Resumen Técnico: CAPACIDAD SYNHEART

Declaración del Problema

El rendimiento cognitivo humano está limitado por recursos mentales escasos, no obstante, la estimación computacional continua de la dinámica de la capacidad cognitiva sigue siendo un desafío abierto. Los sistemas adaptativos actuales (por ejemplo, plataformas de tutoría, herramientas de apoyo a la decisión) suelen depender de métricas conductuales como tasas de error o tiempos de respuesta, las cuales solo detectan la sobrecarga una vez que el rendimiento ya se ha degradado. Además, los enfoques fisiológicos existentes a menudo colapsan dinámicas cognitivas complejas en una única etiqueta unidimensional de "carga de trabajo". Este enfoque oscurece una distinción teórica crítica: la diferencia entre asignación voluntaria de recursos (esfuerzo mental) y respuestas involuntarias de tensión (estrés). Un alto esfuerzo puede representar un compromiso productivo, mientras que un alto estrés indica que las demandas están superando la capacidad. Sin distinguir estos estados, los sistemas adaptativos no pueden diferenciar entre un usuario que está productivamente desafiado y uno que se acerca a la sobrecarga cognitiva.

Metodología

Los autores proponen un marco de aprendizaje profundo multimodal impulsado por la teoría que modela la capacidad cognitiva como un espacio de estados fisiológico bidimensional definido por esfuerzo ($U$) y estrés ($O$).

1. Marco Teórico

El modelo operacionaliza la Teoría de la Capacidad (Kahneman, 1973; Hockey, 1997), postulando que:

• Esfuerzo ($U$): Asignación voluntaria de recursos.
• Estrés ($O$): Tensión involuntaria por sobrecarga.
  Estos se tratan como constructos distintos pero interactuantes en lugar de un único escalar.

2. Arquitectura

La arquitectura propuesta es una red neuronal de doble flujo y múltiples tareas diseñada para preservar la separación estructural del esfuerzo y el estrés:

• Codificación de Doble Flujo:
  • Flujo Cardíaco: Procesa series temporales del Intervalo Interlatido (IBI) y características de Variabilidad de la Frecuencia Cardíaca (HRV) diseñadas manualmente.
  • Flujo Electrodermal: Procesa series temporales de Actividad Electrodermal (EDA) y características de EDA diseñadas manualmente (componentes SCL y SCR).
• Modelado Temporal: Utiliza LSTM con mecanismos de atención (o Redes de Convolución Temporal como alternativa) para capturar transiciones dinámicas.
• Fusión: Un módulo de fusión tardía concatena las incrustaciones de ambos flujos.
• Salida de Doble Cabeza: Dos cabezas independientes específicas de la tarea generan estimaciones probabilísticas para estrés alto/bajo y esfuerzo alto/bajo, creando un espacio de estados $(U, O) \in [0, 1]^2$.

3. Conjunto de Datos y Supervisión

• Conjunto de Datos: El estudio utiliza el conjunto de datos SWELL-KW, que contiene registros fisiológicos (ECG, EDA) de 21 participantes realizando tareas de oficina bajo tres condiciones: Neutral (c1), Interrupción (c2) y Presión de Tiempo (c3).
• Estrategia de Etiquetado:
  • Estrés: c1 = Bajo; c2/c3 = Alto.
  • Esfuerzo: c1 = Bajo; c3 = Alto.
  • Enmascaramiento: La condición de interrupción (c2) es teóricamente ambigua respecto al esfuerzo voluntario. Los autores emplean una estrategia de supervisión específica de la tarea que enmascara las etiquetas de esfuerzo para c2 durante el entrenamiento ($m_i=0$) para evitar que el modelo aprenda asociaciones inválidas para el constructo.
• Evaluación: Validación cruzada estricta Leave-One-Subject-Out (LOSO) para garantizar la generalización entre individuos.

Resultados Clave

1. Generalización entre Sujetos

Bajo una evaluación estricta LOSO, el modelo logró una precisión equilibrada (BA) significativa por encima del azar (0.50):

• Estrés: 70.0% BA ($d=1.60$).
• Esfuerzo: 72.2% BA ($d=1.43$).
• Promedio Conjunto: 71.1% BA.
  Esto representa una mejora de 27.5 puntos porcentuales sobre la mejor línea base independiente del sujeto previa (Random Forest, 42.5% BA) en el mismo conjunto de datos.

2. Coherencia Estructural y Disociación

• Disociación Esfuerzo-Estrés: El modelo aprendió con éxito firmas distintas para el esfuerzo y el estrés. El análisis por sujeto mostró que, aunque el rendimiento en ambos ejes estaba correlacionado ($r=0.84$), existía una varianza residual significativa. Algunos sujetos fueron clasificados con mayor precisión en esfuerzo que en estrés (por ejemplo, pp03, pp12), y viceversa (por ejemplo, pp23), confirmando que las dos dimensiones no son redundantes.
• Trayectorias del Espacio de Estados: Las trayectorias predichas se alinearon con la teoría de la capacidad. El estado a nivel de grupo se movió desde un cuadrante de "subutilización" (neutral) a través de un "compromiso óptimo" (interrupción) hacia el "límite de sobrecarga" (presión de tiempo).
• Variabilidad Individual: El 52% de los sujetos exhibió trayectorias monótonas consistentes con la teoría. Un subconjunto mostró patrones de "Pico-C2" (la interrupción más activadora que la presión de tiempo), mientras que otros mostraron trayectorias planas o invertidas (a menudo vinculadas a problemas de calidad de la señal o efectos de techo).

3. Estudios de Ablación

• Fusión Multimodal: Combinar señales IBI/HRV y EDA superó significativamente a las líneas base unimodales, confirmando que las señales cardíacas y electrodérmicas proporcionan información complementaria.
• Aumento de Características: Añadir características fisiológicas diseñadas manualmente (por ejemplo, RMSSD, LF/HF) a las entradas de series temporales crudas produjo una ganancia de +7.1 puntos porcentuales en la BA promedio, demostrando que las estadísticas resumidas motivadas por la teoría capturan información discriminativa no extraída completamente por los codificadores temporales crudos por sí solos.
• Enmascaramiento de Etiquetas: Excluir las etiquetas de esfuerzo ambiguas de c2 mejoró la clasificación de esfuerzo en +7.3 puntos porcentuales sin degradar el rendimiento en estrés.

Significado y Afirmaciones

El artículo afirma que incrustar la estructura psicológica directamente en el diseño de la arquitectura neuronal permite un cambio desde la clasificación convencional de carga de trabajo hacia el modelado estructurado de estados de capacidad.

• Operacionalización Teórica: El trabajo proporciona una operacionalización computacional de la capacidad cognitiva como una configuración bidimensional, permitiendo a los sistemas distinguir entre "compromiso productivo" (alto esfuerzo, bajo estrés) y "sobrecarga" (alto esfuerzo, alto estrés).
• Potencial Adaptativo: Al proporcionar una estimación continua y multidimensional de la capacidad, el marco sienta las bases para sistemas humanos-IA adaptativos capaces de intervención proactiva (detectar límites que se aproximan antes del fallo de rendimiento) en lugar de corrección reactiva.
• Robustez: Los resultados demuestran que la supervisión guiada por la teoría y la integración multimodal pueden lograr una generalización robusta entre individuos en la computación fisiológica, un dominio históricamente plagado de variabilidad específica del sujeto.

Los autores señalan limitaciones, incluida la naturaleza binaria de las cabezas de clasificación, la dependencia de un único conjunto de datos (SWELL-KW) y la necesidad de una validación futura contra una verdad fundamental conductual continua. Sugieren que la calibración de la línea base individualizada puede ser necesaria para abordar los efectos de techo y las trayectorias invertidas en usuarios específicos.