Un equipo de la Universidad Politécnica de Madrid (UPM) y del King's College de Londres ha desarrollado un sistema capaz de identificar el estrés con una precisión del 98 por ciento mediante relojes inteligentes y algoritmos diseñados para equilibrar rendimiento y comodidad en el uso diario.
“Este trabajo abre la puerta a sistemas de salud inteligentes que sean, ante todo, soportables”, ha manifestado el investigador del primero de estos centros académicos, Alberto Díaz-Álvarez. “Al final del día, el objetivo es cuidar nuestra Salud Mental con dispositivos que sean compañeros silenciosos y no intrusos que nos recuerden constantemente que estamos siendo observados”, ha explicado.
La UPM recuerda que, según la Organización Mundial de la Salud (OMS), los trastornos de salud mental constituyen ya la principal causa de discapacidad en Europa. Aunque la capacidad humana para anticipar y preocuparse por sucesos futuros resulta sorprendente, identificar el momento en que esa preocupación se convierte en un problema patológico es crucial para poder intervenir a tiempo.
En esta línea, la investigación, publicada en la revista especializada “Biomedical Signal Processing and Control”, propone una forma de monitorizar el estrés sin recurrir a aparatos voluminosos o invasivos. Hasta el momento, obtener mediciones fiables solía implicar conectar a la persona a cables, bandas pectorales y electrodos para registrar múltiples parámetros fisiológicos.
Niveles de intrusión y precisión
Según destacan los autores, el problema resulta evidente: intentar evaluar el nivel de relajación de alguien utilizando un sistema de monitorización complejo puede terminar alterando, precisamente, el estado que se desea medir. Por ello, el estudio se centra en encontrar un punto óptimo entre la exactitud de los algoritmos y el grado de intrusión de los dispositivos en la rutina cotidiana.
En este trabajo, investigadores del grupo “KNOwledge Discovery and Information Systems” (KNODIS) de la Escuela Técnica Superior de Ingeniería de Sistemas Informáticos (ETSISI) han examinado tanto señales fisiológicas como patrones de comportamiento recogidos desde tres tipos de fuentes: teléfonos móviles, considerados de baja intrusión; relojes inteligentes y otros wearables de muñeca, con un nivel medio de intrusión; y bandas pectorales, que suponen una intrusión elevada.
Los resultados muestran que los dispositivos de muñeca ofrecen el compromiso más adecuado, ya que, mediante modelos avanzados de aprendizaje profundo, se ha conseguido clasificar los niveles de estrés con una precisión de entre el 98 y el 100 por cien. En el caso de los datos procedentes de los móviles, los algoritmos clásicos de aprendizaje automático obtuvieron un rendimiento casi comparable al de las redes neuronales más complejas, llegando a una eficacia del 77 por ciento.
Según subraya la UPM, esto indica que el teléfono puede llegar a detectar si una persona necesita un descanso únicamente a partir de la forma en que lo utiliza, sin requerir sensores biométricos adicionales, lo que resulta especialmente valioso en estudios a gran escala. Asimismo, el trabajo concluye que añadir de forma explícita la variable temporal mediante análisis avanzados de series temporales no incrementa necesariamente la precisión de las predicciones.