FAIR Dataset Multimodal para la Detección Automática de Estrés durante la Ejecución de Tareas Cognitivas

Este proyecto se enfoca en la creación de un dataset multimodal siguiendo los principios FAIR (Findable, Accessible, Interoperable, Reusable) con el objetivo de desarrollar algoritmos para la detección automática de estrés durante la realización de tareas cognitivas. El protocolo experimental se extiende a lo largo de dos días, durante los cuales se recopilan diversas señales, incluyendo EDA (actividad electrodermal), EEG (electroencefalografía), cortisol a través de muestras salivares, y mediciones subjetivas del estrés mediante pruebas psicológicas validadas.
Para inducir el estrés de manera controlada y segura para los participantes, se emplea el Trier Social Stress Test (TSST). Este procedimiento se lleva a cabo tanto en el día 1 como en el día 2. Además, en ambos días se administran tareas n-back diseñadas para medir el rendimiento cognitivo, las cuales requieren un alto nivel de esfuerzo atencional y ejecutivo.
La validación de los registros, clasificándolos como estrés o no estrés, se realiza mediante mediciones de cortisol en saliva en momentos específicos durante el día 1 y 2. Finalmente, se implementan algoritmos de machine learning con el propósito de realizar un benchmark en la detección automática de estrés. Este enfoque proporciona una base sólida para futuras investigaciones en el campo de la detección automática de estrés, contribuyendo a la comprensión y aplicación de tecnologías para evaluar el estado de estrés en entornos cognitivos.

El estrés es un fenómeno común en la sociedad moderna, y su impacto en la salud mental y el rendimiento cognitivo ha generado una creciente preocupación (Yaribeygi et al., 2017; McEwen, 2007). En el corto plazo, los factores estresantes diarios menores pueden producir efectos transitorios en la cognición al reducir la cantidad de recursos de atención disponibles para el procesamiento de la información. A largo plazo, el estrés crónico se ha asociado sistemáticamente con una función cognitiva más deficiente, un deterioro cognitivo acelerado y una mayor incidencia de demencia (Scott et al., 2015). La detección temprana y precisa del estrés es esencial para implementar intervenciones efectivas y mejorar la calidad de vida de las personas. En este contexto, las tareas cognitivas desempeñan un papel crucial, ya que el estrés puede manifestarse de diversas formas durante su ejecución.
Sin embargo, uno de los desafíos fundamentales en el desarrollo de sistemas de detección de estrés radica en la disponibilidad de datasets representativos y validados. La carencia de conjuntos de datos sólidos y éticamente recopilados ha limitado considerablemente el progreso en la investigación de la detección de estrés, generando una necesidad urgente de un enfoque que garantice la calidad, la accesibilidad y la reutilización de los datos.
En este contexto, el enfoque FAIR (Findable, Accessible, Interoperable, Reusable) ha surgido como un marco integral para abordar los desafíos asociados con la gestión de datos en investigación (Wilkinson et al., 2016). Sin embargo, la mayoría de los datasets utilizados en la detección de estrés no cumplen completamente con los principios FAIR (Cuno et al., 2020), lo que limita su utilidad y la reproducibilidad de los resultados obtenidos.