Un marco GRU bidireccional multi-atención impulsado por conocimiento y basado en lógica para la clasificación del nivel de miedo en humanos

Por qué importa leer el miedo en el cuerpo

El miedo es más que una sensación en el estómago: modifica el ritmo cardíaco, la sudoración e incluso las ondas cerebrales. Si los ordenadores pudieran leer de forma fiable esos cambios sutiles, los terapeutas podrían monitorizar la ansiedad en tiempo real, vehículos y robots podrían reaccionar cuando las personas entran en pánico y la realidad virtual podría adaptarse para mantener a los usuarios a salvo. Este estudio explora cómo enseñar a las máquinas a reconocer distintos niveles de miedo en personas combinando señales del cerebro y del cuerpo con un tipo de razonamiento estructurado basado en reglas, con el objetivo de lograr sistemas que sean tanto precisos como comprensibles para los humanos.

Escuchar al cerebro y al cuerpo

Los investigadores parten de la idea de que ninguna medición por sí sola captura completamente el miedo. Por ello integran varios tipos de señales fisiológicas: actividad eléctrica cerebral, conductancia de la piel que aumenta al sudar, cambios en el ritmo cardiaco, patrones de respiración y movimientos faciales. Se utilizan dos colecciones experimentales existentes. Una, llamada DEAP, registra las señales cerebrales y corporales de personas mientras ven vídeos musicales y evalúan cuán agradables e intensos les resultaron. La otra, DECAF, emplea escáneres cerebrales y sensores corporales mientras las personas ven escenas cinematográficas que inducen miedo o escuchan música. Estos conjuntos de datos multimodales ofrecen una imagen rica de cómo se manifiesta el miedo a lo largo del sistema nervioso.

Convertir señales crudas en reglas simples

Las señales crudas son ruidosas y difíciles de interpretar, por lo que el equipo las destila en características con vínculos conocidos con la emoción. Por ejemplo, calculan la “asimetría frontal alfa”, un patrón en las ondas cerebrales sobre la frente izquierda y derecha asociado a menudo con el estado de ánimo negativo, y cuentan picos en la respuesta eléctrica de la piel que tienden a aumentar con el estrés. También descomponen las señales cerebrales en bandas de frecuencia clásicas —delta, theta, alfa, beta y gamma— y resumen la variabilidad del ritmo cardíaco. En lugar de alimentar estos números continuos directamente a un modelo de caja negra, introducen aprendizaje basado en lógica: cada característica se etiqueta como «alta» o «baja» usando umbrales escogidos estadísticamente. A partir de estos bloques binarios, un algoritmo conocido como programación lógica inductiva descubre reglas IF–THEN legibles por humanos, como combinaciones de alta respuesta cutánea y baja variabilidad cardíaca que indican de manera fiable la presencia de miedo.

Casar las reglas con el aprendizaje profundo

Mientras que las reglas lógicas facilitan la comprensión de las decisiones, los modelos modernos de aprendizaje profundo son mejores extrayendo todo el potencial predictivo de datos complejos. Los autores, por tanto, tratan las salidas lógicas como las únicas entradas a varias arquitecturas de redes neuronales diseñadas para señales que varían en el tiempo. Estas incluyen redes recurrentes estándar, redes de memoria a largo plazo (LSTM), las unidades recurrentes con puerta más simples (GRU) y un diseño avanzado denominado GRU bidireccional multi-atención. Este último modelo no solo recorre hacia atrás y hacia adelante cada secuencia de características, sino que también usa mecanismos de atención para centrarse en los momentos más informativos, como picos bruscos en la conductancia de la piel o cambios súbitos en los ritmos cerebrales, mientras ignora fluctuaciones menores.

Qué tan bien el sistema detecta el miedo

Para evaluar su enfoque, el equipo compara modelos entrenados con las mismas entradas con y sin la capa basada en lógica. Los evalúan en su capacidad para separar ausencia de miedo de presencia de miedo y, en los datos DEAP, en qué medida distinguen cuatro niveles que van desde ausencia de miedo hasta miedo alto. A lo largo de una extensa validación cruzada y pruebas estadísticas, añadir reglas lógicas mejora de forma consistente el rendimiento y hace que los resultados sean más estables entre particiones de prueba. La arquitectura destacada, la GRU bidireccional multi-atención impulsada por conocimiento, alcanza aproximadamente un 96,7 por ciento de precisión en el conjunto de datos DEAP y un rendimiento igualmente alto en los fragmentos musicales de DECAF, superando a varios métodos previamente publicados y a técnicas de aprendizaje automático más convencionales.

Qué significa esto para herramientas conscientes de las emociones en el futuro

En términos sencillos, el estudio muestra que los ordenadores pueden estimar los niveles de miedo humanos con una confiabilidad impresionante cuando leen múltiples señales corporales y cerebrales e interpretan esas señales mediante conocimiento claro similar a reglas antes de aplicar aprendizaje profundo. Este diseño híbrido ofrece lo mejor de ambos mundos: la potencia de las redes neuronales modernas y la transparencia de reglas lógicas que los expertos pueden inspeccionar y refinar. Tal enfoque podría sustentar futuras herramientas de monitorización de la salud mental, entretenimiento adaptativo y sistemas de seguridad que hagan más que adivinar nuestras emociones —explican por qué creen que estamos asustados—, abriendo la puerta a tecnologías más fiables y personalizadas.

Cita: Joshva, A.A., Balasubramanian, V.K. & Murugappan, M. A logic-based knowledge-driven bidirectional multi-attention GRU framework for fear level classification in humans. Sci Rep 16, 13722 (2026). https://doi.org/10.1038/s41598-026-44151-x

Palabras clave: reconocimiento de emociones, detección del miedo, señales fisiológicas, aprendizaje profundo, IA interpretable