Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles

"Este trabajo aborda el reconocimiento de emociones a partir de señales fisiológicas periféricas registradas con pulseras Empatica E4, adquiridas de manera simultánea en ambas muñecas durante la visualización de videos diseñados específicamente para este análisis. Se emplean tres modalidades pr...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Castelao, Sofía, Tenas Vai, Priscilla
Otros Autores: Bonomini, Maria Paula
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: Instituto Tecnológico de Buenos Aires (ITBA) 2026
Materias:
RECONOCIMIENTO DE EMOCIONES, COMPUTACIÓN AFECTIVA, APRENDIZAJE AUTOMÁTICO, SEÑALES FISIOLÓGICAS PERIFÉRICAS, PROCESAMIENTO DE SEÑALES FISIOLÓGICAS, DISPOSITIVOS PORTÁTILES, WEARABLES
Acceso en línea:https://hdl.handle.net/20.500.14769/6050
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-6050
record_format dspace
spelling I32-R138-20.500.14769-60502026-05-09T01:12:12Z Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles Castelao, Sofía Tenas Vai, Priscilla Bonomini, Maria Paula RECONOCIMIENTO DE EMOCIONES, COMPUTACIÓN AFECTIVA, APRENDIZAJE AUTOMÁTICO, SEÑALES FISIOLÓGICAS PERIFÉRICAS, PROCESAMIENTO DE SEÑALES FISIOLÓGICAS, DISPOSITIVOS PORTÁTILES, WEARABLES "Este trabajo aborda el reconocimiento de emociones a partir de señales fisiológicas periféricas registradas con pulseras Empatica E4, adquiridas de manera simultánea en ambas muñecas durante la visualización de videos diseñados específicamente para este análisis. Se emplean tres modalidades principales: fotopletismografía (PPG, 64 Hz), actividad electrodérmica (EDA, 4 Hz) y temperatura cutánea (TEMP, 4 Hz), junto con sus señales derivadas: intervalos RR, frecuencia cardíaca, potencia espectral de los intervalos RR y componentes tónica y fásica de la EDA. A partir de una base de datos compuesta por 24 sujetos y 676 marcas emocionales, las señales se segmentan en ventanas de 20 segundos alineadas con los estímulos. Se extraen características estadísticas y dinámicas, y se aplican procesos de depuración y selección basados en correlación, pruebas estadísticas no paramétricas y filtrado supervisado. Además, se implementa una normalización por sujeto y por pulsera para reducir la variabilidad interindividual y favorecer la comparabilidad entre registros. Los resultados muestran un desempeño consistente en los tres problemas de clasificación planteados. Para la dimensión de valencia, el modelo Random Forest (5 características) obtiene una Accuracy de 75,0%, una Balanced Accuracy de 75,3% y un F1-Score Weighted de 75,0%. Para la dimensión de activación, el mismo modelo (15 características) alcanza una Accuracy de 64,7%, una Balanced Accuracy de 64,8% y un F1-Score Weighted de 64,7%. En la clasificación de cuatro emociones, el modelo Gradient Boosting (5 características) logra una Accuracy de 61,8%, una Balanced Accuracy de 57,8% y un F1-Score Weighted de 60,9%. Estos hallazgos confirman la viabilidad de utilizar señales periféricas y dispositivos portátiles como la Empatica E4 para el reconocimiento automático de emociones en condiciones controladas, y constituyen un aporte metodológico que abre el camino hacia aplicaciones prácticas en escenarios de mayor complejidad, incluyendo la detección en tiempo real". 2026-05-05T17:03:35Z 2026-05-05T17:03:35Z 2026-02-14 Proyecto final de grado https://hdl.handle.net/20.500.14769/6050 es application/pdf Instituto Tecnológico de Buenos Aires (ITBA)
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic RECONOCIMIENTO DE EMOCIONES, COMPUTACIÓN AFECTIVA, APRENDIZAJE AUTOMÁTICO, SEÑALES FISIOLÓGICAS PERIFÉRICAS, PROCESAMIENTO DE SEÑALES FISIOLÓGICAS, DISPOSITIVOS PORTÁTILES, WEARABLES
spellingShingle RECONOCIMIENTO DE EMOCIONES, COMPUTACIÓN AFECTIVA, APRENDIZAJE AUTOMÁTICO, SEÑALES FISIOLÓGICAS PERIFÉRICAS, PROCESAMIENTO DE SEÑALES FISIOLÓGICAS, DISPOSITIVOS PORTÁTILES, WEARABLES
Castelao, Sofía
Tenas Vai, Priscilla
Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
topic_facet RECONOCIMIENTO DE EMOCIONES, COMPUTACIÓN AFECTIVA, APRENDIZAJE AUTOMÁTICO, SEÑALES FISIOLÓGICAS PERIFÉRICAS, PROCESAMIENTO DE SEÑALES FISIOLÓGICAS, DISPOSITIVOS PORTÁTILES, WEARABLES
description "Este trabajo aborda el reconocimiento de emociones a partir de señales fisiológicas periféricas registradas con pulseras Empatica E4, adquiridas de manera simultánea en ambas muñecas durante la visualización de videos diseñados específicamente para este análisis. Se emplean tres modalidades principales: fotopletismografía (PPG, 64 Hz), actividad electrodérmica (EDA, 4 Hz) y temperatura cutánea (TEMP, 4 Hz), junto con sus señales derivadas: intervalos RR, frecuencia cardíaca, potencia espectral de los intervalos RR y componentes tónica y fásica de la EDA. A partir de una base de datos compuesta por 24 sujetos y 676 marcas emocionales, las señales se segmentan en ventanas de 20 segundos alineadas con los estímulos. Se extraen características estadísticas y dinámicas, y se aplican procesos de depuración y selección basados en correlación, pruebas estadísticas no paramétricas y filtrado supervisado. Además, se implementa una normalización por sujeto y por pulsera para reducir la variabilidad interindividual y favorecer la comparabilidad entre registros. Los resultados muestran un desempeño consistente en los tres problemas de clasificación planteados. Para la dimensión de valencia, el modelo Random Forest (5 características) obtiene una Accuracy de 75,0%, una Balanced Accuracy de 75,3% y un F1-Score Weighted de 75,0%. Para la dimensión de activación, el mismo modelo (15 características) alcanza una Accuracy de 64,7%, una Balanced Accuracy de 64,8% y un F1-Score Weighted de 64,7%. En la clasificación de cuatro emociones, el modelo Gradient Boosting (5 características) logra una Accuracy de 61,8%, una Balanced Accuracy de 57,8% y un F1-Score Weighted de 60,9%. Estos hallazgos confirman la viabilidad de utilizar señales periféricas y dispositivos portátiles como la Empatica E4 para el reconocimiento automático de emociones en condiciones controladas, y constituyen un aporte metodológico que abre el camino hacia aplicaciones prácticas en escenarios de mayor complejidad, incluyendo la detección en tiempo real".
author2 Bonomini, Maria Paula
author_facet Bonomini, Maria Paula
Castelao, Sofía
Tenas Vai, Priscilla
format Proyecto final de grado
author Castelao, Sofía
Tenas Vai, Priscilla
author_sort Castelao, Sofía
title Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
title_short Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
title_full Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
title_fullStr Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
title_full_unstemmed Análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
title_sort análisis del vínculo entre emociones y señales fisiológicas periféricas obtenidas con dispositivos portátiles
publisher Instituto Tecnológico de Buenos Aires (ITBA)
publishDate 2026
url https://hdl.handle.net/20.500.14769/6050
work_keys_str_mv AT castelaosofia analisisdelvinculoentreemocionesysenalesfisiologicasperifericasobtenidascondispositivosportatiles
AT tenasvaipriscilla analisisdelvinculoentreemocionesysenalesfisiologicasperifericasobtenidascondispositivosportatiles
_version_ 1865139452248064000

Ejemplares similares