⚡ electrical engineering

Unit-Independent Low-Rate Wrist GSR Processing for Stress Detection Using Phasic nSCR Features

Este artículo propone un proceso de procesamiento de GSR en la muñeca, independiente de la unidad y de baja frecuencia, que extrae características de nSCR/min fásicas para lograr una detección de estrés de alta precisión comparable a las mediciones palmares de mayor frecuencia, demostrando la viabilidad del uso de dispositivos portátiles para el monitoreo confiable del estrés.

Autores originales: Zequan Liang, Sally Hang, Geneva M. Jost, Ning Miao, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Hossein Sayadi, Ehsan Kourkchi, Setareh Rafatirad, Camelia E. Hostinar, Houman Homayoun

Publicado 2026-07-10

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Zequan Liang, Sally Hang, Geneva M. Jost, Ning Miao, Wei Shao, Mahdi Pirayesh Shirazi Nejad, Hossein Sayadi, Ehsan Kourkchi, Setareh Rafatirad, Camelia E. Hostinar, Houman Homayoun

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tu piel es como una pequeña e invisible estación de radio que transmite tus niveles de estrés. Cuando te pones nervioso, tus glándulas sudoríparas suben el volumen, enviando pequeños "pulsos" de electricidad. Los científicos saben esto desde hace tiempo, pero hay un inconveniente: medir estos pulsos desde la palma de la mano (como en una prueba de laboratorio clásica) es fácil porque la señal es fuerte y clara. Pero intentar captar esa misma señal desde la muñeca es como intentar escuchar un susurro desde una habitación ruidosa. La señal de la muñeca suele ser tan silenciosa y de un tamaño tan diferente que las herramientas estándar se confunden, pensando que un susurro es un grito o perdiéndolo por completo.

Este artículo sugiere un ingenioso plan de contingencia: en lugar de intentar medir qué tan fuerte es el susurro (que cambia drásticamente entre una palma y una muñeca), simplemente contemos cuántas veces susurra en un minuto.

La gran idea: Contar los destellos
Los investigadores, un equipo de la UC Davis y la Universidad Estatal de California, construyeron un "traductor" especial para dispositivos de muñeca. Recopilaron datos de 31 personas que llevaban dos dispositivos a la vez: una pulsera de alta tecnología llamada "We-Be" y un sensor de palma de grado de laboratorio llamado "MindWare". Los participantes realizaron cuatro actividades: sentarse tranquilamente, estar de pie tranquilamente, hablar de cosas aburridas (como hacer un sándwich) y luego enfrentarse a una simulación de entrevista de trabajo estresante llamada TSST.

El equipo se dio cuenta de que los números brutos de la muñeca y de la palma eran totalmente diferentes, como comparar un susurro con un grito. Por lo tanto, inventaron una nueva forma de procesar los datos. Primero, limpiaron la señal ruidosa. Luego, utilizaron un truco matemático llamado "normalización de z-score robusta". Piensa en esto como un control de volumen universal que reduce cada señal a una escala estándar, para que un pequeño destello de la muñeca y un gran destello de la palma se vean del mismo tamaño en la gráfica.

Una vez que las señales estuvieron en el mismo campo de juego, dejaron de mirar la altura de las ondas y empezaron a contar los picos. Contaron el número de respuestas de conductancia cutánea por minuto (nSCR/min). Es como ignorar qué tan fuerte golpea un baterista el tambor y simplemente contar cuántos ritmos toca en un minuto.

Lo que encontraron
Los resultados sugieren que este método de "contar ritmos" funciona sorprendentemente bien. Cuando utilizaron un programa informático (llamado Random Forest) para analizar los datos de la muñeca, este pudo distinguir entre una persona tranquila y una persona estresada con una precisión equilibrada de 0.823 (al comparar el estrés con estar sentado) y 0.871 (al comparar el estrés con estar de pie). ¡Eso es bastante bueno para una pulsera!

Curiosamente, el artículo muestra que no se necesitan datos superrápidos para obtener estos resultados. La pulsera registraba datos a 100Hz (100 veces por segundo), pero el equipo probó qué pasaba si los ralentizaba a 25Hz (25 veces por segundo). Los resultados sugieren que ralentizarlos no afectó la precisión en absoluto; en algunos casos, los datos más lentos de 25Hz funcionaron tan bien como los datos más rápidos de 100Hz. Esto es un gran avance porque los datos más lentos significan que la batería dura más, lo cual es excelente para los dispositivos portátiles.

Lo que esto NO hace
Es importante señalar lo que este estudio no dice. El artículo argumenta explícitamente en contra de confiar en el tamaño absoluto de la señal (amplitud) para la detección de estrés basada en la muñeca. Demuestran que intentar usar las mismas reglas de "volumen" para una muñeca que para una palma conduce a la confusión. La muñeca simplemente no produce los mismos picos masivos que la palma, por lo que intentar medir "qué tan estresado" está alguien basándose en la altura de la señal es un callejón sin salida.

Además, aunque la pulsera hizo un buen trabajo, no fue perfecta. El sensor de palma de grado de laboratorio (MindWare) sigue siendo mejor que la pulsera para detectar el estrés. Los autores sugieren que la pulsera es prometedora pero aún tiene margen de mejora. También descubrieron que la tarea de "habla neutral" (hablar de sándwiches) fue la más difícil de distinguir del estrés de la entrevista de trabajo, lo que sugiere que incluso hablar de cosas aburridas puede activar algunas respuestas de estrés que son difíciles de distinguir de la ansiedad real.

La conclusión
En resumen, este artículo sugiere que no necesitamos una máquina gigante de laboratorio en nuestras muñecas para detectar el estrés. Al ignorar las diferencias confusas en el tamaño de la señal y simplemente contar el número de "destellos" de estrés por minuto, podemos obtener una imagen bastante precisa de qué tan estresado está alguien. Es un paso hacia la creación de relojes que detecten el estrés que sean económicos, que ahorren batería y que realmente funcionen, incluso si aún no son tan perfectos como el costoso equipo de laboratorio.

Resumen Técnico: Procesamiento de GSR de baja tasa e independiente de la unidad para la detección de estrés en la muñeca

Planteamiento del problema
La respuesta galvánica de la piel (GSR), o actividad electrodérmica (EDA), es un indicador fisiológico estándar para la detección del estrés debido a que refleja la actividad del sistema nervioso simpático. Sin embargo, el despliegue del monitoreo de GSR en dispositivos portátiles basados en la muñeca presenta un desafío significativo: la amplitud absoluta de la conductancia cutánea medida en la muñeca difiere sustancialmente de las mediciones de grado de laboratorio realizadas en la palma o los dedos. Este "desajuste de amplitud muñeca-palma" surge de las diferencias en la densidad de las glándulas sudoríparas y las propiedades locales de la piel en distintas regiones del cuerpo. En consecuencia, los canales de procesamiento tradicionales que dependen de umbrales de amplitud fijos (por ejemplo, una respuesta mínima de 0.05µS) para detectar las respuestas de conductancia cutánea (SCR) a menudo fallan cuando se aplican a datos de la muñeca, ya que los umbrales apropiados para las mediciones palmares pueden ser demasiado estrictos o demasiado sensibles para las señales de la muñeca.

Metodología
Para abordar estos desafíos, los autores proponen un canal de procesamiento de GSR para la muñeca, de baja tasa e independiente de la unidad, diseñado para extraer el número de respuestas de conductancia cutánea por minuto (nSCR/min) como una característica relacionada con el estrés. La metodología involucra los siguientes pasos:

Recolección de datos: Se recolectaron grabaciones de GSR emparejadas de 31 participantes adultos utilizando dos dispositivos simultáneamente: el dispositivo para la muñeca We-Be (colocado en la muñeca no dominante) y electrodos de la palma MindWare (colocados en la palma no dominante). Los participantes completaron cuatro segmentos de tareas: una línea base de sentado de 3 minutos, una línea base de pie de 3 minutos, una tarea de habla neutral de 5 minutos y una Prueba de Estrés Social de Trier (TSST) de 10 minutos.
Preprocesamiento de la señal:
- Limpieza: Las señales de GSR crudas fueron filtradas mediante un filtro de paso bajo de 2Hz y suavizadas con una mediana de rollo de 1 segundo para reducir el ruido de alta frecuencia.
- Descomposición: La señal limpia fue descompuesta en los componentes tónicos de Nivel de Conductancia Cutánea (SCL) y fásicos de Respuesta de Conductancia Cutánea (SCR) mediante cvxEDA, un método basado en optimización convexa implementado en NeuroKit2.
- Normalización: Para mitigar el desajuste de amplitud entre la muñeca y la palma, la señal fásica de SCR se sometió a una normalización de z-score robusta (Ec. 1), la cual utiliza la mediana y la desviación absoluta de la mediana en lugar de la media y la desviación estándar.
- Detección de picos: Los picos de SCR fueron detectados en la señal normalizada utilizando criterios independientes de las unidades absolutas: una prominencia de pico mínima de 0.2, un ancho mínimo de 1 segundo y una distancia mínima de 1 segundo entre picos.
- Extracción de características: El conteo de los picos detectados fue normalizado por la duración del segmento para calcular nSCR/min.
Clasificación: La característica nSCR/min se utilizó como entrada para la clasificación binaria (TSST frente a condiciones de no estrés) utilizando Regresión Logística, Bosque Aleatorio (Random Forest) y un clasificador basado en umbrales. La evaluación se realizó mediante validación cruzada de dejar a un sujeto fuera (LOSO).
Análisis de la tasa de muestreo: El estudio comparó el rendimiento de los datos originales de We-Be a 100Hz frente a los datos submuestreados a 25Hz para evaluar la viabilidad del sensor de baja tasa.

Contribuciones clave

Creación de conjunto de datos: Los autores construyeron un conjunto de datos que contiene grabaciones de GSR emparejadas de muñeca y palma de 31 participantes a través de tareas de inducción de estrés y de línea base.
Canal independiente de la unidad: Se propuso un nuevo canal de procesamiento que cambia el enfoque del análisis de la amplitud de la conductancia absoluta hacia la tasa de respuesta fásica (nSCR/min). Al combinar la normalización robusta con la detección de picos fásicos, el canal maneja eficazmente el desajuste de amplitud muñeca-palma sin requerir calibración específica del dispositivo.
Viabilidad de baja tasa: El estudio demostró que el submuestreo de los datos de GSR de la muñeca de 100Hz a 25Hz preserva suficiente información para la detección de estrés a nivel de segmento, apoyando el diseño de sistemas portátiles de menor consumo de energía.

Resultados experimentales

Estadísticas de las características: Mientras que los valores de GSR y SCL crudos mostraron diferencias sustanciales en el rango absoluto entre los dispositivos We-Be (muñeca) y MindWare (palma), la característica nSCR/min exhibió una tendencia de aumento constante desde las tareas de línea base hacia la TSST en ambos dispositivos. El nSCR/min también logró coeficientes de correlación de Pearson más altos entre dispositivos en comparación con el GSR o SCL crudos.
Separación estadística: Las comparaciones emparejadas mostraron que el nSCR/min podía distinguir estadísticamente la TSST de las líneas base de sentado y de pie para ambos dispositivos (Wilcoxon $p < 0.05$ ). La separación fue más fuerte entre la TSST y las líneas base, y más débil entre la TSCT y el habla neutral, lo que sugiere que esta última también puede provocar respuestas relacionadas con el estrés.
Rendimiento de la clasificación:
- Utilizando Bosque Aleatorio (Random Forest) en los datos de 25Hz de We-Be, el sistema alcanzó precisiones balanceadas de 0.823 (TSST frente a Sentado) y 0.871 (TSST frente a Pie).
- Aunque el sistema de grado de laboratorio MindWare generalmente logró un mayor rendimiento (consistente con una EDA palmar más fuerte), el dispositivo basado en la muñeca We-Be aún proporcionó información discriminativa para la detección de estrés.
- Tasa de muestreo: Las características de 25Hz submuestreadas lograron una precisión balanceada comparable o incluso mejor que las características de 100Hz en todas las tareas y modelos. Por ejemplo, la precisión de Random Forest para TSST frente a Pie mejoró de 0.823 (100Hz) a 0.871 (25Hz).

Significancia y afirmaciones
El artículo afirma que el canal de procesamiento de GSR para la muñeca, de baja tasa e independiente de la unidad propuesto es viable para la detección de estrés en dispositivos portátiles. Al extraer el nSCR/min, el método captura con éxito las respuestas fásicas relacionadas con el estrés a pesar de las significativas diferencias de amplitud entre las mediciones de muñeca y palma. Los resultados sugieren que los dispositivos portátiles basados en la muñeca no necesitan igualar la precisión de la amplitud absoluta de los sistemas de laboratorio para detectar el estrés; en su lugar, pueden confiar en las tasas de respuesta normalizadas. Además, la preservación del rendimiento a 25Hz indica que este enfoque puede soportar diseños de monitoreo continuo y de bajo consumo adecuados para aplicaciones de salud a largo plazo. Los autores reconocen modestamente que, si bien el dispositivo de la muñeca es prometedor, queda margen para mejorar la precisión abordando la calidad de la señal y el ruido por movimiento en trabajos futuros.

Más como este