Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Iea36 Rafael Klisnsmann
Iea36 Rafael Klisnsmann
2. Importancia
Según Dalmedia y Masala (2021), El estrés no solo afecta el cuerpo físicamente, sino que
también puede tener un impacto negativo en la salud mental. De hecho, el estrés prolongado
puede aumentar las probabilidades de experimentar depresión.
3. Aporte
Los autores desarrollan un modelo predictivo que sea capaz de identificar de manera precisa
los niveles de estrés utilizando características de la Variabilidad de la Frecuencia Cardíaca
(VFC) obtenidas a partir de electrocardiogramas (ECG) de conductores de automóviles.
Además, los modelos que demuestren un alto poder predictivo se emplearán como referencia
para el desarrollo de un sistema de aprendizaje automático que permitirá clasificar los niveles
de estrés a partir de las características de la VFC derivadas de mediciones de la frecuencia
cardíaca recopiladas mediante dispositivos portátiles.
4. Proceso
Para llevar a cabo la implementación de este proyecto, cuenta con los siguientes pasos:
Paso Nº1: Recolectar la información más relevante sobre factores que generan estrés en los
conductores, niveles de estrés y como afecta a ello a nivel fisiológico y psicológico.
TALLER DE DESEMPEÑO PROFESIONAL 2023-02
Paso Nº2: La fase inicial de esta investigación implica la creación de un modelo de alta
calidad para predecir los niveles de estrés utilizando mediciones de la Variabilidad de la
Frecuencia Cardíaca (VFC) obtenidas a partir de electrocardiogramas (ECG).
Paso Nº4: Gracias a la aplicación Breathe, se pudo obtener información en bruto de los
intervalos RR a partir de las mediciones de latido a latido. Todos estos datos eran accesibles
desde el registro de salud personal del usuario, y podían exportarse en formato XML a través
de la aplicación Salud de Apple. Las mediciones de latido a latido de interés, etiquetadas
como <InstantaneousBeatsPerMinute>, se extrajeron del archivo XML utilizando Python,
haciendo uso de los módulos xml y pandas. Posteriormente, se calcularon los intervalos RR
en su forma sin procesar (en segundos) a partir de las lecturas de latidos por minuto (bpm)
empleando una ecuación específica.
5. Principal Resultado
Se describen todos los resultados, tanto los asociados al conjunto de datos original como a la
versión modificada, en función de métricas de aprendizaje automático, tales como el Área
Bajo la Curva de Características del Operador Receptor (AUROC), la sensibilidad o tasa de
recuperación, y la puntuación F1.
Como se puede apreciar en la Figura 1, el modelo acertó al predecir el estado de tensión con
un 71 ± 0,1% de precisión. Además, cuando se le proporcionó una situación relajante, el
modelo logró predecirla con un 79 ± 0,3% de acierto.
TALLER DE DESEMPEÑO PROFESIONAL 2023-02
Figura 1
Gráfico del modelo experimental
6. Crítica al artículo
Esta innovación ha demostrado ser valiosa y efectiva para el público al que se dirige. No
obstante, se ha observado que el desarrollo de este estudio es ligeramente compleja para
orientarlo a una posible aplicación móvil.
7. Referencias Bibliográficas
8. Evidencia de Scimago
Se indica el cuartil al que pertenece el artículo seleccionado, lo cual asegura la relevancia y
actualidad de la información proporcionada.
TALLER DE DESEMPEÑO PROFESIONAL 2023-02
Figura 2
Evidencia del cuartil del Artículo