Detección de niveles de estrés en estudiantes universitarios a partir de señales electrofisiológicas mediante técnicas de machine learning

Abstract

Al iniciar sus estudios superiores, los jóvenes se ven sometidos a presiones académicas, expectativas sociales y múltiples responsabilidades, generando niveles elevados de estrés que inciden tanto en su rendimiento académico como en su salud mental y bienestar general. Este proyecto de investigación ha perseguido el desarrollo de un sistema electrónico que emplee señales electrofisiológicas y técnicas de machine learning para identificar niveles de estrés en estudiantes universitarios en este entorno desafiante. Para alcanzar dicho objetivo, se ha llevado a cabo una revisión bibliográfica exhaustiva en bases de datos médicos y científicos, focalizándose en señales electrofisiológicas asociadas al estrés académico. Se han seleccionado sensores específicos, como el Grove GSR y Muscle Sensor V3, y todo el proceso se ha desarrollado en el microcontrolador ESP32 Tiny S3, aprovechando su capacidad y tamaño para crear un dispositivo portátil. Los datos procesados se almacenaron en un servidor web mediante peticiones PHP. Las métricas de evaluación del algoritmo de machine learning revelaron una alta precisión del 0.96, respaldada por un índice de 0.97 en el conjunto de entrenamiento, 0.97 en el conjunto de prueba y 0.9 en la etapa de validación con el método de validación cruzada. Estos resultados confirman que el algoritmo Random Forest gestiona de manera eficiente la clasificación y el entrenamiento, sobresaliendo en comparación con otros algoritmos evaluados. En cuanto a la confiabilidad, el sistema ha logrado un porcentaje del 93,68% en la lectura de datos, consolidando así su capacidad para detectar niveles de estrés y prevenir posibles colapsos en la salud de los estudiantes