P oyec o Fin de Ca e a
Ingenie ía de Telecomunicación
Fo ma o de Publicación de la Escuela Técnica
Supe io de Ingenie ía
Au o : F. Ja ie Payán Some
Tu o : Juan José Mu illo Fuen es
Dep. Teo ía de la Señal y Comunicaciones
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2013
T abajo Fin de G ado
G ado en Ingenie ía Ae oespacial
De ección de los ni eles de es és y
ansiedad en pilo os aplicando écnicas de
Machine Lea ning
Au o : Ca los Na a o Can os
Tu o a: Ma ía Ángeles Ma ín P a s
Dp o. Tecnología Elec ónica
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2018
T abajo Fin de G ado
G ado en Ingenie ía Ae oespacial
De ección de los ni eles de es és y ansiedad en
pilo os aplicando écnicas de Machine Lea ning
Au o :
Ca los Na a o Can os
Tu o a:
Ma ía Ángeles Ma ín P a s
P o eso Ti ula
Dp o. Tecnología Elec ónica
Escuela Técnica Supe io de Ingenie ía
Uni e sidad de Se illa
Se illa, 2018
T abajo Fin de G ado:
De ección de los ni eles de es és y
ansiedad
en pilo os aplicando écni-
cas de Machine Lea ning
Au o : Ca los Na a o Can os
Tu o a: Ma ía Ángeles Ma ín P a s
El ibunal nomb ado pa a juzga el abajo a iba indicado, compues o po los siguien es p o eso es:
P esiden e:
Vocal/es:
Sec e a io:
acue dan o o ga le la cali icación de:
El Sec e a io del T ibunal
Fecha:

Índice
Índice de Tablas III
Índice de Figu as V
1 In oducción 7
1.1 Neu o isiología y el es udio de las emociones 7
1.1.1 Aspec os Ana omo isiológicos 8
1.1.2 Ana omía mic oscópica 8
1.1.3 Po encial de acción 9
1.1.4 Comunicación en e neu onas 9
1.2 Es uc u a del Sis ema Ne ioso Cen al 10
1.2.1 La amígdala como p o agonis a de las emociones 11
1.2.2 Sis ema Ne ioso Au ónomo y Somá ico 12
1.3 Aspec os ele an es de la emoción 13
1.3.1 Fisiología de las emociones 13
1.3.2 Clasi icación de las emociones 13
Línea e olucionis a: Da win 14
La línea Psico isiológica 15
Línea neu ológica 16
Teo ías de la ac i ación 17
Teo ías cogni i as 17
1.4 Fisiología del es és 20
1.4.1 Fisiología del es és 20
Eje hipo isiosup a enal 20
Sis ema Ne ioso Au ónomo 21
Fases del es és 21
Modelo biopsicosocial 22
1.5 Bioseñales 22
1.5.1 Elec oca diog ama 23
1.5.2 Elec oence alog ama 24
1.5.3 Elec omiog ama 24
1.5.4 Respues a Gal ánica de la Piel 24
1.5.5 O os po enciales bioeléc icos 24
1.6 Senso es Biomé icos 26
1.6.1 Elec oca dióg a o 26
1.6.2 Equipos pa a la medición de la ac i idad ce eb al 27
1.6.3 Equipos pa a la medición de la espues a gal ánica 27
1.7 Machine Lea ning 29
1.7.1 Relación Sesgo-Va ianza 32
1.7.2 O e i ing y Unde i ing 32
I
II Índice
1.7.3 Algo i mos de ap endizaje 33
Pe cep on 33
Red neu onal mul icapa 34
K-Nea es Neighbo s 41
Suppo Vec o Machines 41
2 Análisis Expe imen al 43
2.1 Senso GSR 43
2.2 P o ocolo de p uebas 47
Bases de da os canciones 48
2.3 Machine Lea ning en Ma lab 51
2.3.1 Ma lab: nn ool 52
2.3.2 Ma lab: nns a 53
2.3.3 Classi ica ion Lea ne 53
2.4 C eación aplicación pa a de ec a los ni eles de es és en Ma lab 55
2.4.1 C eación Red Neu onal 56
3 Análisis de Resul ados 61
3.1 Resul ados P ime a P ueba 61
3.1.1 5 Pe sonas 15 canciones 15 segundos 61
3.1.2 16 pe sonas 15 canciones de 15 segundos 62
Mejo a ealización de la p ime a p ueba 65
3.2 Resul ados segunda p ueba 67
3.3 Mé odo al e na i o 69
3.3.1 Validación de los esul ados 70
4 Conclusiones y abajo u u o 73
5 Códigos 75
Bibliog a ía 81
Índice de Tablas
1.1 Lenguaje subje i o/ uncional 15
1.2 Clasi icación algo i mos Machine Lea ning 31
2.1 Especi icaciones G o e GSR 44
2.2 Canciones u ilizadas y sus pun uaciones 48
3.1 Canciones p ime a p ueba segunda pa e 65
3.2 Resul ados es SAM 67
3.3 Compa ación media del es y pape pa a cada canción 67
3.4 Resul ados p edicción modelos ML 69
III
4Capí ulo 0. Índice de Figu as
a un mic ocon olado y se expo an los da os ía Ma lab.
Con los iche os de da os, el siguien e paso es c ea un modelo que sea capaz de p edeci es ados u u os
de es és y con ello p o oca una espues a en la ae ona e, en caso de que se es é midiendo a pilo os, o
equipo que se es é u ilizando.
La acilidad pa a c ea es os modelos con Ma lab lo hacen una he amien a idónea pa a es os p ocedi-
mien os. Los mejo es esul ados, según los da os que se ob ienen del senso , son los p opo cionados po los
algo i mos de SVM as ealiza algunas simpli icaciones sob e los obje i os in oducidos.

Abs ac
Nowadays, a huge numbe o ae onau ics p o essionals a e in ol ed in si ua ions in which hey ha e o
manage s ess o anxie y. This sensa ions can no p o ide hem wi h he co ec answe s and in many cases a
a al acciden occu .
Resea ches ha e shown ha being pilo is one o he mos s ess ul jobs and hey ake decisions in a
sho ime and e y impo an o he sa e y o he c ew and he passenge s. Many o hem decla e ha hey
wo k a e ew hou s sleeping, 75 pe cen o pilo s say hey eel a igued commmonly. Mo eo e , he e a e
o he ae onau ics p o essionals wi h a i al impo ance in his sec o ,as Reason model show in i s explana ion.
To de e mine hese le els o s ess and anxie y, Uni e si ies ha e dedica ed a eas in which hey in es iga e
emo ional opics, hey call his compu a ional a ec i e a eas. Fo ins ance,MIT esea ches ha e demons a ed
a way o he ecogni ion o s ess in a call cen e .
The concep o Big Da a is being ended ecen ly due o he ascen o he social ne wo ks and he In e ne .
The e a e websi es ha s o age huge amoun o da a and hey use wi h no legal consen in u u e applica ions.
Howe e , he e a e also o he ways o use hese me hods. Fo example, Big Da a and Machine Lea ning
a e c ucial in inance o b oke s who c ea e p edic i e models whi hese echniques o o doc o s who
in es iga e cance , hey s udy di e en images and hey y o ecognize a pa e n.
Machine Lea ning is use ul when we do no ha e an equa ion o ma hema ical exp ession o de e mine
how a model wo ks. Ae onau ics p esen s a g ea numbe o equa ions ha explain in a well way how an
ai c a and he ae onau ics sec o wo ks. Al hough, Impe ial College esea che s ha e shown models ha
apply Machine Lea ning concep s o de e mine he ajec o y o he ai c a in ex eme wea he condi ions.
In his book, we y o c ea e a p edic i e ool which can p o ide an answe abou he anxie y o s ess le el.
To do ha , people ha e collabo a ed o measu e he elec ode mal ac i i y wi h a gal anic skin esponse
senso and he da a ha e been s o ed. Wi h his da a, we ha e calcula ed ea u es and apply as inpu s in he
Machine Lea ning algo i hms. Finally, he p edic i e model has been c ea ed.
5
1 In oducción
En es e abajo se ha comenzado dando una explicación sob e lo que ocu e en el o ganismo cuando iene
que p oduci una eacción a un es ímulo, desde las es uc u as más básicas del sis ema ne ioso, las neu onas
y su composición, has a la o ma en que és as se comunican median e po enciales de acción has a llega a
las ías mo o as. Debido a la complejidad de es a ciencia, la neu o isiología es un campo aún po descub i
en muchos aspec os, la in es igación se cen ó en el sis ema límbico y la amígdala ya que ienen g an
epe cusión sob e las emociones expe imen adas po las pe sonas.
A la ho a de es udia las emociones se ha hecho un es udio gene al sob e aquellas eo ías que a lo la go de
la his o ia han sido de u ilidad en cuan o al es udio de la conduc a del homb e y la pe cepción y eacción a
los es ímulos que obse a. Desde Da win has a nues a década, es as eo ías han ido acompañadas del cono-
cimien o cien í ico, lo que ha implicado una e olución hacia eo ías más cogni i as debido a los a ances en
neu ociencia y el es udio del sis ema ne ioso. Las eo ías psico isiológicas son de especial impo ancia pa a
el en endimien o del obje o del abajo. Es as eo ías es ablecen una escala de las emociones sepa ándolas
po un lado en unción del g ado de ac i ación o exci ación que p o oca una eacción en el indi iduo y po
o o el ni el de ag ado o desag ado. Combinando ambos pa áme os se pod ía explica cualquie emoción
expe imen ada po una pe sona.
Con es o como pun o de pa ida, se p e ende desa olla una he amien a que consiga de ec a los ni eles
de es és y ansiedad, al o a ousal o ac i ación y bajo alence o g ado de place , más conc e amen e en las
ases de dis és del o ganismo en las cuales se uel e menos p oduc i o y no es capaz de oma decisiones de
mane a lúcida.
Debido a la complejidad de la o mulación del p oblema, es lógico pensa que no exis e una ecuación
o elación ma emá ica que pe mi a conoce la emoción de una pe sona en unción de unos pa áme os
de e minados. Sin emba go, se pod ían ecoge da os de cons an es del o ganismo de pe sonas en di e en es
si uaciones y asocia las a la emoción que han pe cibido. Es en es a pa e donde se p esen a los algo i mos
de Machine Lea ning, los cuales c ean modelos que a pa i de un núme o de inpu s, po lo gene al cien os
o miles, y a ge s pe mi en c ea unciones las cuales asocian unos pa áme os con sus obje i os y se c ea
un modelo de p edicción. Es os mé odos se basan en cálculo de dis ancias o p obabilidades, siendo más
complejos cuan as más clases haya que clasi ica .
Pa a pode in oduci en adas al modelo es necesa io ecopila los da os del o ganismo de cada pe sona.
Pa a ello exis en al e na i as di e sas: ence alog ama, pa a medi la espues a ce eb al, elec oca diog ama,
pa a conoce el i mo ca díaco, elec omiog ama, conec ando los elec odos a músculos de e minados,
econocimien o acial o la espues a gal ánica de la piel.
1.1 Neu o isiología y el es udio de las emociones
Pa a conoce y en ende el compo amien o del se humano en e a un es ímulo es necesa io ealiza un
es udio p e io sob e el uncionamien o del sis ema ne ioso, así como las pa es que lo componen. En es e
7
8Capí ulo 1. In oducción
Figu a 1.1 Plan eamien o del abajo.
es udio neu o isiológico, ama de la isiología que es udia el sis ema ne ioso, se desc ibi á en p ime luga
la ana omía del sis ema ne ioso y sus conexiones pa a, pos e io men e, la implicación que se iene en cada
pa e cuando se expe imen a una emoción.
1.1.1 Aspec os Ana omo isiológicos
El sis ema ne ioso es una ed compleja de es uc u as especializadas (encé alo, médula espinal y ne ios)
que iene como misión con ola y egula el uncionamien o de los di e sos ó ganos y sis emas, coo dinando
su in e elación y la elación del o ganismo con el medio ex e no. El sis ema ne ioso es á o ganizado pa a
de ec a cambios en el medio in e no y ex e no, e alua es a in o mación y esponde ocasionando cambios
en músculos o glándulas.
El sis ema ne ioso se di ide en dos g andes subsis emas:
•Sis ema Ne ioso Cen al (SNC)
: compues o po el encé alo y la médula espinal. El encé alo es la
pa e con enida en el c áneo que comp ende el ce eb o, ce ebelo y onco del encé alo. La médula
espinal es la pa e con enida den o del canal e eb al y se conec a con el encé alo a a és del aguje o
occipi al del c áneo. El SNC ecibe, in eg a y co elaciona dis in os ipos de in o mación senso ial.
•Sis ema Ne ioso Pe i é ico (SNP)
: den o del cual se incluyen odos los ejidos ne iosos si uados
ue a del sis ema ne ioso cen al. Los ne ios que se o iginan en el encé alo se denominan ne ios
c aneales y los que se o iginan en la médula espinal ne ios aquídeos. Los ne ios son haces de
ib as ne iosas que comunican los ecep o es senso iales has a el SNC y desde el SNC a los ó ganos
e ec o es.
1.1.2 Ana omía mic oscópica
El ejido ne ioso cons a de dos ipos de células: las neu onas y la neu oglia o glia. Las neu onas son las
esponsables de las unciones a ibuidas al sis ema ne ioso: pensa , sen i , azona , con ol muscula , e c.
Son células exci ables que conducen los impulsos que hacen posibles odas las unciones del sis ema ne ioso.
El encé alo humano con iene al ededo de 100000 millones de neu onas. La es uc u a básica es como se e
en la igu a 1.2 y cons an de es pa es esenciales:
• Cue po neu onal: el cual con iene el núcleo y ci oplasma.
•
Dend i as: p olongaciones co a ami icadas a a és de las cuales la neu ona ecibe es ímulos p oce-
den es de las neu onas ecinas.
•
Axones: p olongación a a és de la cual se aduce el impulso desde el cue po celula a o a neu ona.
El luga de con ac o en e dos neu onas o en e una neu ona y un ó gano e ec o se denomina sinapsis.
1.1 Neu o isiología y el es udio de las emociones 9
Figu a 1.2 Es uc u a de una Neu ona: dibujo Ramón y Cajal.
Las neu onas es án sos enidas po un g upo de células no exci ables que en conjun o se denominan
neu oglia. Las células de la neu oglia son, en gene al, más pequeñas que las neu onas y las supe an en
5 a 10 eces en núme o. Las p incipales células de la neu oglia son: as oci os, oligodend oci os, células
ependima ias, células de Schwann y células sa éli e.
1.1.3 Po encial de acción
Exis en es g upos de neu onas esponsables de p oduci una espues a en el o ganismo: sensi i as, in e neu-
onas y mo o as. Un e lejo puede p oduci se cuando es as neu onas se ac i an e igualmen e puede inhibi se
cuando neu onas ence álicas ac i an in e neu onas inhibido as que o man sinapsis con las neu onas mo o as.
El mensaje es conducido po el axón y se denomina po encial de acción. Las memb anas de odas las
células del o ganismo ienen ca ga eléc ica, pe o sólo los axones son capaces de p oduci po enciales de
acción. El po encial de eposo de la memb ana se debe a que a ios iones es án en concen aciones dis in as
en el líquido del in e io celula espec o al líquido del ex e io de la célula. El líquido ex acelula es
abundan e en Na+yCl−, y el líquido in acelula en K+y a ios aniones o gánicos.
La pe meabilidad de la memb ana celula a dis in os iones es á egulada po canales iónicos. Cuando el
po encial de la memb ana es á en el alo de eposo (-70 mV), los canales de sodio y po asio dependien es del
ol aje es án ce ados. Cie a can idad de
Na+
en a con inuamen e en el axón, pe o es ápidamen e expulsada
de la célula po los anspo ado es sodio-po asio. Cuando un es imulado eléc ico despola iza la memb ana
del axón de modo que su po encial alcanza el umb al de exci ación, los canales de sodio dependien es del
ol aje se ab en, y el
Na+
en a ápidamen e en la célula, impulsado po la ue za de di usión y la p esión
elec os á ica. La en ada de es os iones de ca ga posi i a educe el po encial de memb ana y, cie amen e,
p o oca que se in ie a, de modo que el in e io se con ie e en posi i o. La ape u a de los canales de sodio
es empo al. La despola ización causada po la en ada de
Na+
ac i a los canales de po asio dependien es
del ol aje, y el
K+
sale del axón, desplazándose a a o de su g adien e de concen ación. Es a salida de
K+
lle a ápidamen e al po encial de memb ana de nue o a su alo de eposo.
Como el po encial de acción de un axón indi idual es un enómeno de odo o nada, las neu onas ep esen an
la in ensidad median e su asa de ac i ación. El po encial de acción comienza no malmen e en un ex emo
del axón, allí donde se une al soma.
1.1.4 Comunicación en e neu onas
Una ez explicada la es uc u a a ni el mic oscópico y los po enciales de acción, es deci , cómo se p oducen
los impulsos ne iosos en las neu onas, es necesa io explica el mecanismo po el cual se p oduce la sinapsis
en e las células.
Las sinapsis consis en en uniones en e las e minaciones ne iosas de una neu ona y la memb ana de
o a neu ona, una célula muscula o una célula glandula . Cuando se p opaga un po encial de acción po un
axón, las e minales ne iosas de su ex emo libe an un neu o ansmiso , sus ancia química que p oduce

10 Capí ulo 1. In oducción
Figu a 1.3 Pe meabilidad de los iones du an e el po encial de acción.
despola izaciones (PPSE) o hipe pola izaciones (PPSI) de la memb ana pos sináp ica, memb ana de la célula
que iene ecep o es pa a el neu o ansmiso libe ado. La asa de ac i ación del axón de la neu ona pos sináp-
ica es á de e minada po la ac i idad ela i a de las sinapsis exci ado as e inhibido as en la memb ana de
sus dend i as y soma, enómeno conocido como in eg ación neu onal. Las e minales sináp icas con ienen
esículas sináp icas, pequeñas es e as ubicadas en el ex emo de los axones. La mayo ía de las e minales
con ienen esículas de dos amaños; las más pequeñas son abundan es. Cuando el po encial de acción se
ansmi e po el axón, la despola ización ab e canales de calcio dependien es del ol aje, que pe mi en la
en ada de Ca2+.
Los iones calcio se unen a los g upos de moléculas p o eicas en las memb anas de esículas sináp icas
a acadas en la zona de libe ación. Los g upos de p o eínas se sepa an, haciendo que las esículas se ompan
y libe en el neu o ansmiso .
A modo de esumen: la conexión en e neu onas se conoce como sinapsis. Si se supone que una neu ona
en ía una señal , o pulso eléc ico ( ambién llamado spike), a a és de una sinapsis, a la neu ona que en ía
el pulso se le conoce como neu ona p esináp ica y a la neu ona que lo ecibe como neu ona pos sináp ica. En
el caso que la neu ona p esináp ica en íe pulsos exci a o ios se end á un cambio llamado PPSE, mien as
que si en ía pulsos inhibi o ios end emos un cambio llamado PPSI. Una sola neu ona del có ex e eb al
suele es a conec ada a
104
neu onas pos sináp icas. Muchas de las e minaciones de un axón e minan
di ec amen e en las neu onas más p óximas, pe o o as pueden llega a medi a ios cen íme os, pa a
alcanza a neu onas que es án en o as á eas del ce eb o.
1.2 Es uc u a del Sis ema Ne ioso Cen al
El SNC es á o mado po el encé alo y la médula espinal. El encé alo es la pa e del sis ema ne ioso cen al
con enida en el c áneo y el cual comp ende el ce eb o, el ce ebelo, el diencé alo y el onco ence álico. El
ce eb o es á compues o po la co eza y el cue po calloso, el diencé alo po el álamo, epí isis e hipo álamo,
y el onco del encé alo po el mesencé alo, p o ube ancia y el bulbo aquídeo.
Debido a que en el p esen e abajo se expond á de mane a exhaus i a el es udio de las emociones y
sus implicaciones en el o ganismo, esul a in e esan e cen a se en las pa es del ce eb os las cuales es án
elacionadas con ellas, es deci , el sis ema límbico y en pa icula la amígdala ce eb al.
El sis ema límbico es á elacionado con la memo ia, ecue dos, a ención, ins in os sexuales, emociones
(place , miedo, ag esi idad, e c), la pe sonalidad y la conduc a. Dicho sis ema es á o mado po el álamo,
hipo álamo, hipocampo, amígadala, cue po calloso y sep o.
De mane a esquemá ica algunas de las unciones inculadas a las eacciones emocionales que cumples las
es uc u as p incipales [6]:
•Núcleo amigdalino
: egulación de la conduc a emocional inna a y base de las espues as y ap endi-
zajes emocionales. Especialmen e inculado a las expe iencias gene ado as de miedo y a conduc as
ag esi as.
1.2 Es uc u a del Sis ema Ne ioso Cen al 11
Figu a 1.4 Es uc u as del sis ema límbico.
•Hipo álamo
: p incipal conexión con el sis ema ne ioso au ónomo y endoc ino ía hipó isis y cen os
oncoence álicos. Rec o de las exp esiones mo o as emocionales básicas.
•Hipocampo
: p incipal es uc u a asociada al ap endizaje y memo ia espacio empo al, cumpliendo un
papel undamen al en el condicionamien o con ex ual.
•Á ea sep al: inculada al e o zamien o de conduc as de supe i encia, mo i ación sexual, e c
•Núcleo an e io del Tálamo
: p incipal dis ibuido de la in o mación de i ada de los es ímulos
emocionales hacia la co eza en omedial p e on al y hacia es uc u as como el hipocampo y la
amígdala.
•Ci cun olución cingulada
: se p opone como una de las zonas donde se ealiza la in eg ación de la
in o mación emocional con la cognosci i a. El cí culo an e io se elaciona con el con ol o di ección de
la a ención, con las conduc as de an icipación, la moni o ización de acciones que median e o zado es
nega i os y con la modulación de es ados cogni i os y a ec i os.
Pese al a ac i o que p esen a es a es uc u a como sus a o o ganizado de las emociones di e en es au o es
(Ko e , 1992) p oclaman la insu iciencia de dichos a gumen os y la al a de consenso sob e los c i e ios a
ene en cuen a pa a la inclusión de las es uc u as an e io es en el sis ema. Además, en la ac ualidad, cada
ez se apoya con mayo ue za el papel de la co eza p e on al en la in eg ación de la in o mación senso ial
y emocional c í ica pa a la oma de decisiones y la conduc a social adap a i a, así como la in e p e ación,
exp esión y modulación de las emociones. Una posible solución a es e p oblema con el concep o de sis ema
límbico es es udia los di e en es subsis emas neu o isiológicos y uncionales que in e ienen en cada una de
las eacciones emocionales con iden idad p opia.
1.2.1 La amígdala como p o agonis a de las emociones
Según lo comen ado en la sección an e io , es ele an e conoce el uncionamien o de la amígdala pa a pode
encon a pa ones isiológicos an e de e minados cambios emocionales y si uaciones es esan es.
La amígdala es á cons i uida po di e en es núcleos con ib as que se conec an con el hipocampo, ganglios
basales, hipo álamo, álamo y núcleos del onco ce eb al. El complejo amigdalino iene un papel undamen-
al en la coo dinación de las ep esen aciones co po ales de las emociones y de la pe cepción conscien e de
las mismas (sen imien os)(Hamman e al.,1999).
La in o mación que ing esa a la amígdala lo hace desde dis in os sis emas co icales y subco icales, donde
se p ocesan e in eg an pa a elabo a una espues a emocional conc e a. Una ez in eg adas las espues as en
el complejo amigdalino, las mismas iaja án po las ías e e en es pa a eje ce sus acciones coo dinando la
espues a co po al de las emociones y la pe cepción conscien e de dichas emociones.
12 Capí ulo 1. In oducción
1.2.2 Sis ema Ne ioso Au ónomo y Somá ico
El sis ema ne ioso ambién se puede clasi ica po el modo en el que se ans ie e la in o mación, que
puede se de o ma olun a ia o in olun a ia. Se denomina sis ema ne ioso somá ico aquel que de o ma
olun a ia ecoge in o mación a a és de la piel, ojos, músculos, e c. y en ía la espues a mo o a al músculo
esquelé ico. Dicho sis ema ac úa sob e el ambien e ex e no y esponde olun a iamen e a señales senso iales
pe cibidas conscien emen e.
El sis ema ne ioso au ónomo o ege a i o es la pa e del sis ema ne ioso cen al y pe i é ico que se
enca ga de la egulación de las unciones in olun a ias del o ganismo, del man enimien o de la homeos asis
in e na y de las espues as de adap ación an e las a iaciones del medio ex e no e in e no (McCo y, 2007). El
sis ema ne ioso au ónomo ecoge la in o mación de co azón, hígado, e c. y la en ía po su ama simpá ica o
pa asimpá ica a glándulas, co azón, hígado, e c y músculo liso. La mayo ía de las señales senso iales son
pe cibidas de o ma no conscien e y la mayo ía de las ac i idades mo o as no son ejecu adas olun a iamen e.
El p incipal cen o o ganiza i o del sis ema ne ioso au ónomo es el hipo álamo, con olando odas las
unciones i ales e in eg ando los sis emas au ónomo y endoc ino. En el onco ence álico y amígdalas del
ce eb o, es án localizados los cen os de o ganización y espues a aguda del sis ema ne ioso au ónomo,
cuya unción es la de in eg a los ajus es hemodinámico momen áneos y man ene la au oma icidad de la
en ilación.
El sis ema ne ioso simpá ico y el sis ema ne ioso pa asimpá ico ealizan acciones que pueden pa ece
incompa ibles de una misma unción. El sis ema ne ioso simpá ico ac úa en casos de u gencia, ac i ación y
es és. Cuando el o ganismo sien e que es á en pelig o se p epa a pa a en en a se al pelig o y ac ua en el
concep o de "lucha -hui ". El o ganismo necesi a u iliza al máximo la ene gía de la que dispone p o ocando
eacciones como la acele ación del pulso y la espi ación, inc emen o de la sudo ación, ena la diges ión,
aumen a la p esión a e ial y hace que la sang e llegue en mayo can idad al ce eb o, pie nas y b azos.
El sis ema ne ioso pa asimpá ico p epa a al o ganismo pa a cap a y conse a la ene gía. Po o o lado, la
ac i ación del pa asimpá ico iene que e con si uaciones de ecupe ación de ene gía. Du an e la ac i ación
del sis ema ne ioso pa asimpá ico se elaja el co azón, se ac i an las sec eciones diges i as, aumen a el
pe is al ismo (conjun o de mo imien os de con acción del ubo diges i o), se educe el lujo sanguíneo hacia
el ce eb o, lo que ae como consecuencia un es ado de somnolencia.
Cuando el sis ema ne ioso au ónomo se ac i a, la ansmisión del es ímulo exci a o io a a és de la
hendidu a sináp ica ocu e median e libe ación undamen almen e de es neu o ansmiso es que son la
no ad enalina, la ace ilcolina y, en casos de eme gencia, la ad enalina. En los ci cui os donde el neu o ans-
miso es la acel icolina se denominan colné gicos y cuando es la no ad enalina se llaman ad ené gicos. Cada
ó gano y ejido es á ine ado po ías simpá icas y/o pa asimpá icas dis in as, con muy poca o ninguna in e -
e encia en e ellas. Las neu onas pueden acopla se selec i amen e, de mane a que los ci cui os indi iduales
sis émicos u o as unidades e ec o as se ac i an de o ma independien e.
1.3 Aspec os ele an es de la emoción 13
1.3 Aspec os ele an es de la emoción
Di e sos au o es des acan en que exis e una co elación isiológica de la emoción. Las emociones pe mi en
a on a si uaciones di íciles y p edisponen a la acción, en es e sen ido, las emociones se han desa ollado
gené icamen e como un bagaje emocional que iene un alo de supe i encia. Las emociones son, po an o,
impulsos que lle an a las pe sonas a ac ua .
La apa ición de nue os mé odos pa a p o undiza en el es udio de la isiología del cue po y del ce eb o
con i ma con mayo sus en o que cada emoción p edispone al o ganismo a un ipo di e en e de espues a.
Exis e e idencia ace ca de la p esencia de di e enciación hemis é ica en el p ocesamien o emocional y de la
exis encia de mediado es neu oana ómicos de la emoción, implicándose el sis ema ne ioso cen al en las
emociones y su compo amien o de i ado.
Po o o lado, el conjun o de emociones que se pueden expe imen a se pueden educi en emociones
básicas (aleg ía, i a, miedo, so p esa, desag ado y is eza) las cuales son independien es de pa áme os
cul u ales o sociales. Es e núme o educido de 6 a 8 emociones básicas de e minadas gené icamen e se ían la
base de cuya combinación su gen las di e en es emociones sociales.
1.3.1 Fisiología de las emociones
Las emociones es án asociadas a di e en es pa ones de eacciones isiológicas y ac i idad ce eb al. Dis in os
au o es des acan que exis e un co ela o isiológico de la emoción, así, las eacciones isiológicas que
acompañan a las emociones es án eguladas po el sis ema ne ioso au ónomo (SNA) y en las dos amas en
las que se di ide, el sis ema simpá ico y el pa asimpá ico. Ambas amas an a de e mina si el o ganismo se
encuen a en un es ado de elajación o exci ación.
Los se es humanos (y los miemb os de o as especies) comunicamos nues as emociones p incipalmen e a
a és de ges os aciales. Da win conside aba que las exp esiones de es e ipo e an inna as [
7
], que es os
mo imien os muscula es e an pa ones compo amen ales he edados. Ekman y sus colabo ado es lle a on
a cabo es udios anscul u ales con miemb os de una ibu de Nue a Guinea y sus esul ados apoya on la
hipó esis de Da wim.
El econocimien o de la exp esión emocional de o as pe sonas implica más el hemis e io de echo que el
izquie do. Es udios han pues o de mani ies o que juzgamos mejo las exp esiones aciales o el ono de oz
cuando la in o mación se p esen a en el hemis e io de echo que cuando se p esen a al hemis e io izquie do.
Las explo aciones con TEP (Tomog a ía po Emisión de Posi ones) ealizadas cuando las pe sonas juzgan
la emoción ansmi ida median e la oz mues an que el hemis e io de echo se ac i a más que el izquie do.
Los es udios con pe sonas con lesiones en el ce eb o co obo an dichos hallazgos. Además, indican que el
econocimien o de un os o en pa icula implica a ci cui os neu onales di e en es de los que se equie en
pa a econoce la exp esión acial.
Las exp esiones aciales de las emociones (y conduc as es e eo ipadas como la isa o el llan o) son p ác ica-
men e imposibles de disimula . Po ejemplo, an solo una son isa au én ica de place causa la con acción de
la pa e la e al del o bicula is oculi (músculo de Duchenne). La ci cun olución cingulada an e io pa icipa
en el con ol de los aspec os mo o es de la isa, mien as que la ap eciación del humo in oluc a a la co eza
p e on al en omedial. Las exp esiones genuinas de emoción es án con oladas po ci cui os neu onales
especiales. La mejo p ueba de es a a i mación la apo an los sínd omes complemen a ios de pa álisis acial
in encional y pa álisis emocional. Las pe sonas con pa álisis acial emocional pueden mo e los músculos
aciales de o ma olun a ia, pe o no en espues a a una emoción; mien as que las pe sonas con pa álisis
acial in encional mues an los sín omas opues os. Además, la mi ad izquie da del os o de las pe sonas (al
igual que en los p ima es) suele se más exp esi a que la de echa.
1.3.2 Clasi icación de las emociones
Resul a di ícil clasi ica las múl iples eo ías de la emoción desde c i e ios gene ales [
8
]. Plu chik (1980),
po ejemplo, op a po p esen a un esquema de las o ien aciones eó icas clásicas al que añade o os g upos o
ca ego ías más ac uales. Las cua o g andes adiciones eó icas según Plu chik, son:
20 Capí ulo 1. In oducción
1.4 Fisiología del es és
El es és se de ine como un es ímulo pun ual, ag esi o o no, pe cibido como amenazan e pa a la homeos asis.
Selye (1955) habla de eacción de ala ma. El es és ac i a un conjun o de eacciones que implican espues as
conduc uales y isiológicas (neu onales, me abólicas y neu oendoc inas) que pe mi en al o ganismo espon-
de al es eso de la mane a más adap ada posible [10].
El o ganismo siemp e se encuen a en un es ado de es és mínimo que, an e de e minadas si uaciones, se
inc emen a pudiendo p oduci un e ec o bene icioso o nega i o, dependiendo de si la eacción del o ganismo
es su icien e pa a cub i una de e minada demanda o és a "supe a" a la pe sona. Es e ni el de equilib io
depende á de ac o es indi iduales (disposición biológica y psicológica) de las dis in as si uaciones y expe-
iencias.
Un de e minado g ado de es és es imula el o ganismo y pe mi e que és e alcance su obje i o, ol iendo
a la no malidad cuando el es ímulo ha cesado. Po ejemplo, cuando un a le a in en a consegui un buen
esul ado en una compe ición, es á some ido a un es és que implica un aumen o de la ac i idad muscula
(más i igación, el co azón la e más ápido, e c.) lo que ayuda á a alcanza el éxi o y consegui su obje i o.
Una ez inalizada las p uebas a lé icas, se p oduce un descenso de las cons an es del o ganismo y uel e a
su es ado basal.
Cuando se man iene la p esión y se en a en el es ado de esis encia, las pe sonas empiezan a ene una
sensación de discon o ( ensión muscula , palpi aciones, e c). Si con inúa el es eso , se llega al es ado
de ago amien o, con posibles al e aciones uncionales y/u o gánicas: son las llamadas "en e medades de
adap ación". Es os sín omas son pe cibidos como nega i os po las pe sonas y p oducen p eocupación, lo
que a su ez ag a a los sín omas c eando así un bucle.
1.4.1 Fisiología del es és
La espues a isiológica es la eacción que se p oduce en el o ganismo an e los es ímulos es eso es. An e
una si uación de es és, el o ganismo iene una se ie de eacciones isiológicas que suponen la ac i ación del
eje hipo isiosup a enal y del sis ema ne ioso au ónomo.
El eje hipo isiosup a enal (HSP) es á compues o po el hipo álamo, es uc u a ne iosa si uada en la base
del ce eb o que ac úa de enlace en e el sis ema endoc ino y el sis ema ne ioso, la hipó isis, glándula si uada
asimismo en la base del ce eb o, y las glándulas sup a enales, que se encuen an sob e el polo supe io de
cada uno de los iñones y que es án compues as po la co eza y la médula.
Ambos sis emas p oducen la libe ación de ho monas, sus ancias elabo adas en las glándulas que, anspo -
adas a a és de la sang e, exci an, inhiben o egulan la ac i idad de los ó ganos [11].
Eje hipo isiosup a enal
Se ac i a an o con las ag esiones ísicas como psíquicas y, al ac i a se, seg ega la ho mona CRF ( ac o
libe ado de co ico opina), que ac úa sob e la hipó isis y p o oca la sec eción de la ho mona adenoco -
ico opa (ACTH). Es a sec eción incide sob e la co eza de las glándulas sup a enales, dando luga a la
p oducción de co icoides que pasan po el o en e ci cula o io y p oducen múl iple incidencia o gánica.
Los co icoides, ho monas pe enecien es al g upo de los es e oides (ho monas necesa ias pa a el co ec o
uncionamien o del o ganismo), que se libe an debido a la ACTH son:
•Glucoco icoides
: el más impo an e es el co isol que acili a la exc eción de agua y el man enimien o
de la p esión a e ial; a ec a a los p ocesos in ecciosos y p oduce una deg adación de las p o eínas
in acelula es. Tiene, asimismo, una acción hipe glucemian e (aumen a la concen ación de glucosa en
sang e) y se p oduce un aumen o de calcio y os a o libe ados po los iñones y de lípidos.
•And ógenos
: Son las ho monas que es imulan el desa ollo de las ca ac e ís icas secunda ias masculi-
nas y es imulan el aumen o an o de la ue za como de la masa muscula .

1.4 Fisiología del es és 21
Sis ema Ne ioso Au ónomo
Es e sis ema man iene la homeos asis del o ganismo. La ac i ación simpá ica supone la sec eción de
ca ecolaminas, que son:
•
La ad enalina seg egada po pa e de la médula sup a enal, especialmen e en casos de es és psíquico
y de ansiedad.
•
La no ad enalina seg egada po las e minaciones ne iosas simpá icas, aumen ando su concen ación
p incipalmen e es el es és ipo ísico, en si uaciones de al o iesgo o ag esi idad.
Es as ho monas son las enca gadas de pone el cue po en es ado de ale a p epa ándolo pa a hui o lucha .
Son las que pe mi en enlaza el enómeno del es és con los enómenos psico isiológicos de la emoción.
Ambas in e ienen en los siguien es p ocesos:
• Dila ación de las pupilas.
• Dila ación b onquial.
•
Mo ilización de los ácidos g asos, pudiendo da luga a un inc emen o de lípidos en sang e (posible
a e ioescle osis).
• Aumen o de la coagulación.
• Inc emen o en el i mo ca díaco que puede desemboca en una hipe ensión a e ial.
• Vasodila ación muscula y asocons icción cu ánea.
•
Reducción de los ni eles de es ógenos y es os e ona, ho monas que es imulan el desa ollo de
ca ac e ís icas sexuales.
• Inhibición de la sec eción de la p olac ina, que in luye sob e la glándula mama ia.
•
Inc emen o de la p oducción de i oxina, que a o ece el me abolismo gené ico, la sín esis de p o eína,
e c.
Fases del es és
El o igen his ó ico del concep o de es és pa e de las in es igaciones que ealizó Hans Selye en el año 1936
y que die on luga al llamado sínd ome gene al de adap ación.
An e una si uación de amenaza pa a su equilib io, el o ganismo emi e una espues a con el in de in en a
adap a se. Selye de ine es e enómeno como el conjun o de eacciones isiológicas desencadenadas po
cualquie exigencia eje cida sob e el o ganismo, po la incidencia de cualquie agen e noci o llamado
es eso . Se puede de ini , pues, como la espues a ísica y especí ica del o ganismo an e cualquie demanda
o ag esión, an e ag eso es que pueden se an o ísicos como psicológicos. En es e p oceso de adap ación po
pa e del o ganismo se dis inguen las ases de ala ma, adap ación y ago amien o.
Figu a 1.7 Fases es és.
Fase de ala ma
: An e la apa ición de un pelig o o es eso se p oduce una eacción de ala ma du an e la
que baja la esis encia po debajo de lo no mal. Es impo an e esal a que odos los p ocesos que se p oducen
son eacciones encaminadas a p epa a el o ganismo pa a la acción de a on a una a ea o es ue zo. Es a
p ime a ase supone la ac i ación del eje hipo isiosup a enal; exis e una eacción ins an ánea y au omá ica
que se compone de una se ie de sín omas siemp e iguales, aunque de mayo a meno in ensidad:
22 Capí ulo 1. In oducción
• Se p oduce una mo ilización de las de ensas del o ganismo.
• Aumen a la ecuencia ca díaca.
• Se con ae el bazo, libe ándose g an can idad de glóbulos ojos.
•
Se p oduce una edis ibución de la sang e, que abandona los pun os menos impo an es, como la piel
(palidez) pa a acudi a los músculos, ce eb o y co azón que son las zonas de acción.
• Aumen a la capacidad espi a o ia.
• Se p oduce una dila ación de las pupilas.
• Aumen a la coagulación de la sang e.
• Aumen a el núme o de lin oci os (células de de ensa).
Fase de esis encia o adap ación
: En ella el o ganismo in en a supe a , adap a se o a on a la p esencia
de los ac o es que pe cibe como una amenaza o del agen e noci o y se p oducen la no malización de los
ni eles de co icoides eniendo luga una desapa ición de la sin oma ología.
Fase de ago amien o
: Ocu e cuando la ag esión se epi e con ecuencia o es de la ga du ación, y cuando
los ecu sos de la pe sona pa a consegui un ni el de adap ación no son su icien es dándose una al e ación de
los ejidos de la piel y apa ece la pa ología llamada psicosomá ica.
Modelo biopsicosocial
Es e modelo elaciona una si uación de e minada y la i encia de es a si uación, con las consecuencias
isiológicas expues as has a aho a y p opo ciona una es a egia pa a localiza ac o es ambien ales es esan es
y analiza sus consecuencias en el aspec o indi idual. Se ha is o como an e cualquie si uación que se
econoce (p oceso cogni i o) da señales de la co eza ce eb al al hipo álamo y, ía el sis ema ne ioso
au ónomo, a la médula de las glándulas sup a enales, que esponden libe ando ad enalina y no ad enalina,
las llamadas ho monas del es és, es as ho monas mo ilizan el cue po y hacen lucha o hui ( igh o ligh ).
Cuando la si uación p oduce sen imien os de dis és o desampa o, el ce eb o en ía ambién mensajes al
có ex de los sup a enales, que seg ega o a ho mona del es és: el co isol, que iene un papel impo an e en
el sis ema inmunológico. Es o es más complejo e incluye la libe ación de ACTH de la glándula pi ui a ia.
Los es udios expe imen ales basados en es a eo ía han pe mi ido iden i ica dos ca ac e ís icas especí icas
de los p ocesos de abajo en unción de la pe cepción que se enga del abajo o de la ac i ud an e el mismo:
posi i a (eu és) o nega i a (dis és) y en elación al con enido de la a ea: ac i idad o pasi idad.
•Es ue zo y eu és
: En es e g upo se incluyen a las pe sonas que desa ollan un ipo de abajo de
g an con ol pe sonal, c ea i idad y muy dedicados a su abajo. En es e caso, se p oduce un aumen o
de sec eción de ca ecolaminas, y el co isol se halla muy bajo o inexis en e. Se encuen an en es e
g upo, po ejemplo, emp esa ios, a is as, cien í icos, a esanos, e c., pues en es e ipo de p o esiones
se suelen ealiza abajos con un al o g ado de au ocon ol y au onomía.
•No es ue zo y eu és
: La no ac i idad se acep a como algo posi i o, dándose un descanso de cue po y
men e.
•Es ue zo y dis és
: En aquellos abajos que implican ele adas exigencias de p oducción, pe o en los
que la pe sona iene un bajo con ol de la si uación.
•Poco es ue zo y dis és
: pe sonas sin empleo y en abajos muy coe ci i os, en los que la pe sona
iene muy poca o ninguna au onomía. Acompañado de una g an libe ación de co isol.
1.5 Bioseñales
En es e apa ado se p esen a á el es udio de las señales elec odé micas y la elación con el sis ema ne ioso
y con las dis in as eo ías de las emociones, las cuales se u iliza án en los senso es empleados en el abajo.
1.5 Bioseñales 23
Una señal es un medio de ansmisión de in o mación, cuya adquisición pe mi e ob ene in o mación
sob e la uen e que gene ó. En el caso de las bioseñales, las uen es son los di e en es sis emas isioló-
gicos del o ganismo. Pa a medi po enciales bioeléc icos es necesa io un ansduc o capaz de con e i
po enciales y co ien es iónicas en po enciales y co ien es eléc icas. Un ansduc o de es e ipo cons a
de dos elec odos que miden la di e encia de po encial iónico en e los pun os de aplicación espec i os.
Aunque en ocasiones se pueden hace medidas de po enciales de acción indi iduales, dichas medidas
son di íciles ya que exigen una colocación p ecisa de un elec odo. La o ma más común de medida de
biopo enciales es el e ec o combinado de una g an can idad de po enciales de acción al como apa ecen
en la supe icie del cue po, o en uno o más de los elec odos inse ados en un músculo, ne io o zona ce eb al.
1.5.1 Elec oca diog ama
Los biopo enciales gene ados po los músculos del co azón p oducen el elec oca diog ama (ECG). El
co azón se encuen a di idido en cua o cáma as, las dos supe io es o au ículas es án sinc onizadas pa a
ac ua jun as y de o ma análoga, las dos in e io es o en ículos.
La au ícula de echa ecibe la sang e de las enas del cue po que se bombea hacia el en ículo de echo que,
a su ez, la bombea a los pulmones pa a su oxigenación. La sang e en iquecida con oxígeno pasa a la au ícula
izquie da que la bombea al en ículo izquie do y és e la bombea a las a e ias pa a que ci cule po odo el
cue po. Dado que los en ículos se enca gan del bombeo de la sang e a los asos, los músculos en icula es
son mucho mayo es y más impo an es que los de las au ículas. Pa a que el sis ema ca dio ascula uncione
adecuadamen e, odas las cáma as del co azón deben unciona con una in e elación empo al exac a.
Cada po encial de acción en el co azón se o igina ce ca del ex emo supe io de la au ícula de echa en un
pun o denominado ma capasos o nódulo sinoau icula . El ma capasos es un g upo de células especializa-
das que gene an espon áneamen e po enciales de acción a un i mo egula , aunque con olado po ine ación.
Pa a inicia el la ido el po encial de acción gene ado po el ma capasos se p opaga en odas las di ecciones
a lo la go de la supe icie de ambas au ículas. El en e de onda de ac i ación iaja pa alelo a la supe icie de
las au ículas hacia la unión de las au ículas y los en ículos. La onda e mina en un pun o ce ca del cen o
del co azón que se denomina nódulo au iculo en icula . En es e pun o, unas ib as ne iosas ac úan como
línea de e a do pa a log a una empo ización adecuada en e la acción de las au ículas y los en ículos.
Una ez que la exci ación eléc ica ha a a esado la línea de e a do, se inician po enciales de acción en
la muscula u a de los en ículos, sin emba go, el en e de onda no sigue a lo la go de la supe icie sino
pe pendicula a ella y se mue e desde el in e io hacia el ex e io de la pa ed en icula , e minando en la
pun a o ápice del co azón. La onda de despola ización a seguida de una onda de epola ización de unos
0,2 a 0,4 s. Es a epola ización no se inicia pa iendo de células muscula es ecinas, sino que se p oduce al
ol e cada célula a su po encial de acción de o ma independien e.
Figu a 1.8 Fo ma de onda del ECG.
24 Capí ulo 1. In oducción
1.5.2 Elec oence alog ama
La ep esen ación egis ada de los po enciales bioeléc icos gene ados po la ac i idad neu onal del ce eb o
se denomina elec oence alog ama, el cual iene una o ma muy compleja y las o mas de onda a ían con la
si uación de los elec odos de medida sob e la supe icie de la cabeza.
Los po enciales EEG medidos en la supe icie del cue o cabelludo ep esen an en ealidad el e ec o
combinado de los po enciales neu onales de una egión amplia de la co eza y de dis in os pun os in e io es.
Una pe sona despie a, a en a, p esen a un EEG de al a ecuencia y asínc ono. Po o o lado, una pe sona
a igada p oduce una ac i idad í mica en o no a 8-13 Hz.
La ecuencia EEG es á a ec ada po la ac i idad men al de una pe sona. El con enido de las ecuencias
de la señal EEG es de g an impo ancia. Además son de g an in e és las elaciones de ase en e señales EEG
simila es de di e en es pun os del ce eb o. O o ipo de medida EEG es la espues a e ocada. Se a a de una
medida de la al e ación de la señal EEG p oducida median e un es ímulo ex e no ácilmen e epe ible.
1.5.3 Elec omiog ama
Los po enciales bioeléc icos asociados con la ac i idad muscula cons i uyen el elec omiog ama (EMG).
Se pueden medi en la supe icie del cue po ce ca del músculo de in e és o di ec amen e en el músculo
a a esando la piel con elec odos de aguja. Dado que la mayo ía de las medidas EMG se p oponen ob ene
una indicación de la ac i idad de un músculo de e minado o un g upo de músculos más que de una ib a
muscula indi idual la señal es una suma de po enciales de acción indi iduales de las ib as que cons i uyen
el músculo o músculos donde se mide.
Los elec odos de EMG ecogen po enciales de odos los músculos den o de su alcance. Es o signi ica
que los po enciales de músculos g andes ce canos pueden in e e i con los in en os de medi el EMG de
músculos pequeños, aún cuando los elec odos se coloquen di ec amen e sob e los músculos pequeños. La
ampli ud de la o ma de onda EMG medida es la suma ins an ánea de odos los po enciales gene ados en un
mismo ins an e. Dado que es os po enciales de acción se p oducen an o con pola idades posi i as como
nega i as en un pa de elec odos de e minado, a eces se suman y a eces se cancelan. De es e modo, la
señal EMG se pa ece a un uido alea o io, siendo la ene gía de la señal unción de la can idad de ac i idad
muscula y de la si uación de los elec odos [12].
1.5.4 Respues a Gal ánica de la Piel
La unción de las glándulas sudo ípa as ec inas se encuen a some ida a la egulación de la empe a u a
co po al. La ía a e en e pa e de di e sos e mo ecep o es (cu áneos e hipo alámicos) que emi en impulsos
a a és de la médula espinal y el álamo hacia el hipo álamo, cen o donde se in eg an las señales senso iales.
La sudo ación ambién iene un componen e de con ol emocional (sudo ación emocional) egulado po el
có ex cingulado an e io y el sis ema límbico.
Las ías e e en es de las glándulas sudo ípa as pe enecen exclusi amen e al sis ema simpá ico, cuyo neu-
o ansmiso es la ace ilcolina, a di e encia de la mayo ía de las amas simpá icas que u ilizan no ad enalina.
Po lo an o, son exclusi amen e simpá ico coliné gicas.
Cuando en una zona supe icial de las glándulas sudo ípa as se aplica un pequeño ol aje median e un
senso de ace o inoxidable, se c ea una co ien e debida a la eacción elec oquímica. Con es a baja ensión,
el es a o có neo ac úa como un condensado y sólo pe mi e la ansmisión de iones de sudo . Es o asegu a
que la co ien e medida (conduc ancia) se co esponda exclusi amen e a la unción de sudo ación. Es a
medida ambién se llama espues a gal ánica de la piel (Gal anic Skin Response) y se mide en mic osiemens
µS.
1.5.5 O os po enciales bioeléc icos
Se pueden ob ene del o ganismo o as señales eléc icas, aunque la mayo pa e de ellas son a iaciones
especiales del EEG, EMG o enes de dispa o ne ioso.
1.5 Bioseñales 25
Figu a 1.9 Capas de la piel.
El elec ooculog ama, EOG, es una medida de las a iaciones del po encial có nea- e ina en unción de la
posición y mo imien o del ojo. Es os po enciales bioeléc icos se di e encian en su ango ecuencial en sólo
unos Hz.

26 Capí ulo 1. In oducción
1.6 Senso es Biomé icos
Como se ha is o en la sección an e io , exis en di e en es mé odos a la ho a de es udia la espues a del
o ganismo an e es ímulos a ios. Sin emba go, no odos los p ocedimien os pe mi en ob ene los pa áme os
de ac i ación (a ousal), así como, el g ado de place o displace ( alence). Los equipos pa a medi és os son
los expues os en es a sección:
1.6.1 Elec oca dióg a o
Es e apa a o si e pa a moni o iza la ac i idad eléc ica y muscula del músculo ca díaco [
13
] omando mues-
as cada cie o pe íodo de iempo. Una máquina de medición ECG puede in e p e a la siguien e in o mación:
• In o mación sob e la ecuencia y i mo de los la idos del co azón.
• Conoce el amaño del co azón y la posición de las dis in as cáma as.
• Salud del músculo ca díaco y la espues a eléc ica na u al del mismo.
•
Comp oba los e ec os que p o oca una de e minada medicación en el co azón, así como, de ec a
posibles ano malidades causadas po o as condiciones.
Es e apa a o de medición da a de p incipios del siglo pasado y debe su in ención al ísico alemán Wi-
llem Ein ho en, po el cual en 1924 le o o ga on el P emio Nobel de Fisiología. La e sión ac ual de la
máquina in en ada po Ein ho en iene di e en es amaños llegando incluso a se áciles de anspo a y con
uncionalidades di e sas como la posibilidad de uso sin cables, los elec odos conec ados a la piel no an
di ec amen e a la máquina, o el almacenamien o de da os en una memo ia in e na.
Pa a la medición se u ilizan del o den de 12 caminos de conducción colocados en pa es del cue po
de inidas y dados po la colocación de 10 elec odos. Con es e mé odo se ob iene una pe spec i a de la
ac i idad del co azón desde di e en es ángulos a a és de dos planos eléc icos, el ho izon al y e ical. El
plano ho izon al iene de e minado po 6 elec odos colocados en el pecho, mien as, pa a el e ical se
u lizan 4 posicionados en las ex emidades.
El iángulo de Ein ho en pe mi e explica los 6 caminos de conducción cuando se ienen solamen e cua o
elec odos colocados en las ex emidades. El p incipio des ás del iángulo de Ein ho en desc ibe como los
elec odos RA (b azo de echo), LA (b azo izquie do) y LL (pie na izquie da) g aban la in o mación ca díaca
de los ec o es aVR (augmen ed Vec o Righ ), aVL (augmen ed Vec o Le ), aVF (augmen ed Vec o Foo )
y de los caminos I, II y III. Como esul ado, se o ma un iángulo equilá e o.
Figu a 1.10 T iángulo de Ein ho en.
1.6 Senso es Biomé icos 27
1.6.2 Equipos pa a la medición de la ac i idad ce eb al
Los es equipos más comunes a la ho a de ecoge la ac i idad del ce eb o son: el elec oence alog ama
(EEG), esonancia magné ica ( MRI) y magne oence alog ama (MEG). De es os mé odos el mejo elación
cos e e iciencia es el elec oence alog ama.
EEG
: Se mide la ac i idad eléc ica de a ias capas del có ex ce eb al. Cuando una g an can idad de
neu onas se ac i an en pa ones sinc onizados, se gene a una ac i idad que es adiada a a és del cue o
cabelludo, lo cual se mide con los elec odos. Las señales necesi an se ampli icadas, y se compa an con una
de e minada e e encia. EEG ep esen a siemp e un inc emen o o dec emen o ela i o de la elec icidad en
una localización especí ica. Los cambios eléc icos ocu en muy ápido, po lo que EEG ob end á in o ma-
ción con mucha esolución (p óximos a mues as cada milisegundo). EEG pe mi e almacena los p ocesos
ce eb ales que ocu en as un es ímulo isual o audi i o (apa ecen p ocesos ce eb ales 50-100 ms después
de la pe cepción del es ímulo).
MRI
: La esonancia magné ica es un p ocedimien o de neu oimagen que mide la ac i idad ce eb al en
unción de los lujos de sang e. Debido a que los lujos de sang e son len os, MRI p esen a unos iempos
de esolución meno que o os mé odos. Po o o lado, pese su meno esolución se iene un excelen e
conocimien o espacial.
Típicamen e, los encues ados ienen que pe manece inmó iles en el cen o de una máquina la cual dispone
de un supe conduc o magné ico que o a a al a ecuencia al ededo del cue po. MRI mide los cambios en
el campo magné ico debido a la di e encia en e la sang e ica o baja en oxígeno lo que mues a la acción
ela i a de cada egión del ce eb o. Se pueden c ea imágenes espaciales del ce eb o con g an p ecisión, y
econs ui la o ma de las di e en es capas co icales.
MEG
: magne oence alog a ía, es a écnica ecoge los campos magné icos gene ados po la ac i idad
neu onal. Los equipos MEG son simila es a los MRI, po lo que los encues ados necesi an pe manece
inmó il du an e la ealización de la p ueba. Las mediciones MEG no malmen e se ealizan en una cáma a
blindada pa a e i a in e e encias magné icas del ex e io . La g an en aja de es e mé odo es que MEG
combina la al a p ecisión del EEG con la al a p ecisión en el espacio de MRI. Es a imagen inal da idea
sob e las pa es del ce eb o que es án ac i as.
1.6.3 Equipos pa a la medición de la espues a gal ánica
La obse ación de la sudo ación de la piel equie e un equipamien o básico, siendo es a écnica no in asi a
pa a la pe sona u ilizando dos elec odos en la piel. Es e mé odo es más cómodo de u iliza pa a los encues-
ados compa ados con o os mé odo de neu oimagen como MRI o EEG, donde las ases de calib ación y
p epa ación son esenciales.
Los senso es GSR ienen un amaño de 1 cm
2
ab icados en AgCl y colocados en un b oche de p esión
eu ilizable o en un pa che. Es e úl imo equie e un gel conduc o pa a mejo a la conduc i idad en e la piel
y el elec odo. El p ocedimien o es [14]:
1. Coloca dos elec odos en localizaciones que espondan a cambios emocionales.
2. Aplica un ol aje cons an e.
3. Medi la di e encia de ol aje en e dos elec odos.
4. Expo a los esul ados asociados a la conduc ancia de la piel.
Pese a exis i glándulas sudo ípa as p esen es en odo el cue po, cie as zonas son más p opensas a e leja
los cambios como la palma de la mano, los dedos o plan a del pie. Pa a ga an iza la p ecisión de las
mediciones el senso necesi a es a colocado du an e odo el p oceso, y en la misma posición pa a odos los
encues ados, así como ene la supe icie de la piel co ec amen e limpia y seca.
La señal GSR consis e en dos componen es di e enciadas: Ni el de conduc ancia de la piel, e e ido al
ni el ónico ( espues as isiológicas len as) que a cambiando en unción de la hid a ación del encues ado y
egulación indi idual, y espues a conduc i a de la piel, con ola la espues a ásica ( elacionado con cambios
28 Capí ulo 1. In oducción
ápidos) median e el núme o de picos y ampli ud de es os. La in o mación p opo cionada po la ase ónica
es p ac icamen e i ele an e en e a la ob enida po la pa e ásica.
1.7 Machine Lea ning 29
1.7 Machine Lea ning
Has a aho a en el abajo se ha expues o odo lo necesa io pa a comp ende el mé odo empleado desde
el pun o de is a isiológico, las eo ías psicológicas elacionadas con es e campo de in es igación y los
equipos que exis en a la ho a de medi el compo amien o del o ganismo a los es ímulos, en el siguien e
índice se exponen los algo i mos empleados pos e io men e en la p ueba expe imen al. Ac ualmen e, los
concep os de Machine Lea ning y Big Da a es án eniendo g an epe cusión debido al auge de las ciencias de
la in o mación y a la digi alización de p ac icamen e odas las a eas ealizadas po el se humano.
Machine Lea ning es una o ma de in eligencia a i icial que habili a a un sis ema a ap ende de los
da os en luga de ene una unción implemen ada explíci amen e [
15
]. Machine Lea ning puede u iliza
a ios algo i mos pa a ap ende de mane a i e a i a a pa i de los da os con el obje i o de i mejo ando y
consegui mejo es p edicciones en las salidas. La salida de un modelo de Machine Lea ning es la gene ada
cuando se en ena el modelo a pa i de los da os. Después del en enamien o, si al modelo se le p opo cio-
na una en ada, és e p edeci á la salida. Los complejos algo i mos pueden se au omá icamen e ajus ados
basados en ápidos cambios de las a iables, como los da os de un senso , el iempo, da os clima ológicos, e c.
Sin emba go, es os concep os no son nue os. El campo de la in eligencia a i icial da a de la década de los
años 50 y el concep o de ap endizaje au omá ico ue explicado en la Jou nal o Resea ch and De elopmen
en 1959. Con las décadas, las écnicas de in eligencia a i icial han sido ampliamen e u ilizadas pa a mejo a
la espues a del código subyacen e.
Figu a 1.11 Clasi icación In eligencia A i icial.
Exis en di e en es e siones sob e Machine Lea ning las cuales se di e encian en el ipo y can idad de da os:
•Supe ised Lea ning
: El mé odo de ap endizaje supe isado comienza con una can idad de da os
ijada y una cie a co espondencia de como se clasi ican dichos da os. Es e mé odo in en a encon a
pa ones a pa i de los da os pa a se aplicados a p ocesos de análisis. Los da os se e ique an con
ca ac e ís icas, las cuales de inen el signi icado de los da os. Po ejemplo, se pod ía ene millones
de imágenes de animales las cuales con u ie an una explicación sob e el ipo de animal y, a pa i
de los algo i mos de Machine Lea ning, pode dis ingui un animal en e a o o. Cuando la e ique a
es con ínua es o se conoce como eg esión y cuando los da os p oceden de un conjun o ini o de
elemen os se conoce como clasi icación. En esencia, eg esión u ilizada en supe ised lea ning ayuda
a en ende la co elación exis en e en e las a iables. Un ejemplo de es e ipo de ap endizaje es el
p onós ico del iempo.
Ocasionalmen e, los pa ones que son iden i icados en una subca ego ía de los da os pueden no se
de ec ados sob e el conjun o de odos los da os. Se puede p oduci o e i ing (sob eajus e) cuando se
en ena en exceso el algo i mo de ap endizaje con unos cie os da os los cuales se conoce el esul ado.
Sin emba go, cuando un sis ema se en ena con da os ex años el algo i mo de ap endizaje puede
36 Capí ulo 1. In oducción
ed neu onal no es dis in o del en enamien o de cualquie unción pa amé ica de un modelo de p edicción,
odo lo que se necesi a es:
• Un conjun o de pun os pa a en ena el modelo.
• Una unción de cos es.
• Una es a egia de i e ación, como po el ejemplo el g adien e descen e.
Un p ime paso pa a desa olla un algo i mo p ác ico pa a el en enamien o de la ed neu onal es eemplaza
la unción de ac i ación de Hea iside ec. 1.9 po una unción di e enciable ap oximación de és a.
Función sigmoide: la unción logís ica sigmoide es:
(z) = σ(z) = 1
1+exp(−az)(1.10)
Cuan o mayo es el alo del pa áme o ase ap oxima a la unción de Hea iside.
Figu a 1.16 Función sigmoide.
O a opción es u iliza la unción a co angen e hipe bólica con dos pa áme os de con ol. Es a unción es
an isimé ica. La exp esión es:
(z) = a anh(cz
2)(1.11)
Es a egia G adien e descenden e
: es el algo i mo de en enamien o más simple y ambién el más ex endido
y conocido [
20
]. Se a a de un mé odo de p ime o den ya que solo u iliza el ec o g adien e. En es e
mé odo pa a cons ui el pun o
ωi+1
a pa i de
ωi
se aslada es e pun o en la di ección de en enamien o
di=−gi.Es deci :
ωi+1=ωi−giνi(1.12)
Donde el pa áme o
ν
se denomina asa de en enamien o, que puede ija se a p io i o calcula se median e
un p oceso de op imización unidimensional a lo la go de la di ección de en enamien o pa a cada uno de
los pasos. Pese a la sencillez del algo i mo iene el incon enien e de que pa a unciones con alles la gos y
es echos ( e i iéndose a las cu as de ni el de la unción) equie en muchas i e aciones. Es o se debe a que
aunque la di ección elegida es en la que la unción de e o disminuye más apidamen e, es o no signi ica
que necesa iamen e p oduzca la con e gencia ápida.

1.7 Machine Lea ning 37
Po an o, es el algo i mo ecomendado cuando enemos edes neu onales muy g andes, con muchos miles
de pa áme os, almacenándose solo el alo del ec o g adien e (de amaño
n
) en luga de la ma iz Hessiana
(de amaño n2).
Mé odo de New on
: El mé odo de New on hace uso de la ma iz Hessiana y iene como obje i o encon a
las mejo es di ecciones de a iación de los pa áme os haciendo uso de las de i adas segundas de la unción
de e o . Pa a ello, se hace uso de un desa ollo de Taylo de o den 2 de
, que se puede ap oxima po
al ededo del conjun o inicial de pa áme os, ω0donde H0es el hessiano en ese pun o:
(w) = 0+g0(ω−ω0)+ 1
2(ω−ω0)2H0(1.13)
Si se iene en cuen a que gdebe se 0 pa a el mínimo de se iene:
g(w) = g0+H0(ω−ω0) = 0 (1.14)
Po lo que, pa iendo de un ec o de pa áme os
ω0
, el mé odo de New on pe mi e gene a la sucesión de
pa áme os de la siguien e o ma:
ωi+1=ωi−H−1
igi(1.15)
Po las condiciones impues as, pod ía ocu i que la sucesión de pa áme os ienda a un máximo en luga
de a un mínimo. Po lo que no se ga an iza la educción del e o en cada i e ación. Pa a e i a es e p oblema,
se modi ica la ecuación an e io :
ωi+1=ωi−(H−1
igi)ν(1.16)
El algo i mo seguido po es e mé odo ob iene p ime o la di ección de en enamien o y pos e io men e una
elocidad de en enamien o adecuada. En gene al, el mé odo de New on equie e menos pasos que el de
Descenso del G adien e pa a encon a el mínimo de la unción de e o . Sin emba go, iene el incon enien e
de que el cálculo del Hessiano y su in e sa iene un cos e compu acional ele ado.
G adien e conjugado
: Es e mé odo se conside a como uno in e medio en e el Descenso del G adien e y el
mé odo de New on. Tiene el obje i o de acele a la con e gencia y a la ez e i a los ecu sos de compu ación
asociados a la e aluación, almacenamien o y cálculo de la in e sa de la ma iz Hessiana.
En es e algo i mo de en enamien o la búsqueda se ealiza a lo la go de di ecciones conjugadas, lo que
no malmen e p oduce una con e gencia más ápida que las di ecciones ob enidas con el Descenso del
G adien e. Dos di ecciones,
u
y
se dicen conjugadas espec o de una ma iz
A
si
uTA =0
. En es e caso se
conjugan con espec o a la ma iz Hessiana
H
. El mé odo del G adien e Conjugado cons uye una sucesión
de di ecciones de en enamien o dada po :
di+1=gi+1+diγi(1.17)
Donde
γ
se denomina pa áme o conjugado el cual exis en di e en es mane as de calcula lo. Independien-
emen e de la o ma, la di ección de en enamien o se es ablece pe iódicamen e a la nega i a del g adien e
pa a e i a acumulación de e o es en las ap oximaciones.
Los alo es de los pa áme os de la unción se calculan en onces como:
ωi+1=ωi+diν(1.18)
Es e mé odo es ecomendable cuando se ienen edes neu onales muy g andes, ya que no equie e cálculo
del Hessiano.
Mé odo Cuasi-New on
: El mé odo de New on equie e g an ca ga compu acional, po lo que son necesa ias
al e na i as pa a e i a el cálculo de la ma iz Hessiana así como su in e sa. En es e mé odo, en luga de
calcula lo comen ado an e io men e se cons uye una ap oximación de la in e sa en cada i e ación u ilizando
sólo in o mación sob e las p ime as de i adas de la unción e o . Llamando a es a ap oximación
Gi
, la
ó mula se exp esa como:
ωi+1=ωi−(Gigi)ν(1.19)
38 Capí ulo 1. In oducción
Es e mé odo es el po de ec o usado en la mayo ía de los casos, ya que es más ápido que los an e io es.
Algo i mo Le enbe g-Ma qua d
: Conocido ambién como el mé odo de mínimos cuad ados amo iguado
diseñado pa a abaja especí icamen e con unciones de e o que se exp esan como suma de e o es
cuad á icos. En luga de calcula la ma iz Hessiana usa el ec o g adien e y la ma iz Jacobiana. Suponiendo
la unción de e o como:
(ω) =
m
∑
i=0
e2
iω(1.20)
Donde m es el conjun o de da os de en enamien o y
ei
el e o que se come e en la i e ación i-ésima.
La ma iz jacobiana de la unción de e o se calcula como la o mada po las de i adas de los e o es con
espec o a los pa áme os:
Ji j(ω) = ∂ei
∂ωj
,donde i =1,...,m y j =1,...,n(1.21)
El ec o g adien e de la unción de e o se calcula como:
∇ =2JTe(1.22)
Finalmen e, el Hessiano se puede ap oxima po (donde
λ
es el ac o de amo iguamien o que asegu a la
posi i idad del Hessiano e Ila ma iz iden idad):
H≈2JTJ+λI(1.23)
A pa i de las igualdades an e io es se de ine el p oceso de mejo a de pa áme os con el algo i mo de
Le enbe g-Ma qua d :
ωi+1=ωi−(JT
iJi+λiI)−1(2JT
iei)(1.24)
Cuando
λ=0
se ob iene el mé odo de New on u ilizando el Hessiano ap oximado. Si
λ
es g ande, se
con ie e en el algo i mo de Descenso del G adien e con una asa de en enamien o pequeña. Po ello,
λ0
se
inicializa pa a que sea g ande de modo que la p ime as ac ualizaciones sean pequeños pasos en la di ección
de descenso del g adien e. Si alguna i e ación gene a un allo, en onces
λ
se inc emen a po un ac o , si
no, a medida que disminuye el e o ,
λ
disminuye de mane a que el algo i mo de Le enbe g-Ma qua d se
ap oxima al mé odo de New on. Es e p oceso acele a la con e gencia al mínimo.
Es e algo i mo es un mé odo adap ado pa a unciones de un ipo pa icula , lo que hace que sea muy
ápido cuando se en enan edes neu onales medidas con es e ipo de e o es. No obs an e, ambién p esen a
des en ajas como la in alidez a la ho a de aplica se a unciones de e o que engan exp esiones dis in as.
También, pa a conjun os de da os y edes neu onales muy g andes, la ma iz jacobiana se hace eno me
equi iendo mucha memo ia. En consecuencia, el algo i mo de Le enbe g-Ma qua d no se ecomienda
cuando enemos g andes conjun os de da os y/o edes neu onales con mucha memo ia.
Figu a 1.17 Compa ación algo i mos edes neu onales.
1.7 Machine Lea ning 39
Análisis Disc iminan e Lineal
Es e mé odo lineal es la écnica de clasi icación ideal cuando se ienen más de dos clases y se u iliza debido
a las limi aciones de la unción logís ica, ap a solo pa a unciones con dos clases, baja calidad con poco
ejemplos o clases muy di e enciadas.
Rep esen ación de modelos LDA: Es o es bas an e di ec o. Consis e en las p opiedades es adís icas de
los da os calculados pa a cada clase. Pa a una simple en ada
x
es o puede se la media o a ianza de las
a iables de cada clase, en caso de ene múl iples a iables se hace con la ma iz de co a ianza. Es os
pa áme os es adís icos son calculados a pa i de los da os e in oducidos en las ecuaciones LDA pa a
ealiza p edicciones.
LDA ealiza algunas suposiciones sob e los da os:
• Los da os siguen una dis ibución Gaussiana.
•
Cada a ibu o iene la misma a ianza, los alo es de cada a iable a ían sob e la media pe o odos de
la misma mane a.
LDA ealiza p edicciones es imando la p obabilidad que el nue o conjun o de en adas pe enezca a una
clase. La clase que iene la mayo p obabilidad es la clase de salida y, po an o, la p edicción es á hecha. Se
u iliza el eo ema de Bayes pa a es ima p obabilidades. El eo ema de Bayes puede usa se pa a e ima la
p obabilidad de una clase de salida
k
dada la en ada
x
usando la p obabilidad de cada clase y la p obabilidad
de que el da o pe enezca a esa clase.
P(Y=k|X=x) = P(k)×P(x|k)
∑K
l=1P(l)×P(x|l)(1.25)
Donde:
•P(Y=k|X=x)es la p obabilidad de la clase Y=kdada la en ada x.
•P(k)es la p obabilidad de que sea la clase k.
•P(x|k)es la p obabilidad de que xpe enezca a la clase k.
• El denominado no maliza pa a cada clase l.
Al u iliza una unción Gaussiana pa a es ima
P(x|k)
y simpli icando se ob iene una unción disc iminan e
pa a ky la clase con el mayo disc iminan e se á la clasi icación de salida Y=k:
Dk(x) = x×mediak
sigma2−media2
k
2×sigma2+ln(P(k)) (1.26)
Dk(x)
es la unción disc iminan e pa a la clase k dad la en ada x, la media, a ianza y
P(k)
, es imado
odo de los da os.
Exis en ex ensiones a los algo i mos LDA como son: Quad a ic Disc iminan Analysis, Flexible Disc iminan
Analysis o Regula ized Disc iminan Analysis.
Á boles de Decisión
Los á boles de clasi icación o eg esión o CART es un é mino in oducido po Leo B einman pa a e e i se
a los algo i mos de á boles de decisión que pueden se usados pa a clasi icación o eg esión en modelos
p edic i os. La ep esen ación del modelo CART se co esponde con á boles bina ios. Los algo i mos con
á boles bina ios se ienen nodos que ep esen an una única en ada y una di isión en dicha a iable. Cada
nodo con iene salidas u ilizadas pa a ealiza la p edicción.
Con la ep esen ación bina ia de es os modelos ealiza p edicciones es ela i amen e di ec o. Dada una
nue a en ada, se eco e el á bol e aluando la en ada especi icada en cada nodo desde la aíz.
C ea un á bol bina io es un p oceso de di isión. Se a a de un p oceso numé ico se ealizan las pa iciones
u ilizando unciones de cos e. La pa ición con el mejo cos e (el meno cos e ya que es o se minimiza) es
seleccionada. Pa a modelos p edic i os de eg esión la unción de cos e que es minimizada pa a elegi la
40 Capí ulo 1. In oducción
Figu a 1.18 Ejemplo LDA.
pa ición idónea es la suma de los cuad ados de los e o es a lo la go del conjun o de da os de en enamien o:
n
∑
i=1
(yi−p ediccioni)2(1.27)
Pa a modelos de clasi icación se u iliza la unción de Gini como unción de cos e y es usada pa a
p opo ciona una indicación de como de desigual son las salidas de cada nodo.
G=
n
∑
k=1
pk×(1−pk)(1.28)
Donde
G
es el cos e de Gini sob e odas las clases, un nodo que u ie a odas las clases del mismo ipo
end ía G=0.
Como c i e io de pa ada el p ocedimien o más común es u iliza un mínimo espec o a los alo es de
en enamien o. Una de las en ajas de es e mé odo es que no necesi a un p ep ocesamien o de los da os.
Naï e Bayes
Es e mé odo es una simple y pode osa he amien a pa a de e mina un modelo p edic i o. Es un algo i mo
de clasi icación pa a clases bina ias o mul iclases. Es una de las écnicas más áciles de en ende cuando
se ienen es e ipo de a iables. El cálculo de las p obabilidades pa a cada hipó esis son simpli icadas pa a
hace sus cálculos más a ables.
Se almacenan una lis a de p obabilidades pa a los modelos ap endidos Naï e Bayes:
• P obabilidad de las clases: las p obabilidades de cada clase del conjun o de en enamien os.
•
P obabilidades condicionadas: las p obabilidades condicionadas de cada alo de en ada dada una
clase.
Es e mé odo ambién puede se ex endido a alo es de los a ibu os eales asumiendo comúnmen e una
dis ibución Gaussiana. Es a ex ensión del modelo se denomina Gaussian Naï e Bayes. Asimismo, o as
unciones se pueden u iliza pa a es ima la dis ibución de los da os, pe o la dis ibución Gaussiana (o
No mal) es la más ácil de abaja ya que sólo se necesi a de e mina la media y des iación es ánda del
conjun o de da os de en enamien o.
1.7 Machine Lea ning 41
Las p obabilidades de nue os alo es de
x
son calculadas u ilizando la unción de densidad de p obabilidad
Gaussiana (
pd
). Cuando se ealiza una p edicción los pa áme os de en ada son añadidos a la unción de
densidad de p obabilidad Gaussiana la cual p opo ciona á una p obabilidad es imada pa a la en ada y una
clase de e minada.
pd (x,media,sd) = 1
√2π×sd ×exp −(x−media)2
2×sd2(1.29)
K-Nea es Neighbo s
Es e mé odo de Machine Lea ning no u iliza un modelo especí ico sino que almacena el conjun o o al de los
da os lo que no equie e un ap endizaje p e io. KNN ealiza p edicciones usando el conjun o de da os de
en enamien o di ec amen e.
Figu a 1.19 Ejemplo algo i mo KNN.
En la igu a1.19 se obse a un ejemplo del algo i mo plan eado. En la imagen se dis inguen dos clases
a
y
o
y un nue o pun o de en ada
c
el cual se quie e de e mina su clase. Se u iliza
k=3
po lo que se
dis inguen en e los es ecinos más p óximos. La ca ego ía de salida se á aquella que enga más can idad
de ecinos p óximos. Exis en di e en es mane as de calcula las dis ancias en e los pun os:
• Dis ancia Euclídea:
dis ance(a,b) = sn
∑
i=1
(ai−bi)2(1.30)
• Dis ancia Hamming: calcula la dis ancia en e ec o es bina ios.
•
Dis ancia Manha an: Calcula la dis ancia eal en e ec o es usando la suma de di e encias absolu as.
dis ance(a,b) =
n
∑
i=1|xi−yi|(1.31)
• Dis ancia Minkowski: Gene alización en e la dis ancia Euclídea y la Manha an.
Suppo Vec o Machines
SVM es una de las écnicas más empleadas de Machine Lea ning desde su desa ollo en la década de
1990. Con es e mé odo se consigue un al o endimien o con pocos ajus es. Pa a pode en ende el algo i mo
seguido po SVM es necesa io comp ende el clasi icado de ma gen máximo. En SVM, un hipe plano es
seleccionado pa a sepa a de la mejo o ma un conjun o de pun os, en dos dimensiones es o puede se

42 Capí ulo 1. In oducción
Figu a 1.20 P ocedimien o SVM.
en endido como una línea que sepa a las dos clases.
La dis ancia en e la línea y los pun os más p óximos se denomina ma gen. La mejo o más óp ima línea
que sepa a las dos clases es aquella que iene mayo ma gen. Dicho ma gen se calcula como la dis ancia
pe pendicula de los pun os más p óximos a la línea. Sólo es os pun os son ele an es en la de inición de la
línea y en la de e minación de los clasi icado es. El hipe plano, po an o, es ap endido del conjun o de da os
de en enamien o usando un p ocedimien o de op imización que maximiza el ma gen en e los pun os.
A la ho a de in oduci los da os se necesi a un p ep ocesamien o inicial:
•
En adas numé icas: SVM asume que los inpu s son núme os. Si se iene a iables ca egó icas es
necesa io con e i las p e iamen e en bina ias.
•
Clasi icación bina ia: El algo i mo SVM básico explicado necesi a p oblemas de clasi icación bina ios.
2 Análisis Expe imen al
En los apa ados p e ios se ha de allado oda la in o mación necesa ia pa a conoce lo que ocu e en el o ga-
nismo de una pe sona cuando eacciona a un es imulo de e minado, lo que se p oduce en el sis ema ne ioso y
de mane a inconscien e has a que se p oduce una eacción, así como los equipos u ilizados pa a medi dichas
eacciones, las eo ías psicológicas elacionadas con las emociones, y inalmen e, los algo i mos de Machine
Lea ning que se pueden u iliza pa a p edeci una salida, la ac i ación o a ousal, a pa i de los inpu s elegidos.
En es e apa ado se ealiza á un análisis a pa i de odo lo an e io has a de e mina una he amien a pa a
de ec a los ni eles de ansiedad en pilo os y abajado es del sec o ae onáu ico pudiéndose implemen a en
cualquie sec o p openso a es e ipo de emociones.
Pa a ello, se ha u ilizado la espues a gal ánica de la piel y las acilidades que p opo ciona p og amas
como Ma lab pa a c ea algo i mos p edic i os.
2.1 Senso GSR
El senso u ilizado se a a de un senso enca gado de medi la esis encia de la piel a la conducción eléc ica
median e dos elec odos los cuales se colocan en la alangina, pa e in e media del dedo, de los dedos índice
y co azón.
Figu a 2.1 Senso GSR u ilizado en las p uebas.
El senso lo dis ibuye la emp esa G o e a un p ecio asequible, sin emba go, es necesa io conec a lo a
un mic ocon olado pa a pode conoce los da os del senso . Las especi icaciones de es e senso son las
siguien es:
43
44 Capí ulo 2. Análisis Expe imen al
Tabla 2.1 Especi icaciones G o e GSR.
Pa áme o Valo /Rango
Ope ación ol aje 3.3V/5V
Sensibilidad Ajus able ia po enciome o
Inpu Resis encia
Ou pu Vol aje
Ma e ial elec odo Nickel
En la p ác ica, pa a ob ene los alo es de esis encia de una pe sona (
Ω
) es necesa io aplica la siguien e
ecuación 2.1 [21]:
Resis encia =(1024+2×En ada)×10000
512−En ada (2.1)
No obs an e, se u iliza án los da os di ec amen e dados po el senso sin necesidad de con e sión pues o
que es indi e en e la magni ud ísica que se mida ya que lo que in e esa son los da os en sí y no el alo
especí ico de es os.
El modelo esquemá ico del senso se obse a en la siguien e imagen 2.2:
Figu a 2.2 Esquemá ico G o e GSR.
El senso se conec a a un mic ocon olado A duino Mega 2560 el cual p esen a las siguien es ca ac e ís i-
cas:
• Mic ocon olado ATmega2560.
• Vol aje de en ada de 7/12V.
• 54 pines digi ales de en ada/salida.
• 16 pines de en ada analógicas.
• 256 kby es de memo ia lash.
• Velocidad de eloj de 16 MHz.
La o ma de conec a el senso a la placa A duino Mega es como sigue:
1. Conec a los elec odos al senso .
2. Conec a el cable ojo a 5V y el g is a GND.
3. Conec a a la en ada A0 los cables e de y ama illo del senso .
2.1 Senso GSR 45
Una ez se ha es ablecido las conexiones pa a conec a lo al o denado se u iliza el pue o se ie del
disposi i o.Po o o lado, se necesi a calib a el senso ajus ando el alo del po encióme o pa a e i a la
sa u ación en el alo de ensión medido. La sensibilidad de és e se ajus a con un o nillo que median e una
esis encia a iable (has a 200kΩ).
An es del p ime uso se ajus a las uel as de es e o nillo has a pode isualiza un alo de 512, haciendo
que en eposo, la medida se encuen e en la posición cen al en el moni o se ie de A duino. Los alo es
es án cuan izados, po lo que sólo se ob ienen alo es en e 0 y 1023.
En la aplicación de A duino debemos implemen a un código pa a ene a pos e io e medidas más iables:
cons in GSR=A0;
in senso Value=0;
in gs _a e age=0;
oid se up(){
Se ial.begin(9600);
}
oid loop(){
long sum=0;
o (in i=0;i<50;i++) //A e age he 10 measu emen s o emo e he gli ch
{
senso Value=analogRead(GSR);
sum += senso Value;
//delay(5);
}
gs _a e age = sum/50;
Se ial.p in ln(gs _a e age);
}
En p ima luga se decla an las a iables a u iliza , necesa io al a a se de p og amación en C. Después se
ab e el pue o se ie con una asa de 9600 baudios o bi s po segundo. Es a elocidad es demasiado ele ada
po lo que se ealiza un bucle en el que se cuen a el alo de 50 mues as y se hace la media de dichos alo es,
downsampling de la señal. Finalmen e, si se ep esen an es os alo es en la aplicación A duino median e la
he amien a Se ial Plo e se iene una g á ica simila a 2.3:
Figu a 2.3 Ejemplo g á ica GSR Se ial Plo e .
52 Capí ulo 2. Análisis Expe imen al
2.3.1 Ma lab: nn ool
Con es e p ocedimien o es muy sencillo calcula una ed neu onal siguiendo los pasos que se indican a
con inuación:
1. Esc ibi nn ool en la en ana de comandos.
2. Selecciona los inpu s y a ge s.
Figu a 2.9 Pasos c eación ed con nn ool.
3. C ea la ed neu onal eligiendo los pa áme os deseados.
• Tipo de ed.
• Da os de en ada y a ge s.
• Función de en enamien o.
• Pe o mance de la unción de en enamien o y núme o de capas.
• Núme o de neu onas en cada capa ocul a y unción de ans e encias (logis ica o angen e).
4. En ena la ed con los da os de en enamien o.
Figu a 2.10 En enamien o de la ed neu onal a i icial.
5. Expo a la ed y los da os de salida, así como los e o es ob enidos.

2.3 Machine Lea ning en Ma lab 53
2.3.2 Ma lab: nns a
Se a a de un p ocedimien o dis in o al an e io donde aho a se pod á elegi en e a ias al e na i as en luga
de simplemen e in oduci los inpu s y a ge s.
Los di e en es mé odos de elección son:
•Fi ing app
: se a a de un mé odo simila al desc i o en la sección an e io . Se in oducen las en adas
y salidas espe adas y se ob iene el modelo p edic i o. Du an e el p oceso se á necesa io ija el núme o
de da os que se u iliza án pa a en ena , y cuán os pa a alida y es ea .
•Pa e n Recogni ion app
: En ena una ed neu onal gene alizando a pa i de en adas y sus clases,
cons uyendo una deep ne wo k usando au oencode s, algo i mo no supe isado que aplica backp opa-
ga ion, ajus ando los alo es obje i os a las en adas.
•Clus e ing
:Con es e p ocedimien o se puede conoce la dis ibución na u al de los da os, las ca ego ías
y elaciona las ca ego ías.
•Time se ies
: Modelo no lineal pa a sis emas dinámicos ealizando p edicciones a pa i de los da os
secuencialmen e.
2.3.3 Classi ica ion Lea ne
Finalmen e, o a de las al e na i as que p opo ciona Ma lab pa a la c eación de algo i mos p edic i os sin
necesidad de c ea un sc ip con las unciones a u iliza pa a cada modelo es la app Classi ica ion Lea ne .
Figu a 2.11 In e az Classi ica ionLea ne p ime os pasos.
Con es a he amien a se puede elegi ácilmen e en e dis in os algo i mos de Machine Lea ning, comp o-
bándose la e ec i idad en la p ecisión de cada uno de ellos desde la misma in e az g á ica. El p ocedimien o
pa a c ea un modelo es:
1. Selecciona el conjun o de da os desde el wo kspace de Ma lab.
2. De e mina los p edic o es y las espues as.
54 Capí ulo 2. Análisis Expe imen al
3. Elegi un mé odo de alidación:
•
C oss alida ion: Selecciona el núme o de di isiones pa a pa iciona el conjun o de da os. Si se
eligen kdi isiones en onces la app:
a) Di ide los da os en g upos de amaño kdesalineados.
b)
Pa a cada g upo de
k
elemen os en ena el modelo con los da os ue a de ese conjun o y lo
e alúa con los elemen os que es án den o de dicho conjun o de amaño k.
•
Holdou alida ion: Selecciona el po cen aje de los da os que se usa á pa a es ea . La app en ena
el modelo con el conjun o de da os de en enamien o y e alua la pe o mance con los da os pa a
es ea . El modelo esul an e se basa sólo en una po ción de los da os, po lo que solamen e es
ecomendable cuando se iene muchos da os.
•
No alida ion: No exis e p o ección en e a o e i ing. La app u iliza odo el conjun o de da os
pa a en ena y compu a el e o con los da os p opios. Sin ningún ipo de es las p edicciones
ob enidas no son ealis as cuando se in oducen nue os da os.
4.
P oba los dis in os algo i mos y comp oba con cual se iene el mayo po cen aje de acie o en la
p edicción
Figu a 2.12 In e az Classi ica ionLeane selección algo i mo.
2.4 C eación aplicación pa a de ec a los ni eles de es és en Ma lab 55
2.4 C eación aplicación pa a de ec a los ni eles de es és en Ma lab
Como mé odo al e na i o a los an e io men e p esen ados, en es e apa ado se a a desc ibi los pasos
seguidos pa a la elabo ación de una in e az g á ica con la que pode isualiza en iempo eal los alo es de
GSR p opo cionados po el senso . Además de es o, la in e az se á capaz de mos a los esul ados de las
ca ac e ís icas que se ex aen en los apa ados an e io es (núme o de picos, alo máximo, con inuidad, alo
medio y des iación es ánda ). Con es os alo es se in oduci án pos e io men e en una ed neu onal la cual
p opo ciona á un mensaje de a iso en caso de que la pe sona mues e una endencia hacia esa sensación de
es és o ansiedad.
Figu a 2.13 In e az g á ica de la app.
Las he amien as con las que se ha c eado la in e az co esponden a las p opo cionadas po Ma lab en el
apa ado de G aphical Use In e ace. En es a in e az se pueden dis ingui a ias pa es con el in de se
más isual:
•Axes: en es e ecuad o se ep esen a á en iempo eal los alo es ecogidos po el senso . En el eje X
el núme o de mues as mien as que en el eje Y se ep esen a el alo de ensión que no co esponde a
Vol ios sino al alo p opo cionado di ec amen e po el senso (de 0 a 1023).
•Read Bu on
: Exis e una casilla en la cual in oduci la du ación de la p ueba a ealiza , eniéndose
que esc ibi el núme o de mues as pa a ello.
•Tabla
: En la abla se p opo ciona án los da os de cada una de las ca ac e ís icas de la señal. Es os
da os se ob end án en in e alos de mil mues as.
•Mensaje de a iso
: Los da os ecogidos en la abla se in oduci án como en adas a las unciones de
Machine Lea ning c eadas y se end á una p edicción sob e el siguien e es ado, p oduciéndose un
a iso en dicha casilla.
56 Capí ulo 2. Análisis Expe imen al
2.4.1 C eación Red Neu onal
En es a sección se demos a á los pasos seguido pa a la c eación de la ed neu onal mul icapa, cuyos
undamen os se han desa ollado en las secciones p e ias de es e abajo. Es a ed neu onal, al con a io que
los p ocedimien os is os has a aho a, no se implemen a á con los oolbox p opo cionados en Ma lab, sino
que se c ea á el código comple o.
Figu a 2.14 A qui ec u a ed mul icapa.
El esquema implemen ado pa a c ea el código de la ed es el seguido en la imagen 2.14. Las ecuaciones
pa a de e mina la salida en unción de los alo es de en ada, p, son las siguien es:
am= m(Wmam−1+bm)(2.3)
Se a a de una ecuación ecu si a. Se busca educi el e o cuad á ico:
F(x1,..,xm) = eT
qeq(2.4)
xm= [Wm,bm]T(2.5)
Pa a halla el alo de los pesos sináp icos se u iliza el mé odo del g adien e descendien e así como las
pola izaciones que minimizan el e o cuad á ico:
xm=xm−α∂F
∂xm(2.6)
La ma iz jacobiana de la ecuación an e io se puede e i a calcula la ealizando el siguien e p ocedimien o:
∂F
∂xi
=∂ni
∂xi
∂F
∂ni
(2.7)
Es e úl imo ope ando co esponde a la sensibilidad, es deci , lo que a ía el e o cuad á ico espec o de la
suma. ∂F
∂xm= [zs1...zsm]m=zm(sm)T= [am−1(sm)T,(sm)T]T(2.8)
Po an o:
Wm=Wm−αsm(am−1)T(2.9)
bm=bm−αsm(2.10)
2.4 C eación aplicación pa a de ec a los ni eles de es és en Ma lab 57
Llegados a es e pun o queda de e mina la exp esión ma emá ica pa a el cálculo de las sensibilidades:
sm−1=∂nm
∂nm−1sm(2.11)
nm=Wm m−1(nm−1)+bm(2.12)
∂nm
∂nm−1=∂ m−1
∂nm−1
∂nm
∂ m−1(2.13)
sm−1=∂ m−1
∂nm−1(Wm)T(sm)(2.14)
Es a ecuación es álida pa a odas las capas has a la penúl ima, siendo es a úl ima:
sm=−2∂ m−1
∂nm−1eq(2.15)
Con es as ecuaciones se de e minan el alo de los pesos y los umb ales sináp icos a pa i de las en adas
y los alo es de en enamien o. Es as en adas co esponden a los alo es de las ca ac e ís icas de las g á icas
de los ídeos y se elaciona án con la endencia p esen ada.
El código a implemen a en Ma lab es, po an o, el siguien e:
unc ion [salida]= ednn_1capa(en ada)
%esc ibimos las en adas y los obje i os
%p=[elmax;picos;medio;des i];
% =[]; % ec o de a ge s pa a el en enamien o
Q=leng h(p);
%inicializamos los pesos y umb ales (o pola idades)
n1=50;
%núme o de neu onas en la capa ocul a
W1=2* and(n1,5)-1;
%5 po que son 5 ca ac e ís icas (en adas)
b1=2* and(n1,1)-1;
W2=2* and(1,n1)-1;
b2=2* and-1;
al a=0.001;
% asa de ap endizaje
o epocas=1:1000
%núme o de épocas
sum=0;
o q=1:Q
%p opagación hacia delan e
a1= ansig(W1*p(:,q)+b1);
a2(q)= ansig(W2*a1+b2);
%p opagación hacia a ás
e= (q)-a2(q);
s2=-2*(1-a2(q)^2)*e;
s1=diag(1-a1.^2)*W2'*s2;
%Ac ualizamos los pesos y pola izaciones
W2=W2-al a*s2*a1';
b2=b2-al a*s2;
W1=W1-al a*s1*p(:,q)';
b1=b1-al a*s1;
%E o cuad á ico
sum = e^2+sum;
end
%e o cuad á ico medio
emedio(epocas)=sum/Q;

58 Capí ulo 2. Análisis Expe imen al
end
% igu e, subplo (1,2,1), plo (emedio)
%comp obamos si se ajus an los alo es a los a ge s
o q=1:Q
sal2(q)= ansig(W2*( ansig(W1*en ada(:,q)+b1))+b2);
end
salida=sal2;
G á icamen e, el e o medio que se ob iene después de cada in e ación se a educiendo, como se obse a
en 2.15:
Figu a 2.15 E o en enamien o de la ed.
Con es o, se almacenan los alo es de los pesos W1 y W2 y los umb ales b1 y b2, de mane a que pa a
sucesi as p edicciones lo único necesa io pa a de e mina el es ado siguien e iene dado po :
Q=leng h(en ada);
o q=1:Q
salida(q)= ansig(W2*( ansig(W1*en ada(:,q)+b1))+b2);
end
salida
Asimismo, ambién se ha c eado un código pa a implemen a o o de los algo i mos de Machine Lea ning,
en es e caso el co espondien e con K-Nea es Neighbou s. Es e algo i mo es ácil de en ende e implemen a
al no necesi a pun os de en enamien o, únicamen e hay que de ini el núme o de pun os más p óximos
( ecinos) pa a pode de e mina una on e a de decisión.
%Ejemplo algo i mo clasi icado KNN
%pa a el caso de los ídeos
2.4 C eación aplicación pa a de ec a los ni eles de es és en Ma lab 59
x=[picos;con ];
a=[130 85;130 100];
%pun o a clasi ica
% plo (x(1,1:4),x(2,1:4),'ob');hold on; g id on;
% plo (x(1,5:10),x(2,5:10),'* ');
% plo (a(1,:),a(2,:),'sg');
m=leng h(x);
=[];
hold on; g id on;xlabel('Picos');ylabel('C ecimien o')
o i=1:m
i x(2,i)>=120
plo (x(1,i),x(2,i),'* ');
(i)=1;
else
plo (x(1,i),x(2,i),'ob');
(i)=0;
end
end
plo (a(1,:),a(2,:),'sg');
%Obje i os
% =[00000001111];
% =[0000111111];
n=leng h(x);
k=1;
dis =[];
o i=1:n
o j=1:leng h(a)
dis (i,j)=sq ((x(1,i)-a(1,j))^2+(x(2,i)-a(2,j))^2);
end
end
dis
dis _o denada=so (dis )
%o dena el ec o de dis ancias
pos=[];
alo =[];
o i=1:n
o j=1:n
o k=1:leng h(a)
i dis _o denada(i,k)==dis (j,k)
pos(i,k)=j;
alo {k}(:,i)=x(:,j);
end
end
end
end
alo
pos
%Pa a de e mina la salida y el núme o de ecinos óp imos
o k=1:leng h(a)
i (pos(1,k))== (pos(2,k)) && (pos(2,k))== (pos(3,k))
sal(k)= (pos(1,k));
k(k)=3;
elsei (pos(1,k))== (pos(2,k))
k=2;
sal(k)= (pos(1,k));
else
60 Capí ulo 2. Análisis Expe imen al
sal(k)= (pos(1,k));
k(k)=1;
end
end
sal
k
%núme o de ecinos
3 Análisis de Resul ados
En es a sección se comen a án los esul ados ob enidos pa a las di e en es p uebas ealizadas. En p ime
luga , pa a la p ime a con igu ación de las p uebas se ob ienen esul ados de 16 pe sonas. Pues o que,
como se comp oba á pos e io men e, los esul ados no son concluyen es es necesa io ealiza más p uebas
siguiendo el mismo p ocedimien o pe o con o as canciones y compa ando con di e en es alo es de a ousal.
Finalmen e, se p opond á o a me odología con el in de ene o a al e na i a a la ho a de es ablece un
modelo de p edicción.
3.1 Resul ados P ime a P ueba
Se ealiza á un análisis pa a los di e en es conjun os de da os ob enidos median e a ias p uebas con a iación
en el núme o de suje os.
3.1.1 5 Pe sonas 15 canciones 15 segundos
Se ob ienen 50000 mues as del senso GSR co espondien es a la du ación de las 15 canciones y los 15
espacios de 5 segundos en e cada clip de audio. Es os co os espacios se colocan con el obje i o de que la
emoción p oducida al escucha una canción no in e ie a en la siguien e.
Figu a 3.1 G á ica GSR 5 pe sonas.
En la g á ica 3.1 se obse a los alo es de la señal gs pa a cinco pe sonas. Una ez ob enidos es os da os
se necesi a sepa a en agmen os pa a ex ae ca ac e ís icas de cada uno de ellos, pa a ello se implemen a á
la unción esc i a en los anexos canciones sepa adas.
T as es o, las ca ac e ís icas ex aídas de cada agmen o son el núme o de picos, el alo máximo,
endencia (núme o de mues as que la g á ica c ece), alo medio y des iación es ánda . Las unciones que
pe mi en ob ene es os alo es indi idualmen e pa a cada canción es án incluidas en los anexos. Un ejemplo
de lo comen ado, se obse a en la siguien e ilus ación 3.2 donde cada ila ep esen a una ca ac e ís ica
menos la úl ima que co esponde a los alo es de a ousal de cada canción pun uados en los a ículos, los
61
68 Capí ulo 3. Análisis de Resul ados
Figu a 3.7 G á icas GSR 10 pe sonas segunda p ueba.
Figu a 3.8 Resul ados modelos Machine Lea ning.

3.3 Mé odo al e na i o 69
3.3 Mé odo al e na i o
Como se ha demos ado has a aho a, con el conjun o de da os que se dispone (muy pequeño en compa ación
a lo ípico u ilizado en los mé odos de Machine Lea ning) se necesi a modi ica de e minados pa áme os
pa a consegui mejo es p edicciones. Pa a ello, en es a sección se a a e como cambiando el alo de las
clases los esul ados mejo an no ablemen e.
En las secciones an e io es, se ha asignado a cada conjun o de ca ac e ís icas, los inpu s pa a c ea la
unción de ap endizaje, un alo de e minado de a ousal el cual se ob iene de las bases de da os de las que
se han ex aído los clips de audio. Siguiendo es e p ocedimien o se ha comp obado como los esul ados no
son co ec os. Po an o, en es a sección se a a disc imina en e dichos alo es ya que como se ha is o
desde el p incipio del abajo lo único que in e esa es de e mina ni eles al os de a ousal, co espondien es a
es ados de ansiedad o es és. Los alo es po encima de 7 se han cambiado po un 1 mien as que el es o de
alo es se han sus i uido po 0. De es a mane a, se educe el núme o de clases a di e encia po pa e de los
algo i mos, haciéndolos mucho más e icien es.
En el código se in oduce un bucle o en el cual cambie el alo de dichas a iables:
=xls ead('segunda_p ueba.xls',1,'C2:C16')';
o i=1:15
i (i)>7
(i)=1;
else
(i)=0;
end
end
Los esul ados pa a los di e en es algo i mos pa a una p ueba de 10 pe sonas y 15 canciones de 15 segundas
cada una son los siguien es:
Tabla 3.4 Resul ados p edicción modelos ML.
Algo i mos P ecisión
Complex ee 68,5
Medium T ee 68,5
Simple T ee 77
Linea Disc iminan 75,2
Linea SVM 80
Quad a ic SVM 77,6
Cubic SVM 66,1
Fine Gaussian SVM 79,4
Medium Gaussian SVM 80
Fine KNN 64,8
Medium KNN 79,4
Coa se KNN 80
Cosine KNN 80
Boos ed ees 70,9
Bagged ees 74,5
En es e caso sólo se iene dos ca ego ías como se dis ingue en la imagen pa a cada colo una. Los pun os
co ec amen e clasi icados apa ecen con un cí culo mien as que los que no llega a clasi ica de mane a
adecuada apa ecen con una x.
Al in oduci es a a iación las mejo as son sensiblemen e mayo es, como se comp ueba en la siguien e
imagen de la he amien a classi ica ionLea ne .
70 Capí ulo 3. Análisis de Resul ados
Figu a 3.9 In e az classi ica ionLea ne app.
Los esul ados son mucho mejo es debido a es a disc iminación en cuan o al alo de los a ge s. Sin
emba go, es una hipó esis asumible pues o que no se busca es ablece una he amien a pa a la de ección de
las emociones en un suje o de e minado, sino que se p e ende es ablece un mecanismo de a iso en e a
si uaciones lími e de es és y ansiedad que p o ocan en la mayo ía de los casos oma decisiones de mane a
e ónea.
3.3.1 Validación de los esul ados
En secciones p e ias, se demos ó la alidez de es e ipo de señal en e a la isualización de dos ideos.
En es as mues as se obse aba como en el segundo ídeo la mayo ía de los suje os se enía una endencia
c ecien e al aumen o de los ni eles de ensión. En es a sección, se p e ende isualiza eso que se ha comp o-
bado de mane a empí ica median e la u ilización de los algo i mos p edic i os calculados.
El algo i mo que se u iliza á es SVM ya que es el que iene mejo pe o mance (80 po cien o). Se necesi a
modi ica las unciones lige amen e de mane a que se ex aigan aho a ca ac e ís icas pe o pa a cada uno de
los ídeos.
Se expo a el modelo al wo kspace y se p ueba in oduciendo nue os da os con sus ca ac e ís icas. Como
ejemplo se oma la siguien e g á ica que co esponde a la isualización de los ideos po pa e de uno de los
suje os.
Después de ex ae las ca ac e ís icas se aplican las siguien es líneas en la línea de comandos de Ma lab:
%p ime o se selecciona los agmen os que co esponden a cada ídeo
ideo = ideos_sepa ados(da os);
%Ex aemos las ca ac e ís icas
[picos,elmax,medio,des i] = maximo_ ideos( ideo);
con = c ecim( ideo);
%Esc ibimos el ec o de inpu s pa a in oduci al clasi icado
inpu = [picos(1);elmax(1);medio(1);des i(1);con (1)];
y = ainedClassi ie (inpu );
3.3 Mé odo al e na i o 71
T as in oduci el código la espues a que se iene es que la pe sona no se encon aba en un es ado de
ne iosismo o ansiedad.
4 Conclusiones y abajo u u o
Pa a de ec a los ni eles de es és y ansiedad en pilo os y abajado es del sec o ae onáu ico se ha ealizado
un es udio a pa i de la espues a gal ánica de la piel pa a pode de e mina la ase de dis és en la cual el
o ganismo es incapaz de disce ni una solución posible cuando la si uación es des a o able.
Debido a que no exis e la posibilidad de p oba es e mé odo en si uaciones de la ida eal en la que los
abajado es se encuen en con al os ni eles de es és, se ha pa ido de las emociones que p o ocan canciones,
elegidas de bandas sono as de e minadas en unción de a ículos cien í icos en los cuales se ealizaba un
es udio de cada una de ellas y sus alo es de a ousal, alence, e c.
A pa i del senso G o e GSR se es udia la espues a a la sudo ación de cada pe sona pa a di e en es
p uebas ealizadas. Pa a ob ene la mayo can idad de p uebas, es os da os se han ob enido de es mane as
dis in as: la p ime a es u ilizando 15 clips de audio cada uno de 15 segundos, o a me odología es u iliza 7
canciones pe o de mayo du ación, 45 segundos, y la úl ima, una p ueba más isual poniendo dos ídeos
elacionados con el sec o ae onáu ico.
Con es os da os se ha implemen ado he amien as de Machine Lea ning pa a ob ene un modelo de
p edicción sob e los es ados de es és y ansiedad. Pa a ello, se ealiza un p ep ocesamien o de los da os,
ex ayendo las ca ac e ís icas adecuadas de cada cu a. Es as ca ac e ís icas co esponden a los inpu s o
en adas del modelo y como obje i os los alo es de a ousal p oceden es de las base de da os de las canciones.
De es a mane a, los modelos c eados no esponden de mane a e icien e eniendo e o es del o den de la
unidad. Es o es así po di e sos ac o es, en p ime luga po que no se cuen an con los da os necesa ios como
pa a pode c ea un modelo p edic i o, ambién se debe a que cada pe sona no esponde de la misma mane a
al es ímulo seleccionado, las canciones, po lo que los da os p opo cionados po el senso son iables en
cie a medida, po úl imo, aunque elacionado con lo comen ado an e io men e sob e el núme o de da os, se
ienen demasiadas clases a las que asocia los da os. Es o úl imo se ha comp obado como cambia la p ecisión
del modelo de p edicción cuando en luga de asocia 15 alo es di e en es de a ousal se disc imina en e dos
posibles alo es, 0 o 1, co espondiendo el 1 a una si uación de es és.
En ambas me odologías, los algo i mos más idóneos a la ho a de de e mina un modelo de p edicción
son SVM y KNN. En el caso de di e encia en e odas las clases co espondien es a la base de da os de
las emociones, los alo es en cuan o al acie o en la p edicción son p óximos al 15 po cien o mien as
que, después de ealiza la hipó esis simpli ica i a sob e los a ge s, los esul ados mejo an no ablemen e,
supe ando p ác icamen e odos los algo i mos el 70 po cien o en acie o en la p edicción.
Una ez comp obadas las he amien as que p opone Ma lab pa a la aplicación de los p ocedimien os
de Machine Lea ning, se ha ealizado una aplicación median e es e mismo p og ama en la cual se pueden
isualiza en iempo eal los da os del senso GSR. Es os da os se isualizan en una abla y se in oducen
como en adas en la ed neu onal c eada pa a el p oblema. Con odo ello, se mues a la p edicción en un
mensaje de a iso en la in e az.
Como conclusión se puede de e mina la alidez de es e abajo como pun o de pa ida en cuan o al es udio
de las emociones y la elación con la ingenie ía. Asimismo, comen a la sencillez a la ho a de aplica los
73

74 Capí ulo 4. Conclusiones y abajo u u o
algo i mos de Machine Lea ning en Ma lab con in e aces muy in ui i as.
Finalmen e, las posibilidades de mejo as de es e abajo son muy di e sas, po un lado se pod ía mejo a la
ob ención de da os u ilizando senso es que aunque midan la misma magni ud, la sudo ación de la piel, sean
más p ecisos, en es e senso , po ejemplo, los elec odos son de Níquel, mien as que en o os más p ecisos
el ma e ial empleado es AgCl.
Asimismo, en cuan o a la posibilidad de añadi mejo as en el u u o, se ía in e esan e comp oba el
compo amien o de los algo i mos cuando se usionan dis in os senso es, demos ándose así, las uen es
de e o comen adas a lo la go del abajo y ob ene mejo es esul ados en la p edicción, iendo ambién
cuál de los senso es iene más epe cusión a la ho a de de ec a los ni eles de es és en el indi iduo. Uno
de es os mé odos que se pod ía añadi se ía el econocimien o acial, pues o que o os como la espues a
ce eb al los equipos pa a medi la se ían muy ca os y complejos a la ho a de es udia las ondas del ce eb o
(alpha, be a, he a y del a). Además, pa a el econocimien o acial el único equipo necesa io se ía una
cáma a de buena calidad y aplica los algo i mos de Machine Lea ning pa a la de ección de es ados. De
la misma o ma, con es a cáma a se pod ía ealiza un seguimien o sob e el mo imien o de la pupila del suje o.
Po an o, la mejo a pa a esul ados u u os p oceden de di e en es ías:la p ime a, es la u ilización
de un senso de mayo p ecisión con lo que se asegu a ía que los da os son de u ilidad pa a la pos e io
implemen ación de los algo i mos. Segundo, es la ob ención de un conjun o de mues as más g ande,
in oduciendo a los algo i mos más da os en los que pode ca ego iza los. Te ce o: una ez ijado el núme o
de mues as, es ablece un algo i mo de clasi icación y mejo a lo con nue os mé odos a la ho a de calcula
dis ancias o p obabilidades y po an o, mejo ando la p edicción.
5 Códigos
En es a sección se inclui án los códigos u ilizados a lo la go del abajo an o pa a la ob ención de los da os
como el p ep ocesamien o y las di e en es écnicas de Machine Lea ning.
Código implemen ado en A duino
cons in GSR=A0;
in senso Value=0;
in gs _a e age=0;
oid se up(){
Se ial.begin(9600);
}
oid loop(){
long sum=0;
o (in i=0;i<50;i++) //A e age he 10 measu emen s o emo e he
gli ch
{
senso Value=analogRead(GSR);
sum += senso Value;
//delay(5);
}
gs _a e age = sum/50;
Se ial.p in ln(gs _a e age);
}
Función pa a la c eación del iche o cs con los da os del senso
unc ion [gs , iempo]=ma lab_a duino_cs (nume o_mues as)
n = nume o_mues as;
gs =ze os(n,1);
con =1;
%Inicialización del pue o se ial que se u iliza á
dele e(ins ind({'Po '},{'COM3'}));
pue o_se ial=se ial('COM3');
pue o_se ial.BaudRa e=9600;
wa ning('o ','MATLAB:se ial: scan :unsuccess ulRead');
%Ab o el pue o se ial
open(pue o_se ial);
75
76 Capí ulo 5. Códigos
ic;
while con <= n
alo _gs = scan (pue o_se ial,'
%d')';
gs (con ) = alo _gs (1);
con =con +1;
end
iempo= oc;
cs w i e('nomb e_pe sona.da ',gs (2:end));
close(pue o_se ial);
Función pa a el p ep ocesado de los da os
%%Función pa a de e mina los inpu s y a ge s que se u iliza án pos e io men e
en los algo i mos de ML:
unc ion [salida, iempo]=p ep ocesado(da os)
ic
[~,n] = size(da os);
cancion = [];
% il =med il 1(da os,20); %en caso de necesi a hace un il o de mediana
o i=1:n
cancion(15*(i-1)+1:15*i,:)=canciones_sepa adas(da os(:,i));
end
%Inicializamos las ca ac e ís icas
picos = [];
des i = [];
medio = [];
elmax = [];
o i=1:n
[picos(i,:),elmax(i,:)...
,medio(i,:),des i(i,:)]...
= maximo(cancion(15*(i-1)+1:15*i,:));
end
%Calculamos la componen e p incipal del conjun o de ca ac e ís icas:
% cp = [];
% ma iz = [elmax;picos;medio;des i]';
%
% o i=1:n
% [~,cp(:,i)] = pca(ma iz(:,4*(i-1)+1:4*i),'NumComponen s',1);
% end
% cp = cp';
%Esc ibimos la ma iz que a a en a a nues o clasi icado :
inpu = [];
[k,~] = size(picos);
o i=1:k
inpu (1,15*(i-1)+1:15*i)=picos(i,:);
inpu (2,15*(i-1)+1:15*i)=elmax(i,:);
inpu (3,15*(i-1)+1:15*i)=medio(i,:);
inpu (4,15*(i-1)+1:15*i)=des i(i,:);
end
77
% o i=1:k
% inpu (5,15*(i-1)+1:15*i)=cp(i,:);
% end
=xls ead('songs_emo ion_ ecogni ion_da abase.xls',1,'C2:C16')';
a ge = [];
o i=1:k
a ge (1,15*(i-1)+1:15*i)= ;
end
salida = [inpu ; a ge ];
%calculo el iempo que ha a dado:
iempo= oc;
Función pa a sepa a los agmen os de las canciones
unc ion [cancion,espacio]=canciones_sepa adas(da os)
%se leen los da os del iche o
%gs = cs ead(da os);
%n = leng h(gs );
cancion = ze os(7,2500);
espacio = ze os(7,833);
o j=1:15
%nume o canciones
o k=1:3333
% eco emos posición del ec o
i k<=833
espacio(j,k)=da os((j-1)*3333+k);
else
cancion(j,k-833)=da os((j-1)*3333+k);
end
end
end
Función pa a ex ae las ca ac e ís icas de cada agmen o
%%Función pa a de e mina los máximos y núme o de picos
unc ion [picos,elmax,medio,des i]=maximo(canciones)
%n=leng h(canciones);
maximos = [];
o j=1:15
% eco emos el núme o de canciones
o i=2:2500-1
i canciones(j,i)>canciones(j,i-1) && canciones(j,i)>canciones(j,i+1)
maximos(j,i)=canciones(j,i);
end
%maximos(j,i)=max(maximos(j,i));
end
end
%Gua damos el máximo de cada canción