🧬 biology

Short-Term Affective Change in Immersive Installations: A Multimodal Analysis of EEG and PANAS

Este estudio encontró que el afecto autoinformado basal (PANAS) proporcionó un predictor más estable y consistente del cambio afectivo a corto plazo en instalaciones inmersivas que los indicadores derivados de EEG, lo que sugiere que los autoinformes validados siguen siendo una referencia práctica cuando los datos fisiológicos son limitados o difíciles de interpretar.

Autores originales: Yizhen Wang, Xiaowei Chen

Publicado 2026-08-20

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Yizhen Wang, Xiaowei Chen

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Las emociones humanas no son instantáneas estáticas; son corrientes fluidas que cambian y crecen a medida que avanzamos en nuestro día. En el campo de la ciencia afectiva, los investigadores han buscado durante mucho tiempo comprender cómo cambian estos estados internos, particularmente durante experiencias inmersivas como la realidad virtual o las instalaciones de arte interactivo. Si bien podemos preguntar fácilmente a alguien cómo se siente en este momento, predecir cómo una experiencia específica alterará su estado de ánimo de principio a fin es un rompecabezas mucho más difícil. Los científicos han recurrido a la actividad cerebral, medida a través de electrodos colocados en el cuero cabelludo, con la esperanza de encontrar una firma biológica que revele estos cambios emocionales incluso antes de que la persona sea consciente de ellos. La pregunta central que impulsa esta línea de investigación es si estas señales eléctricas del cerebro pueden decirnos más sobre el viaje emocional de una persona de lo que la persona puede decirnos sobre sí misma.

Un equipo de investigadores se propuso probar esta idea examinando a un grupo de treinta personas que participaron en una instalación de arte multisensorial e inmersiva. Este entorno fue diseñado para ser estimulante e interactivo, permitiendo a los participantes moverse e interactuar libremente, de forma muy similar a un entorno del mundo real en lugar de un laboratorio estéril. Antes de entrar en la instalación, cada persona completó un cuestionario estándar pidiéndoles que calificaran sus sentimientos actuales, como si se sentían emocionados, molestos o atentos. También se registró su actividad cerebral mediante una gorra de sensores. Después de la sesión, completaron el mismo cuestionario nuevamente. Los investigadores luego calcularon la diferencia entre las puntuaciones de "antes" y "después" para ver exactamente cuánto había cambiado el estado de ánimo positivo o negativo de cada persona. También analizaron los datos cerebrales recopilados antes de la sesión para ver si esos patrones neurales iniciales podían predecir el tamaño del cambio emocional que ocurriría.

Los investigadores abordaron este problema construyendo modelos computacionales para predecir los cambios de humor. Probaron tres tipos diferentes de información para ver cuál funcionaba mejor. El primer tipo dependía únicamente de los sentimientos autoinformados del cuestionario. El segundo tipo utilizó solo los datos de la actividad cerebral, observando específicamente la fuerza de diferentes ondas cerebrales y el equilibrio de la actividad entre los lados izquierdo y derecho del cerebro. El tercer tipo combinó las respuestas del cuestionario y los datos cerebrales. Utilizaron un método de aprendizaje automático, que es un tipo de programa informático que aprende a encontrar patrones en los datos, para ver si podía adivinar con precisión cuánto cambiaría el estado de ánimo de una persona basándose en su punto de partida.

Los resultados ofrecieron una respuesta clara y algo sorprendente. Los modelos que dependían únicamente de los datos cerebrales mostraron el desempeño menos estable; fueron incapaces de predecir de manera confiable si el estado de ánimo de una persona mejoraría o empeoraría. De hecho, para ciertos algoritmos, los modelos que usaban solo las señales cerebrales produjeron valores de R² negativos en el conjunto de prueba, lo que indica que funcionaron peor que una simple predicción de referencia. Cuando los investigadores combinaron los datos cerebrales con las respuestas del cuestionario, los resultados no mejoraron significativamente respecto al uso de solo el cuestionario. Las predicciones más consistentes y precisas provinieron de los modelos que usaban únicamente los sentimientos autoinformados. Específicamente, el nivel inicial de angustia o agitación de una persona fue un fuerte indicador de cuánto disminuiría su estado de ánimo negativo después de la experiencia. Si alguien comenzó la sesión sintiéndose altamente agitado o molesto, era más probable que la instalación le ayudara a sentirse más tranquilo después. Predecir un aumento en los sentimientos positivos resultó ser mucho más difícil para todos los métodos, pero los autoinformes siguieron siendo la guía más confiable.

Este hallazgo sugiere que, en entornos complejos del mundo real, la propia descripción de una persona sobre su estado emocional es actualmente una herramienta más útil para comprender su trayectoria emocional que un resumen de sus ondas cerebrales. Los datos cerebrales sí mostraron asociaciones bivariadas modestas con los cambios de humor, particularmente con respecto al equilibrio de la actividad en las partes frontales del cerebro, pero estas señales eran demasiado tenues y ruidosas para ser útiles por sí solas. Los investigadores señalaron que la naturaleza inmersiva de la instalación, que permitía el movimiento y el cambio de atención, probablemente introdujo mucho ruido de fondo en los registros cerebrales, haciendo más difícil aislar las señales específicas relacionadas con la emoción.

El estudio concluye que, si bien la medición de la actividad cerebral es una herramienta poderosa, aún no es un reemplazo para preguntar a las personas cómo se sienten, especialmente cuando se intenta rastrear cambios emocionales a corto plazo en entornos dinámicos. Los sentimientos autoinformados proporcionaron una base estable y consistente que los datos cerebrales no pudieron igualar. Esto no significa que los datos cerebrales sean inútiles, sino que capturan aspectos diferentes de la experiencia emocional que no siempre se alinean perfectamente con lo que una persona puede informar conscientemente. Por ahora, al intentar comprender cómo una experiencia inmersiva cambia el estado de ánimo de una persona, el camino más directo y confiable es escuchar a la persona misma.

Resumen Técnico: Cambio Afectivo a Corto Plazo en Instalaciones Inmersivas

Planteamiento del Problema
El estudio aborda el desafío de caracterizar el cambio afectivo a corto plazo dentro de experiencias inmersivas y multisensoriales. Mientras que la computación afectiva suele centrarse en el reconocimiento de estados emocionales estáticos, existe una brecha en la comprensión de cómo el afecto transiciona a lo largo de una sesión de interacción. Existe una tensión metodológica específica entre las medidas de autoinforme (como la Escala de Afecto Positivo y Negativo, PANAS) y los indicadores fisiológicos (específicamente la Electroencefalografía, o EEG). Si bien el EEG ofrece acceso a la dinámica neural, su utilidad para predecir el cambio (la transición pre-post) en entornos inmersivos y ecológicamente variables sigue siendo incierta en comparación con los informes de línea base subjetivos. Además, no está claro si los cambios afectivos positivos y negativos siguen vías predictivas similares o si uno es más tratable que el otro.

Metodología
La investigación realizó un análisis secundario de un conjunto de datos multimodal disponible públicamente que involucra a 30 participantes (un subconjunto de un total original de 50) que interactuaron con una instalación de arteterapia inmersiva que integra EEG, RV y AIGC.

Fuentes de Datos: Puntuaciones PANAS pre y post-sesión y registros de EEG crudos (Emotiv Flex, 128 Hz, disposición 10–10).
Variables de Resultado: Se definieron dos objetivos continuos como puntuaciones de diferencia:
- $\Delta$ Positivo = Positivo $_{post}$ − Positivo $_{pre}$
- $\Delta$ Negativo = Negativo $_{post}$ − Negativo $_{pre}$
Conjuntos de Predictores: Se construyeron tres configuraciones de características utilizando datos basales (pre-sesión):
1. Solo PANAS: Puntuaciones basales de afecto positivo y negativo.
2. Solo EEG: Características espectrales basales incluyendo potencia global y frontal (theta, alfa, beta), asimetría alfa frontal (F4–F3), ratios de bandas (theta/beta, alfa/beta) y medidas de potencia relativa.
3. Híbrido: Una combinación de características de PANAS y EEG.
Estrategia de Modelado: El estudio empleó regresión supervisada utilizando algoritmos de Regresión Lineal, Árbol de Decisión y Bosque Aleatorio (Random Forest, RF). El rendimiento se evaluó mediante una división de entrenamiento/prueba de 70:30 y validación cruzada de 5 pliegues utilizando el Error Cuadrático Medio (MSE), el Error Absoluto Medio (MAE) y el coeficiente de determinación ( $R^2$ ). El Bosque Aleatorio fue seleccionado como el modelo exploratorio principal para permitir el análisis de importancia de las características.

Resultos Clave

Rendimiento Predictivo: Los modelos de Solo PANAS demostraron el desempeño más estable y alto en ambos resultados. Para $\Delta$ Negativo, el modelo de Regresión Lineal de Solo PANAS alcanzó el $R^2$ de conjunto de prueba más alto (0.462), seguido por el Árbol de Decisión de Solo PANAS (0.358) y el Bosque Aleatorio (0.335). En contraste, los modelos de Solo EEG arrojaron consistentemente valores de $R^2$ de prueba negativos (por ejemplo, -0.469 para RF en $\Delta$ Negativo), lo que indica que funcionaron peor que un simple predictor de la media. Los modelos Híbridos no superaron consistentemente a los modelos de Solo PANAS; en algunos casos, la adición de características de EEG degradó el rendimiento.
Asimetría del Afecto: La predicción de los cambios en el afecto negativo ( $\Delta$ Negativo) fue significativamente más exitosa que la predicción de los cambios en el afecto positivo ( $\Delta$ Positivo). Para $\Delta$ Positivo, todos los modelos (incluyendo Solo PANAS) produjeron valores de $R^2$ de prueba negativos, lo que sugiere que el cambio afectivo positivo a corto plazo es menos predecible en este conjunto de datos.
Importancia de las Características: En los modelos de Bosque Aleatorio, el afecto negativo autoinformado basal fue el predictor dominante para $\Delta$ Negativo, ocupando el primer lugar por un margen claro. Para $\Delta$ Positivo, la importancia estuvo más distribuida. Aunque las características de EEG (específicamente la asimetría alfa frontal, la relación theta/beta y la relación alfa/beta) contribuyeron con información suplementaria, no impulsaron los modelos con tanta fuerza como los autoinformes.
Correlaciones: El análisis bivariado mostró asociaciones modestas entre las características de EEG (por ejemplo, la relación theta/beta con $\Delta$ Positivo, y la alfa global con $\Delta$ Negativo) y el cambio afectivo, mientras que los ítems basales de PANAS (por ejemplo, "Inquieto", "Molesto") mostraron correlaciones más fuertes con los cambios subsecuentes en el afecto negativo.

Contribuciones Clave

Eficacia Comparativa: El estudio proporciona evidencia empírica de que, en el contexto de la transición afectiva a corto plazo dentro de una instalación inmersiva, el afecto autoinformado basal es un predictor más consistente y robusto que los resúmenes espectrales de EEG en estado de reposo.
Viabilidad Multimodal: Demuestra la viabilidad del modelado afectivo multimodal en entornos ecológicamente válidos, al tiempo que destaca que la combinación de modalidades no mejora automáticamente la precisión predictiva si los datos fisiológicos son ruidosos o toscos.
Interpretabilidad en Muestras Pequeñas: El trabajo valida el uso de aprendizaje automático interpretable (Bosque Aleatorio) para conjuntos de datos pequeños y ecológicamente variables. Muestra que, incluso cuando el poder predictivo es limitado, estos modelos pueden esclarecer las contribuciones relativas de diferentes modalidades de datos sin los riesgos de sobreajuste asociados con las arquitecturas complejas de aprendizaje profundo.
Diferenciación de Dimensiones Afectivas: Los hallazgos sugieren una asimetría en la tratabilidad, donde las reducciones en el afecto negativo son más fácilmente caracterizables por medidas basales que los incrementos en el afecto positivo.

Significancia y Reivindicaciones
Los autores sostienen que estos hallazgos apoyan una visión complementaria en lugar de competitiva del autoinforme y el EEG. En entornos inmersivos o aplicados donde los datos fisiológicos pueden verse limitados por artefactos de movimiento, variabilidad ambiental o resúmenes espectrales toscos, las medidas de autoinforme validadas (como PANAS) ofrecen una referencia de línea base práctica y confiable para modelar el cambio afectivo.

El artículo enfatiza que el menor rendimiento de las características de EEG no debe interpretarse como que el EEG sea inherentemente infundido de información para la investigación afectiva. En cambio, refleja las limitaciones de la información neural específica (potencia espectral en estado de reposo) en un contexto naturalista. El estudio concluye que, si bien el modelado multimodal es factible, los investigadores deben priorizar los autoinformes de baja carga e interpretables cuando los datos fisiológicos son difíciles de interpretar o cuando el objetivo es caracterizar las transiciones afectivas a corto plazo en condiciones ecológicamente variables.

Resumen Técnico: Cambio Afectivo a Corto Plazo en Instalaciones Inmersivas

Más como este