Un sistema inteligente de reconocimiento de emociones basado en IoT mediante parámetros internos del cuerpo

Por qué tus emociones podrían convertirse pronto en un signo vital

Imagina que tu reloj inteligente registre en silencio no solo tus pasos y la frecuencia cardiaca, sino también cuánto estrés, calma o alegría experimentas a lo largo del día, y alerte a tu médico antes de que aparezca el agotamiento o la depresión. Este artículo describe un paso hacia ese futuro: un sistema inteligente que lee señales internas del cuerpo, las envía a través del Internet de las Cosas (IoT) y usa aprendizaje automático para determinar en tiempo real qué emoción estás experimentando.

Escuchar los sentimientos a través del cuerpo

Nuestras emociones no residen solo en el rostro o en la voz; se propagan por el cuerpo. Cuando estamos enfadados, la presión arterial puede dispararse. El miedo puede acelerar el pulso, mientras que la tristeza puede hacernos más lentos. Los investigadores de este estudio se propusieron construir un sistema que lea estas ondulaciones internas y las traduzca en seis estados emocionales comunes: neutral, feliz, triste, miedo, ira y sorpresa. En lugar de cámaras o micrófonos, se basan en mediciones internas del cuerpo —como la frecuencia cardiaca, la presión arterial, la temperatura corporal, el nivel de glucosa, la saturación de oxígeno y la actividad muscular— captadas por sensores portátiles y enviadas a un sistema informático para su análisis.

Convertir un dispositivo portátil en un radar emocional

El equipo diseñó una Banda multi-sensor emparejada con un pequeño microcontrolador con Wi‑Fi. Este dispositivo recoge varias corrientes de datos a la vez: la velocidad de los latidos, la temperatura de la piel, la cantidad de oxígeno en la sangre, la tensión muscular, los picos de presión arterial y las fluctuaciones del nivel de glucosa. Estas señales viajan de forma inalámbrica a un teléfono o puerta de enlace cercana y luego a servidores en la nube. Allí, los datos se depuran —eliminando ruido, corrigiendo errores evidentes y normalizando unidades— antes de almacenarse en bases de datos locales y en la nube. Expertos médicos ayudaron a definir rangos realistas para cada parámetro y a elaborar reglas que vinculan patrones específicos de cambios corporales con emociones probables, creando un conjunto de datos etiquetado para entrenar modelos de aprendizaje automático.

Enseñar a las máquinas a leer el estado de ánimo

Con un gran conjunto de ejemplos etiquetados, los investigadores probaron once métodos distintos de aprendizaje automático para ver cuál podía adivinar mejor la emoción de una persona a partir de sus lecturas internas. Entre ellos estaban técnicas conocidas como regresión logística, máquinas de vectores de soporte, k‑vecinos más cercanos, redes neuronales y varios métodos de «conjunto» que combinan muchos árboles de decisión sencillos. El enfoque Random Forest —un método que vota entre muchos árboles de decisión— resultó ser el mejor. En su conjunto de datos principal, identificó correctamente las seis emociones alrededor del 91% del tiempo en pruebas estándar, y cerca del 93% cuando se verificó de forma más rigurosa mediante un procedimiento de validación cruzada k‑fold que ayuda a evitar sobreajuste.

Probar el sistema más allá del laboratorio

Para comprobar si el modelo funcionaría con personas y situaciones fuera de sus datos de entrenamiento, el equipo realizó una prueba externa usando un referente emocional muy utilizado llamado DEAP. En este planteamiento, los voluntarios vieron vídeos cuidadosamente seleccionados para evocar distintas emociones, mientras se medían sus señales internas con la misma configuración de sensores. El modelo Random Forest entrenado, sin volver a entrenarse, se encargó de clasificar estas nuevas grabaciones. Alcanzó aproximadamente un 94% de precisión, con buenos resultados en todas las emociones —prueba de que el sistema puede generalizar más allá de su muestra original. Los autores sostienen que esto valida tanto su elección de señales corporales como su diseño global, que abarca hardware de sensores, comunicación IoT, almacenamiento en la nube y software inteligente.

Del prototipo de investigación al compañero cotidiano

Para un público no especializado, la conclusión clave es sencilla: las señales ocultas de tu cuerpo pueden revelar de forma fiable cómo te sientes, y los ordenadores pueden aprender a leerlas. Este trabajo muestra que una red de sensores portátiles, conectada a través de Internet y analizada con algoritmos avanzados, puede rastrear emociones de manera no invasiva y casi en tiempo real. Aunque el sistema actual tiene limitaciones —como un tamaño de muestra modesto y un enfoque en solo seis emociones básicas— apunta hacia herramientas futuras que podrían apoyar la salud mental, personalizar experiencias digitales, monitorizar a personas solas o vulnerables en el hogar y hacer que los entornos inteligentes respondan mejor a nuestra vida interior.

Cita: Rashid, T., Bajwa, I.S. & Kim, J. An IoT-based smart emotion recognition system by using internal body parameters. Sci Rep 16, 7210 (2026). https://doi.org/10.1038/s41598-026-35982-9

Palabras clave: reconocimiento de emociones, sensores portátiles, señales fisiológicas, Internet de las Cosas, aprendizaje automático