Mejora de la clasificación del estrés cognitivo mediante fusión multimodal de EEG y ECG: diferencias de género en la respuesta fisiológica

Por qué importa medir la tensión mental cotidiana

La vida moderna tira constantemente de nuestra atención, desde plazos estrictos hasta la multitarea frente a pantallas. Sin embargo, rara vez vemos en tiempo real qué hace esta presión dentro de nuestros cuerpos y cerebros. Este estudio explora una manera de “escuchar” a la vez el cerebro y el corazón para determinar cuán estresada mentalmente está una persona y si esa respuesta difiere entre hombres y mujeres. Herramientas así podrían, en el futuro, ayudar a escuelas, lugares de trabajo e incluso vehículos a adaptarse a la carga mental cambiante de las personas antes de que se produzcan errores o agotamiento.

Escuchar el cerebro y el corazón juntos

Cuando estamos bajo tensión mental, tanto los ritmos cerebrales como la actividad cardíaca cambian. Los investigadores usaron dos registros médicos comunes: electroencefalograma (EEG), que registra pequeñas señales eléctricas del cerebro, y electrocardiograma (ECG), que monitoriza los latidos del corazón. En lugar de introducir cientos de mediciones crudas, se centraron en solo tres indicadores compactos con claro significado fisiológico: una razón theta/alpha (TAR) basada en el cerebro que refleja el esfuerzo mental, la frecuencia cardíaca (HR) y una medida de balance de la variabilidad cardíaca llamada LF/HF que captura cómo el sistema nervioso se desplaza bajo estrés. Estas señales se recogieron de 66 estudiantes universitarios sanos mientras realizaban tareas de aritmética mental de dificultad creciente diseñadas para provocar de manera fiable estrés cognitivo de leve a intenso.

De las señales crudas a un detector inteligente de estrés

El equipo no se limitó a esperar que alguna señal funcionara; primero verificaron estadísticamente que las características elegidas diferían realmente entre reposo y estrés. Usando pruebas estándar, confirmaron que TAR, HR y LF/HF cambiaron de forma sistemática a lo largo de las cinco etapas de la tarea, desde el reposo con ojos abiertos hasta los cálculos más difíciles. A continuación normalizaron los datos para que las medidas cerebrales y cardíacas quedaran en escalas comparables y emplearon análisis de componentes principales para confirmar que cada característica aportaba información única en lugar de duplicar lo que otra ya capturaba. Después construyeron varios modelos clásicos de aprendizaje automático—incluyendo árboles de decisión, k-vecinos más cercanos, análisis discriminante lineal, naïve Bayes, bosques aleatorios y máquinas de soporte vectorial (SVM)—y los entrenaron para distinguir reposo de estrés, y para separar estrés bajo de alto, usando EEG solo, ECG solo o una fusión de ambos.

Combinar señales aumenta la precisión

En casi todas las comparaciones, el modelo fusionado que usó EEG y ECG superó a los que se basaron en una sola señal. El clasificador SVM se impuso como el enfoque más sólido, distinguiendo correctamente el reposo de los distintos niveles de estrés con precisiones máximas de alrededor del 94–95%. Un modelo más simple basado únicamente en la razón theta/alpha ya funcionaba razonablemente bien, pero añadir medidas cardíacas mejoró sustancialmente el rendimiento, especialmente cuando el estrés era sutil más que extremo. En términos técnicos, el modelo combinado alcanzó mayor exactitud, precisión y puntuación F1, y un rendimiento más equilibrado entre clases, lo que muestra que cerebro y corazón ofrecen visiones complementarias de la misma carga mental subyacente.

Hombres y mujeres no responden exactamente igual

Dado que el conjunto de datos público etiquetaba cuidadosamente el sexo de cada participante, los autores pudieron dar un paso más y preguntar si los patrones de respuesta cerebral y cardíaca al estrés cognitivo difieren entre hombres y mujeres. Volvieron a ejecutar sus modelos por separado para cada grupo y encontraron que las mujeres tendían a obtener puntuaciones de clasificación más altas que los hombres en muchas de las tareas. En promedio, las participantes femeninas mostraron señales de mayor esfuerzo cerebral (TAR) y una frecuencia cardíaca más alta bajo carga, mientras que los hombres mostraron una tendencia ligera a un mayor balance LF/HF. Aunque las diferencias no eran enormes, fueron lo bastante consistentes como para que las pruebas estadísticas las señalaran y para que los modelos de aprendizaje automático las explotaran. Esto sugiere que un detector de estrés único para todos puede no ser totalmente justo u óptimo.

Qué significa esto para futuros sistemas inteligentes

Para un lector general, la conclusión es clara: se puede obtener una lectura fiable de cuánto estrés mental tiene alguien combinando un pequeño número de señales bien elegidas del cerebro y del corazón, y esas señales no son idénticas en hombres y mujeres. Este trabajo demuestra que un alto rendimiento no requiere complejas redes profundas “caja negra” ni cientos de características opacas; un trío compacto e interpretable—razón de ritmos cerebrales, frecuencia cardíaca y balance de la variabilidad cardíaca—alimentado a un clasificador estándar puede alcanzar una precisión impresionante. A largo plazo, sistemas multimodales conscientes del género podrían potenciar dispositivos wearables, plataformas de aprendizaje o interfaces críticas para la seguridad que detecten discretamente cuando un usuario está sobrecargado y ajusten las demandas en tiempo real, ayudando a reducir errores, fatiga y estrés a largo plazo.

Cita: Salam, A., Alam, F., Shah, D. et al. Improving cognitive stress classification via multimodal EEG and ECG fusion: gender differences in physiological response. Sci Rep 16, 7304 (2026). https://doi.org/10.1038/s41598-026-38356-3

Palabras clave: estrés cognitivo, EEG y ECG, aprendizaje automático, diferencias de género, monitorización fisiológica