Selección de características supervisada basada en ganancia de información para señales fisiológicas multimodales en la predicción del estrés

Por qué tu muñeca puede revelar tu estrés

Muchos de nosotros llevamos ahora relojes inteligentes o pulseras de actividad que registran de forma discreta la frecuencia cardíaca, el movimiento e incluso la sudoración. Este artículo explora cómo convertir esas señales cotidianas en alertas tempranas fiables sobre el estrés. En lugar de construir modelos de inteligencia artificial enormes y opacos, el autor se centra en elegir solo las piezas de datos más informativas de un dispositivo de muñeca para que el estrés pueda detectarse con precisión, eficiencia y equidad entre distintas personas.

Escuchar el cuerpo a través de sensores simples

El estudio se centra en un conjunto de datos público llamado WESAD, en el que voluntarios llevaron una pulsera comercial durante actividades de calma, estrés y diversión. La pulsera registró cuatro tipos de señales: pequeños cambios en el flujo sanguíneo en la muñeca (pulso por volumen sanguíneo), variaciones sutiles en la humedad de la piel (actividad electrodérmica), la temperatura corporal y el movimiento del brazo mediante un acelerómetro. En conjunto, estas corrientes ofrecen una ventana sobre cómo reacciona el cuerpo cuando una persona está relajada, riéndose o bajo presión por tareas como hablar en público y hacer cálculos mentales.

De ondas crudas a patrones significativos

Las trazas crudas de los sensores son desordenadas: fluctúan de un momento a otro y difieren mucho entre individuos. Para interpretarlas, el autor corta las señales continuas en fragmentos de 30 segundos y examina cómo se comporta cada segmento en el tiempo y en la frecuencia, usando una herramienta estándar del procesamiento de señales llamada Transformada Rápida de Fourier en ventana (Short-Time Fourier Transform). A partir de estas «imágenes» tiempo‑frecuencia se extraen descriptores numéricos como la energía promedio, la dispersión de la energía y dónde se encuentran los ritmos más fuertes. Esta descripción más rica captura no solo la intensidad de una señal, sino cómo cambian su ritmo y su variabilidad cuando una persona se estresa.

Seleccionar solo las pistas más reveladoras

Incluso tras este procesamiento, permanecen cientos de descriptores potenciales, y la mayoría no son muy útiles. La idea central del artículo es usar una medida supervisada llamada Ganancia de Información para ordenar estos descriptores según lo bien que separan los tres estados: reposo, estrés y diversión. En términos sencillos, un descriptor obtiene una puntuación alta si conocer su valor facilita adivinar el estado correcto. Los 50 mejores descriptores entre los cuatro tipos de sensores se fusionan en un retrato compacto de lo que ocurre en el cuerpo durante cada segmento de 30 segundos, reduciendo drásticamente los datos mientras se retienen las pistas más reveladoras.

Probar con personas nuevas, no solo con nuevas muestras

Un error común en la investigación sobre detección del estrés es entrenar y evaluar por error con datos de la misma persona, lo que hace que los resultados parezcan mejores de lo que son. Este trabajo evita esa trampa usando una evaluación estricta de «dejar fuera a un sujeto»: los modelos se entrenan con todos menos un voluntario y luego se prueban con esa persona retenida. El autor compara varias estrategias comunes de selección de características y algoritmos de aprendizaje en este exigente escenario. La combinación de características tiempo‑frecuencia, selección basada en Ganancia de Información y un clasificador Random Forest rinde consistentemente mejor entre las opciones probadas, alcanzando precisiones independientes del sujeto de alrededor de tres de cada cuatro muestras clasificadas correctamente y llegando a picos cercanos al 90 % en algunos individuos. También supera a representaciones alternativas de características, como enfoques basados en Hilbert y núcleos cuadráticos.

Qué significa esto para el seguimiento diario del estrés

Para el público no especializado, el mensaje clave es que no necesitamos necesariamente modelos de aprendizaje profundo gigantes ni configuraciones de sensores complejas para detectar el estrés desde dispositivos vestibles. Al elegir con cuidado qué aspectos de las señales simples de la muñeca importan más, este estudio construye una canalización esbelta e interpretable que se generaliza razonablemente bien a personas nuevas. Los patrones de flujo sanguíneo y temperatura de la piel emergen como indicadores especialmente sólidos, apoyados por la conductancia de la piel y el movimiento. Si bien la precisión aún no es perfecta y empeora cuando se prueba con datos sintéticos muy diferentes, el trabajo muestra un camino práctico hacia un seguimiento del estrés confiable y eficiente energéticamente que podría, algún día, ayudar a que los dispositivos de consumo nos adviertan cuando nuestros cuerpos están bajo tensión antes de que lo notemos conscientemente.

Cita: Chouhan, S.A. Supervised information gain-based feature selection for multimodal physiological signals in stress prediction. Sci Rep 16, 12169 (2026). https://doi.org/10.1038/s41598-026-41734-6

Palabras clave: detección de estrés con dispositivos vestibles, señales fisiológicas, selección de características, aprendizaje automático, sensado multimodal