MAESTRÍA EN INGENIERÍA ELECTRÓNICA, UNIVERSIDAD DE NARIÑO
Desarrollo de un esquema de identificación para el
proceso de detección de estrés a partir de estı́mulos
sensoriales
Andrés Esteban López Rodrı́guez
Asesor: Andrés Pantoja
Maestrı́a en Ingenierı́a Electrónica
Universidad de Nariño
Resumen—A partir de estı́mulos sensoriales, se generan alte-
raciones en las variables fisiológicas de un individuo, en muchos
casos se utilizan dichos estı́mulos para inducir relajación, sin
embargo, es posible encontrar patologı́as existentes en personas
luego de ver la respuesta de ciertos estı́mulos como en el caso del
estrés. Esta investigación propone un esquema de identificación
en el proceso de detección de estrés, asociando los estı́mulos
sensoriales y las variables fisiológicas como los componentes de
un sistema dinámico, para el cual, se propone el uso de diferentes
técnicas de identificación lineales y no lineales, con el objetivo
de, comparar y validar los mejores modelos de identificación.
Palabras clave—Estrés, Sistema Dinámico, Identificación,
Estı́mulos sensoriales, Variables fisiológicas.
I. I NTRODUCCI ÓN
E L corazón es el órgano que se encarga del suministro de
sangre oxigenada a través del sistema circulatorio actuan-
do como una bomba electromecánica la cual empuja la sangre
enriquecida de nutrientes y oxı́geno hacia el resto del cuerpo.
Las células cardiacas coordinan los impulsos eléctricos que
generan el movimiento del corazón, dicha actividad eléctrica
es posible capturarla por medio de un Electrocardiograma [1].
La variabilidad del ritmo cardiaco HRV Heart Rate Varia-
bility se define como la variación temporal entre los intervalos
R y el siguiente R en un complejo QRS de una señal de
electrocardiograma; [2] es una métrica que permite analizar
el estado del Sistema Nervioso Automático, indicando que un
bajo HRV se asocia con patologı́as, mientras que, altos ı́ndices
de HRV arroja un buen estado de salud. Existen múltiples
factores que afectan fisiológicamente al corazón, dentro de las
causas psicológicas, los niveles de estrés causan alteraciones
del sistema endocrino y neurológico, causando alteración del
HRV [3].
Un mecanismo para reducir el estrés en pacientes en entor-
nos clı́nicos comprende el uso de la música, al momento de ser
sometidos a este tratamiento, las personas que se encuentran
en recuperación post quirúrgica reportan menores niveles de
estrés en comparación con los pacientes que no han recibido
este tratamiento [4].
Propuesta de trabajo de grado presentada como requisito para optar por
el tı́tulo de Magister en Ingenierı́a Electrónica en la Universidad de Nariño,
Pasto, Colombia, 3 de Julio de 2023
Andrés Esteban López, estudiante MAIE, email: andresae@udenar.edu.co
Andrés Dario Pantoja, Profesor, Departamento de electrónica, email:
ad pantoja@udenar.edu.co
1
I-1. Antecedentes: A partir de de diferentes estı́mulos
generadores de estrés, como la iluminación, el vapor y el
sonido [5], propuso el desarrollo de un prototipo que capture
variables fisiológicas como el HRV y la frecuencia cardiaca
de los participantes, además de, generar diferentes estı́mulos
referentes a técnicas de relajación, como también, a situaciones
de estrés con retos matemáticos; las diferentes técnicas se
evaluaron por medio de escalas subjetivas en los cuales los
involucrados en la prueba se decantaron por el vapor como
una de las herramientas con mayor eficacia en relajación.
La biorretroalimentación proporciona información en tiem-
po real al aplicar técnicas de medición para variables fisiológi-
cas determinadas, con el objetivo de realizar un procesamiento
de la información recolectada [6]. Luego de aplicar estı́mu-
los sonoros a un grupo de participantes [7], desarrolló un
conjunto de mediciones de HRV con las que posteriormente,
se realizó el entrenamiento de Redes Neuronales Generativas
Adversarias (GAN) [8], la primera red se entrenó para estimar
patrones sonoros y la siguiente se entrenó para reaccionar a
los sonidos arrojando señales de HRV, se realizó la simulación
de un sistema biorretroalimentado haciendo uso de las redes
neuronales logrando controlar el HRV de la segunda red.
Es posible consolidar el HRV como una variable de entrada
en un sistema de control biorretroalimentado, permitiendo
realizar acciones de control alterando comportamiento de esta
variable. [9]. Haciendo uso de estı́mulos luminosos y ejercicio
fı́sico [10], propuso la implementación de un controlador
biorretroalimentado del HRV; partiendo de las ecuaciones para
estimar el HRV propuestas por [11], se logra el procesamiento
y descomposición de la variable que permitió desarrollar una
función de transferencia a partir de los datos fisiológicos con
la que se controló los impulsos luminosos, además de el HRV
de los participantes en el experimento.
Aprovechando la ergometrı́a cı́clica, se logró la construcción
de una planta lineal para el control de la frecuencia cardiaca
como lo describe [12], se propuso, el diseño de un sistema
LTI de baja complejidad utilizando bajas señales de acción de
control, la cual establecı́a la frecuencia cardiaca deseada del
individuo sometido a la prueba. El objetivo del controlador
se centró en ajustar el ritmo de trabajo del ergómetro con
el objetivo de lograr una frecuencia cardiaca esperada; la
construcción de la función de transferencia de la planta se
realizó evaluando 73 modelos, los cuales correspondı́an a la
MAESTRÍA EN INGENIERÍA ELECTRÓNICA, UNIVERSIDAD DE NARIÑO
respuesta presentada a los estı́mulos del rango de trabajo del
ejercicio fı́sico realizado. La investigación propone el uso
del HRV dentro del modelo del controlador debido a que
mejora las acciones de control al momento de realizar la
realimentación, debido a que se interpretó dicho parámetro
como una perturbación dentro de la planta.
Se han planteado diferentes métodos para la regulación de
emociones, se aborda el uso de la Realidad Virtual con cuatro
diferentes estrategias: situacionales, de atención, cognitivas y
modulación de respuesta, para evidenciar un proceso acom-
pañamiento a pacientes con patologı́as mentales propuesto
por varios autores, como lo evidencia [13] en su revisión
bibliográfica. Por otra parte, aprovechando las herramientas
que ofrece la VR, se implementó un entorno estresante a
personal de la policı́a, en la cual se incorporó un sistema biore-
troalimentado que permitió analizar la frecuencia respiratoria
de cada individuo y su evolución al ser sometidos a situaciones
de generación de estrés en el entorno virtual, concluyendo
que el sistema ofrece una oportunidad de reducir el impacto
negativo del estrés y sus consecuencias fisiológicas [14].
La relajación es una capacidad del cuerpo humano la cual se
hace presente cuando existe disminución de la tensión mus-
cular y ritmo cardiaco, reducción de frecuencia respiratoria,
elevación de la temperatura de la piel y disminución de la
sudoración [15]. Por medio de realidad virtual, mediciones
de EEG, indicadores psicológicos y hormonales [16], evalúa
la eficacia de técnicas de relajación que componen múltiples
estı́mulos visuales y técnicas de bioretroalimentación con las
variables fisiológicas descritas anteriormente.
La identificación de sistemas abarca diferentes metodologı́as
para estimar los sistemas dinámicos a partir de datos [17]. Una
de las técnicas se denomina SINDy Sparse Identification of
Nonlinear Dynamics que permite la identificación de modelos
basado en datos, con modelos que no se ven afectados por
sobreajuste, además de, datos limitados, [18], los autores
implementaron el algoritmo para el diseño de un controlador
no lineal adaptativo, construyendo el sistema dinámico a partir
de datos.
Incluyendo datos ruidosos [19], desarrolló técnicas de iden-
tificación de sistemas de ecuaciones diferenciales ordinarias
y parciales, superando la barrera de la escases de datos,
demostrando que SINDy supera los métodos de regresión
dispersa.
El operador lineal que permite analizar sistemas dinámicos
no lineales, se denomina el operador de Koopman, en la cual
se transforman en aproximaciones de rango finito en la cual
se representa las dinámicas no lineales originales [20], lo cual
ofrece herramientas para el control de sistemas no lineales,
de acuerdo con [21] se demuestra la utilidad de subespacios
obervables no lineales haciendo uso del operador de Koopman
aplicando técnicas de control óptimo lineal a un sistema no
lineal.
I-2. Planteamiento del Problema: La identificación de
sistemas basada en datos es un campo que se encuentra
en desarrollo, debido a que existe disponibilidad de series
temporales, datos de simulación, recolección de información
a través de experimentación, además de, machine learning
permitiendo abarcar muchas metodologı́as aprovechando la
2
cantidad disponible de datos. Dentro de las técnicas de identi-
ficación de sistemas dinámicos basados en datos, se destaca el
DMD Dynamic Mode Decomposition, el operador de Koop-
man, SINDY Sparse Identification of Nonlinear Dynamics, las
cuales derivan de métodos de regresión [17].
A partir de estı́mulos sensoriales y medición de variables
fisiológicas se ha implementado sistemas lineales, efectuando
acciones de control para controlar los estı́mulos o alguna
variable asociada [10]. Se conoce que diferentes técnicas de
relajación inducidas a un individuo tienen la capacidad de
reducir los niveles de estrés [13].
Teniendo en cuenta lo anterior, ¿qué metodologı́as de iden-
tificación de sistemas son más adecuadas para el proceso de
estı́mulo y medición de variables fisiológicas en un individuo?
I-3. Justificación: La investigación se enfoca en desarrollo
de sistemas dinámicos que asocien estı́mulos sensoriales con
variables fisiológicas asociadas a generación de estrés, desta-
cando el uso de técnicas de identificación de sistemas basadas
en datos, las cuales en la literatura destaca las herramientas
para la estimación en diferentes campos de estudio, como
mecánica de fluidos, biologı́a, finanzas [17]. Sin embargo per-
siste una cantidad limitada de investigaciones que se enfoquen
en albergar el estrés y su impacto en un individuo como
un sistema dinámico, debido a que, en muchas ocasiones se
busca el control de una sola variable mediante algún estı́mulo
o simulación, cabe destacar, la complejidad que comprende
procesar variables fisiológicas que varı́an continuamente en el
tiempo.
II. O BJETIVOS
II-A. Objetivo General
Desarrollar un esquema de identificación de sistemas
dinámicos para el proceso de detección de estrés a partir
estı́mulos sensoriales.
II-B. Objetivos Especı́ficos
Determinar caracterı́sticas relevantes de variables fi-
siológicas relacionadas con detección de estrés.
Seleccionar métodos de identificación de sistemas
dinámicos lineales y no lineales para relacionar de las
señales fisiológicas ante diferentes estı́mulos sensoriales.
Comparar el desempeño de diferentes modelos identifica-
dos por medio de experimentos en entornos controlados.
III. A LCANCE
La investigación propone el uso de estı́mulos sensoriales
asociados en producción o reducción de estrés, con el objetivo
de organizar una base de datos que se conforma a partir
de mediciones de variables fisiológicas de un conjunto de
participantes con previo consentimiento informado.
El conjunto de variables permite desarrollar modelos de
identificación de sistemas dinámicos, los cuales serán valida-
dos verificando la relación entre los estı́mulos, las variables
fisiológicas y las dinámicas de los sistemas, además de, com-
probar el desempeño de los sistemas con nuevas mediciones de
variables fisiológicas; cabe resaltar, que no se pretende aplicar
MAESTRÍA EN INGENIERÍA ELECTRÓNICA, UNIVERSIDAD DE NARIÑO
técnicas de control en ninguna etapa del estudio, por lo tanto,
las observaciones se realizan en lazo abierto para el trabajo de
identificación y validación.
IV. R ESULTADOS , PRODUCTOS E IMPACTOS ESPERADOS
Un producto importante a desarrollar en el ejercicio de la
presente investigación corresponde a la construcción de la base
de datos a partir de las variables fisiológicas relacionadas con
la generación de estrés, que derivan de los diferentes estı́mulos
sensoriales realizados a los participantes de las pruebas para
adquisición de información.
Por otra parte, la asociación de las variables fisiológicas
en el ejercicio de implementar las metodologı́as de identifi-
cación de sistemas dinámicos lineales y no lineales, permite
desarrollar y validar diferentes modelos en los cuales serán
seleccionados los que comprendan una mayor relación entre
la alteración de las variables fisiológicas al momento de aplicar
estı́mulos sensoriales en relajación y situaciones estresantes.
Posteriormente, se pretende someter la investigación a divul-
gación en eventos de la comunidad cientı́fica con el objetivo de
brindar herramientas en la identificación y control del estrés.
V. M ETODOLOG ÍA
A partir de la aplicación de estı́mulos sensoriales a un
conjunto de participantes con previo consentimiento informa-
do, se procede a extraer las caracterı́sticas relevantes de las
variables fisiológicas determinadas por medio de la revisión
de investigaciones previas y la capacidad de las herramientas
de adquisición de datos.
Se organiza una base de datos discriminada por los estı́mu-
los sensoriales y caracterı́sticas relevantes obtenidas del expe-
rimento, por consiguiente, se realiza el preprocesamiento de
los datos para su posterior empleo.
A continuación, se realiza la aplicación de los métodos
de identificación de sistemas sobre los datos experimentales.
Luego de obtener un conjunto de sistemas, se procede con la
evaluación de los mismos, descartando inconsistencias en la
ejecución de los algoritmos.
Con el propósito de verificar el rendimiento de los modelos
estimados, éstos se someterán a perturbaciones y a una se- [12] K. J. Hunt and C. C. Hurni, “Robust control of heart rate for cycle
gunda ronda experimental con sujetos de prueba, verificando
la relación entre los estı́mulos sensoriales y caracterı́sticas [13] D. Colombo, A. Dı́az-Garcı́a, J. Fernandez-Álvarez, and C. Botella,
fisiológicas. Por ultimo, se realiza la comparación de los
sistemas utilizando ı́ndices de desempeño
VI. R ECURSOS
Tabla I
R ECURSOS
Rubro Universidad de Nariño Investigador
Software Licenciado X [16] E. Mazgelytė, V. Rekienė, E. Dereškevičiūtė, T. Petrėnas, J. Songailienė,
Tarjeta Adquisición de datos X A. Utkus, G. Chomentauskas, and D. Karčiauskaitė, “Effects of virtual
Equipo de Cómputo X
Aula de Laboratorio X
Material de estı́mulos sensoriales X X
Material Bibliográfico X nonlinear dynamics with control (sindyc),” IFAC-PapersOnLine, vol. 49,
Total $ 5.000.000
3
La tabla I presenta los elementos necesarios para la ejecu-
ción de la investigación, discriminados por el responsable de
suministrar dichos elemento, en donde al final se presenta el
valor total de la investigación.
VII. C RONOGRAMA DE ACTIVIDADES
La figura 1 expone los componentes del cronograma de ac-
tividades, las cuales están discriminadas por los tres objetivos
especı́ficos propuestos respectivamente.
R EFERENCIAS
[1] R. Gordan, J. K. Gwathmey, and L.-H. Xie, “Autonomic and endocrine
control of cardiovascular function,” World journal of cardiology, vol. 7,
no. 4, p. 204, 2015.
[2] L. Veloza, C. Jiménez, D. Quiñones, F. Polanı́a, L. C. Pachón-Valero,
and C. Y. Rodrı́guez-Triviño, “Variabilidad de la frecuencia cardı́aca
como factor predictor de las enfermedades cardiovasculares,” Revista
Colombiana de Cardiologı́a, vol. 26, no. 4, pp. 205–210, 2019.
[3] R. Tiwari, R. Kumar, S. Malik, T. Raj, and P. Kumar, “Analysis of
heart rate variability and implication of different factors on heart rate
variability,” Current cardiology reviews, vol. 17, no. 5, pp. 74–83, 2021.
[4] E. Salamon, M. Kim, J. Beaulieu, and G. B. Stefano, “Sound therapy
induced relaxation: down regulating stress processes and pathologies,”
Medical Science Monitor, vol. 9, no. 5, pp. RA96–RA101, 2003.
[5] B. Zhu, A. Hedman, S. Feng, H. Li, and W. Osika, “Designing,
prototyping and evaluating digital mindfulness applications: a case study
of mindful breathing for stress reduction,” Journal of medical Internet
research, vol. 19, no. 6, p. e197, 2017.
[6] O. M. Giggins, U. M. Persson, and B. Caulfield, “Biofeedback in
rehabilitation,” Journal of neuroengineering and rehabilitation, vol. 10,
pp. 1–11, 2013.
[7] E. Idrobo-Ávila, H. Loaiza-Correa, F. Muñoz-Bolaños, L. van
Noorden, and R. Vargas-Cañas, “Development of a biofeedback
system using harmonic musical intervals to control heart rate
variability with a generative adversarial network,” Biomedical Signal
Processing and Control, vol. 71, p. 103095, 2022. [Online]. Available:
https://www.sciencedirect.com/science/article/pii/S1746809421006923
[8] A. Creswell, T. White, V. Dumoulin, K. Arulkumaran, B. Sengupta, and
A. A. Bharath, “Generative adversarial networks: An overview,” IEEE
signal processing magazine, vol. 35, no. 1, pp. 53–65, 2018.
[9] E. Ratajczak, M. Hajnowski, M. Stawicki, and W. Duch, “Novel
methodological tools for behavioral interventions: The case of hrv-
biofeedback. sham control and quantitative physiology-based assessment
of training quality and fidelity,” Sensors, vol. 21, no. 11, p. 3670, 2021.
[10] E. Viera, H. Kaschel, and C. Valencia, “Heart rate variability control
using a biofeedback and wearable system,” Sensors, vol. 22, no. 19, p.
7153, 2022.
[11] J.-P. Niskanen, M. P. Tarvainen, P. O. Ranta-Aho, and P. A. Karjalainen,
“Software for advanced hrv analysis,” Computer methods and programs
in biomedicine, vol. 76, no. 1, pp. 73–81, 2004.
ergometer exercise,” Medical & biological engineering & computing,
vol. 57, pp. 2471–2482, 2019.
“Virtual reality for the enhancement of emotion regulation,” Clinical
Psychology & Psychotherapy, vol. 28, no. 3, pp. 519–537, 2021.
[14] J. C. Brammer, J. M. Van Peer, A. Michela, M. M. Van Rooij,
R. Oostenveld, F. Klumpers, W. Dorrestijn, I. Granic, and K. Roelofs,
“Breathing biofeedback for police officers in a stressful virtual environ-
ment: challenges and opportunities,” Frontiers in psychology, vol. 12, p.
586553, 2021.
[15] G. Noppe, Y. B. de Rijke, K. Dorst, E. L. van den Akker, and E. F.
van Rossum, “Lc-ms/ms-based method for long-term steroid profiling
in human scalp hair,” Clinical endocrinology, vol. 83, no. 2, pp. 162–
166, 2015.
reality-based relaxation techniques on psychological, physiological, and
biochemical stress indicators,” in Healthcare, vol. 9, no. 12. MDPI,
2021, p. 1729.
[17] S. L. Brunton, J. L. Proctor, and J. N. Kutz, “Sparse identification of
no. 18, pp. 710–715, 2016.
MAESTRÍA EN INGENIERÍA ELECTRÓNICA, UNIVERSIDAD DE NARIÑO 4

Figura 1. Cronograma de Actividades

[18] U. Fasel, E. Kaiser, J. N. Kutz, B. W. Brunton, and S. L. Brunton, “Sindy

with control: A tutorial,” in 2021 60th IEEE Conference on Decision
and Control (CDC). IEEE, 2021, pp. 16–21.
[19] U. Fasel, J. N. Kutz, B. W. Brunton, and S. L. Brunton, “Ensemble-
sindy: Robust sparse model discovery in the low-data, high-noise limit,
with active learning and control,” Proceedings of the Royal Society A,
vol. 478, no. 2260, p. 20210904, 2022.
[20] J. L. Proctor, S. L. Brunton, and J. N. Kutz, “Dynamic mode decom-
position with control,” SIAM Journal on Applied Dynamical Systems,
vol. 15, no. 1, pp. 142–161, 2016.
[21] S. L. Brunton, B. W. Brunton, J. L. Proctor, and J. N. Kutz, “Koop-
man invariant subspaces and finite linear representations of nonlinear
dynamical systems for control,” PloS one, vol. 11, no. 2, p. e0150171,
2016.