Resumen:
El estrés es un mecanismo natural de los seres vivos para abordar situaciones
peligrosas, específicamente en el ser humano es la reacción del cuerpo a un
desafío o momento demandante tanto físico como mental. Si esta condición se
mantiene por tiempos prolongados se transforma en un estrés crónico que puede
generar problemas graves en la salud de las personas.
Actualmente es uno de los principales problemas laborales en Chile. Durante el
año 2016 el 21% de las licencias médicas aprobadas se asociaban a
enfermedades mentales ubicándose en el primer puesto, de las cuales un 20,7%
corresponde a estrés, 45% a episodios depresivos y 24,9% a otros trastornos de
ansiedad, mientras que para el año 2019 la cantidad de licencias médicas
aprobadas asociadas a enfermedades mentales subió a un 24,3%.
El estrés genera problema físicos, psicológicos y conductuales y en casos muy
extremos la muerte de la persona. Actualmente para poder medir el estrés existen
principalmente tres métodos a nivel mundial; el primer método es por
cuestionarios o encuestas, el segundo método se basa en la medición de cortisol
salival y el tercer método es por medición de variables fisiológicas.
Esta tesis realiza una investigación relacionada con el tercer método de medición
y tiene como principal objetivo desarrollar un sistema wearable que, mediante la
medición de variables fisiológicas como ritmo cardiaco (H.R) y herramientas de
aprendizaje automático, permita detectar estrés en personas. Se desarrolla un dispositivo weareable el cual mide temperatura y Heart Rate.
Este último se mide en base a ECG, el cual es obtenido mediante electrodos
textiles. Para la creación de los electrodos textiles se estudia los diseños
existentes tanto comerciales como de laboratorio y se determina su posición y
formato más idónea para la obtención de ECG.
Debido a la pandemia generada por la enfermedad del coronavirus 2019 (COVID 19), en primera instancia, se obtiene una base de datos previamente etiquetada
desde PhysioNet (“Non-EEG Dataset for Assessment of Neurological Status”),
cuyos datos fueron analizados mediante estadísticas descriptivas para
determinar cómo las variables afecta al sistema, para luego realizar un análisis
de relación entre variables donde se observa que existe una concentración de
datos relacionados a Delta Heath Rate y que la temperatura no afecta
mayormente en la clasificación de estados de estrés y relajo.
Debido a lo antes expuesto, y según lo observado en el estado del arte, se
determina que los mejores modelos a utilizar corresponden a aquellos de
clasificación binaria, específicamente los clasificadores KNN (K-Nearest
Neighbor), Support Vector Machine y Naive Bayes. Posteriormente, en base a la
cantidad de datos contenidos de la base de datos, se define utilizar 16 personas
(80%) como entrenamiento y verificación del modelo y 4 personas (20%) para
pruebas del estado de estrés en dichas personas.
Los principales resultados indican que el mejor clasificador corresponde a KNN
cuando se utilizan todas las variables consideradas y Delta Heart Rate, con un exactitud (accuracy) promedio de 68.5% y 70.5% respectivamente y F1, variable
que combina las medidas de precisión y exhaustividad en un solo valor, de
73.47% y 70.74% respectivamente. Un buen desempeño en ambas métricas
permite asegurar un resultado exacto, preciso y exhaustivo, evitando posibles
resultados engañoso al considerar solo una la exactitud.
Estos resultados pueden mejorar si, en la base de datos utilizada, se incorporarán
una mayor cantidad de personas sanas y personas que padecen de estrés
crónico, ya que así el modelo podría reconocer de mejor manera los estados de
estrés y relajo.