Development of a system to detect stress using physiological signals

Abstract

En el siglo 21, la salud mental se ha convertido en una preocupación significante mundialmente dado el estilo de vida moderno, el medio ambiente, y los eventos globales. Esto ha provocado conciencia en las personas sobre las emociones que pueden provocar no solamente problemas psicológicos, si no también enfermedades fisiológicas, como el estrés. El estrés, como una respuesta biológica a agentes externos que generan un cambio en la estabilidad del cuerpo, es un problema que no había sido considerado algunos años atrás, e incluso hoy en día en comunidades donde el acceso a los sistemas de salud no es fácil. Sin embargo, ha sido probado que periodos largos de exposición a estrés pueden conducir a severas enfermedades que conciernen algunos sistemas del cuerpo y la salud mental. Es por esto que detectar y predecir el estrés es de vital importancia para alertar a las personas, tomar acciones, tratar este problema y evitar enfermedades relacionadas. Los estudios se han enfocado en aprovechar la respuesta del sistema nervioso simpatético mediante el análisis de señales fisiológicas que puedan servir como biomarcadores para detectar el estrés en actividades diarias. La inteligencia artificial y sus aplicaciones en el área médica han proveído varias ventajas para la clasificación de señales fisiológicas con diferentes propósitos, incluyendo la detección de estrés. Este proyecto busca desarrollar un protocolo de monitoreo que provea cuidado de la salud diario mediante la detección de las respuestas al estrés usando señales fisiológicas y técnicas de aprendizaje automático, considerando el posible uso de este sistema en condiciones ambulatorias de la vida real. Este trabajo se enfoca en dos objetivos: Primero, se aspira identificar las señales fisiológicas más aptas para el reconocimiento de estrés y llevar a cabo un cuidadoso método de preprocesamiento, que permita la obtención de características que contengan información vital respecto a la presencia de estrés en un intervalo de tiempo. Para esta etapa se procesan señales electrocardiográficas y se obtienen las características en base a la detección de picos de las señales. Adicionalmente, las señales de respuesta galvánica de la piel son usadas para determinar la respuesta del cuerpo al estrés, y con esto etiquetar los datos. Posterior a esto, se ejecutan técnicas de selección de características para eliminar la información que no afecta de manera positiva los siguientes pasos. Segundo, se busca realizar clasificación supervisada usando algoritmos de aprendizaje automático para detectar exitosamente el estrés. Una vez que los datos son minuciosamente procesados y normalizados, se prueban diferentes clasificadores para analizar su rendimiento en la detección de estrés usando las señales electrocardiográficas. Los resultados de los modelos son medidos usando métricas como la exactitud, precisión, recuerdo, y el puntaje F1. Varios experimentos son llevados a cabo con variaciones en los hiperparámetros y conjunto de datos, para detectar el modelo más exacto en esta tarea en específico. Se concluye que las señales elegidas, el método de preprocesamiento, las técnicas de extracción de características y selección de características escogidas establecen un excelente protocolo para la obtención de un conjunto de datos que puede satisfacer un clasificador supervisado de aprendizaje automático. Además, después de analizar y comparar el rendimiento de los algoritmos, se concluyó que el clasificador de nombre bosque aleatorio puede funcionar como un modelo de aprendizaje automático que detecte estrés mediante el uso de señales electrocardiográficas, que puedan ser monitoreadas en ambientes ambulantes de vida real. Este trabajo provee una base para la detección personalizada de estrés, para la medicina de precisión y para el cuidado de la salud personalizado usando sistemas no complejos para comunidades que no tienen acceso fácil al sistema de salud.