Evaluación de la carga cognitiva mediante fotopletismografía y respuestas de bioimpedancia durante tareas de aritmética mental

Por qué importa la carga de trabajo de tu cerebro

Ya sea que estés pilotando un avión, vigilando pacientes o estudiando para un examen, hay momentos en que tu cerebro pasa silenciosamente de concentrado a sobrecargado. Poder medir ese aumento de esfuerzo mental en tiempo real podría ayudar a prevenir errores, agotamiento y accidentes. Este estudio explora una forma nueva y no invasiva de seguir “qué tan duro está trabajando tu cerebro” usando pequeños sensores en el cuello y la frente, evitando gorros voluminosos para el cerebro o equipos hospitalarios complicados.

Escuchando el latido del pensamiento

En lugar de registrar ondas cerebrales, los investigadores se apoyaron en la estrecha asociación entre el cerebro y el corazón. Cuando afrontamos una tarea exigente, el sistema nervioso cambia de marcha: el corazón late de forma distinta, los vasos sanguíneos se constriñen o relajan, y el flujo sanguíneo a regiones clave del cerebro varía. El equipo usó dos técnicas simples para captar esos cambios. Un sensor óptico en el cuello (fotopletismografía, o PPG) siguió cuánto sangre pulsaba por una arteria principal que abastece al cerebro. Al mismo tiempo, un conjunto de electrodos diminutos en la frente (plethysmografía por impedancia, o IPG) detectó sutiles variaciones en el volumen sanguíneo local en la parte frontal del cerebro, donde manejamos planificación, números y decisiones. Juntas, estas señales ofrecieron una ventana tanto al suministro sanguíneo global como al local durante el esfuerzo mental.

Aplicando presión a la mente con números

Para estresar el cerebro de forma controlada, quince voluntarios sanos, de 20 a 35 años, resolvieron series de problemas de aritmética mental en un ordenador. Las tareas se organizaron en cuatro etapas: una línea base relajada, seguida de sumas fáciles de un dígito, luego sumas de dos dígitos y, finalmente, sumas más difíciles de tres dígitos que requerían más memoria y llevar. Cada ensayo corto comenzaba con instrucciones en pantalla, continuaba con cinco problemas y terminaba con un breve descanso mientras la pantalla mostraba una cruz de fijación. Durante todo el tiempo, los sensores del cuello y la frente transmitieron datos, mientras el ordenador registraba la rapidez y precisión con que cada persona respondía. Como se esperaba, los problemas más difíciles llevaron a respuestas más lentas y más errores, especialmente en el nivel más duro, confirmando que las tareas realmente incrementaban la carga mental.

Decodificando patrones ocultos en señales sanguíneas

Las formas de onda crudas de los dos sensores se cortaron en pequeñas ventanas temporales y se limpiaron con filtros digitales para eliminar dérivas lentas y ruido de alta frecuencia. De cada ventana, los investigadores extrajeron docenas de descriptores simples: valores máximos y mínimos, promedios, cuánto variaba la señal y cómo se distribuía su energía a través de distintas frecuencias. También midieron el tiempo entre latidos y el retraso entre el pulso del cuello y el pulso de la frente, una cantidad conocida como tiempo de tránsito del pulso. Estas características numéricas se introdujeron luego en tres algoritmos de aprendizaje automático disponibles comercialmente—Árboles de Decisión, Random Forest y XGBoost—para ver si un ordenador podía aprender a distinguir diferentes niveles de carga mental solo a partir de los patrones cardiovasculares.

¿Qué tan bien puede un ordenador leer tu esfuerzo mental?

Cuando cada persona tuvo su propio modelo personalizado, el sistema fue notablemente preciso. Para la tarea sencilla de distinguir “relajado” de “haciendo matemáticas”, los tres algoritmos alcanzaron un 100 por ciento de precisión. Incluso para el problema más difícil de cuatro clases—relajado, matemáticas fáciles, medias y difíciles—el mejor método, Random Forest, identificó correctamente el nivel en el 96 por ciento de los casos. Sin embargo, el rendimiento bajó cuando el sistema trató de generalizar de un grupo de personas a otro, con la precisión reduciéndose a aproximadamente dos tercios. Esto sugiere que los individuos difieren notablemente en sus respuestas basales del corazón y del flujo sanguíneo, y que los dispositivos en el mundo real pueden necesitar una breve calibración personalizada para funcionar de manera fiable para cada usuario.

Lo que dicen las señales más reveladoras

Al examinar en qué características se apoyaron más los algoritmos, los investigadores encontraron que las mediciones IPG basadas en la frente contenían gran parte de la información útil. En particular, el valor medio y los valores extremos de la señal frontal se situaron consistentemente entre los más importantes, por delante de las características PPG del cuello y de la medida combinada de sincronización. Esto se ajusta al entendimiento actual del acoplamiento sangre–cerebro: cuando trabajamos mentalmente con intensidad, la parte frontal del cerebro demanda más combustible y el volumen sanguíneo local cambia en consecuencia. El sensor del cuello siguió aportando valor al reflejar la activación cardiovascular global, pero las lecturas localizadas en la frente proporcionaron las pistas más nítidas sobre la demanda mental momento a momento.

De los sensores de laboratorio a entornos laborales más inteligentes y seguros

Para un lector no especializado, el mensaje clave es que el esfuerzo mental deja una huella distintiva en la forma en que la sangre fluye hacia y dentro del cerebro, y que esa huella puede capturarse con pequeños sensores portátiles en lugar de equipos complejos de escaneo cerebral. El estudio muestra que combinar un sensor óptico en el cuello con electrodos simples en la frente permite a los algoritmos rastrear múltiples niveles de carga cognitiva con una precisión comparable a la de muchos sistemas basados en EEG, al menos cuando están ajustados a un individuo. Con refinamiento y mayor comodidad, dicha tecnología podría algún día ayudar a colocar en cabinas de aviación, automóviles, aulas y salas de control sistemas que ajusten tareas y alertas automáticamente, aliviando la presión antes de que el operador humano se vuelva peligrosamente sobrecargado.

Cita: Huynh, D.N., Tran, T.N., Tran, K.T. et al. Assessment of cognitive load through photoplethysmography and bioimpedance responses during mental arithmetic tasks. Sci Rep 16, 7367 (2026). https://doi.org/10.1038/s41598-026-38782-3

Palabras clave: carga cognitiva, aritmética mental, sensores wearables, interacción cerebro–corazón, aprendizaje automático