE, R.; NAG, A.; DUTTA, A.; MUKHERJEE, S. Stress classification using physiological signals with frequency-domain feature selection. Biomedical Signal Processing and Control, Amsterdam, v. 72, 2022.
FINSETH, T.; KJELDGAARD, M.; SKOV, M. B.; HANSEN, L. K. Personalized versus generalized models for physiological stress detection: challenges and opportunities. Sensors, Basel, v. 23, n. 3, 2023.
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.
GEDAM, S.; PAUL, S. A review on mental stress detection using wearable sensors and machine learning techniques. IEEE Access, New York, v. 9, p. 84045–84066, 2021.
GUHDAR, M.; MOHAMMED, A. O.; MSTAFA, R. J. Advanced deep learning framework for ECG arrhythmia classification using 1D-CNN with attention mechanism. Knowledge-Based Systems, Amsterdam, v. 295, 2025.
HUANG, J.; LIU, Y.; PENG, X. Recognition of driver’s mental workload based on physiological signals: a comparative study. Biomedical Signal Processing and Control, Amsterdam, v. 71, pt. A, p. 103094, 2022.
KUMAR, A.; SHARMA, K.; SHARMA, A. Hierarchical deep neural network for mental stress state detection using IoT-based biomarkers. Pattern Recognition Letters, Amsterdam, v. 145, p. 81–87, 2021.
MINGXU, L.; ZHANG, Y.; LIU, H.; WANG, Z. Affect and stress detection based on feature fusion of LSTM and CNN using physiological signals. Sensors, Basel, v. 23, 2023.
MODI, N.; KUMAR, Y.; MEHTA, K.; CHAPLOT, N. Physiological signal-based mental stress detection using hybrid deep learning models. Discover Artificial Intelligence, Cham, v. 5, 2025.
RIM, B.; LEE, J.; PARK, J.; KIM, H. Deep learning applications on medical physiological signals: a comprehensive review. Sensors, Basel, v. 20, n. 20, 2020.
SAH, S.; DAS, A.; CHOUDHURY, S. StressNet: convolutional neural network framework for personalized stress classification. IEEE Access, New York, v. 10, 2022.
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, Basel, v. 21, n. 9, 2021.
WU, Y.; ZHANG, J.; LIU, Y.; WANG, J. Transfer learning-based stress detection using physiological signals in daily activities. IEEE Access, New York, v. 9, 2021.
XIANG, J.-Z.; WANG, Q.-Y.; FANG, Z.-B.; ESQUIVEL, J. A.; SU, Z.-X. A multimodal deep learning approach for stress detection using physiological signals. Frontiers in Physiology, Lausanne, v. 16, 2025.
Licencia
Derechos de autor 2026 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.