Aplicación de wearables de pulsera en entornos educativos para la caracterización del sueño y del estrés

Resumen

Esta tesis doctoral se centra en estudiar los wearables de pulsera existentes en el mercado para la estimación de indicadores relativos al sueño y al estrés. Estos dispositivos poseen numerosos sensores que se encuentran en contacto con la piel. A través de ellos podemos capturar distintas señales fisiológicas como la frecuencia cardíaca, la temperatura superficial de la piel, el índice galvánico, etc. Todas estas señales han demostrado ser de utilidad para la caracterización de estados fisiológicos y anímicos, tales como el cansancio, la motivación y el estrés. En nuestro caso buscamos indicadores que resulten de utilidad en entornos educativos. Particularmente, hemos seleccionado el sueño y el estrés, puesto que una mala calidad del sueño y un excesivo estrés han demostrado alterar el rendimiento y las capacidades de aprendizaje de los estudiantes. La pregunta clave de esta tesis es si los wearables de pulsera existentes en el mercado, a través de sus sensores, son capaces de proporcionar los datos necesarios para la estimación de estos indicadores. Para poder llevar a cabo esta investigación, analizamos los wearables existentes en el mercado, sus características, sus tipos de conectividad y sus modelos de datos. Posteriormente, realizamos varios estudios con el objetivo de identificar indicadores relativos al sueño y al estrés presentes en la literatura. Todo ello, nos permitió seleccionar aquellos parámetros del sueño y estrés susceptibles de ser calculados a través de datos proporcionados por los wearables. Nuestro siguiente paso consistió en la realización de un conjunto de experimentos, en los que participaron varios sujetos de prueba, con el objetivo de validar el potencial de estos dispositivos para la estimación de los indicadores de sueño y estrés. En cada uno de ellos se define un protocolo para la adquisición y la evaluación de los datos. Para el análisis de los datos capturados se han empleado técnicas y clasificadores del ámbito del aprendizaje máquina (Machine Learning), tales como Support Vector Machines, Random Forest, Neural Networks, etc. Los resultados obtenidos muestran, en prácticamente todos los análisis, una exactitud de la predicción de los clasificadores superior al 84%. Dichos resultados demuestran que los wearables de pulsera sí permiten estimar la calidad del sueño, la somnolencia, el cronotipo y el nivel de estrés. En este trabajo también se proponen nuevos indicadores relativos al sueño y al estrés que pueden resultar de utilidad en los entornos educativos.