| dc.description.abstract | El presente trabajo tiene como objetivo principal la identificación y medición de niveles de carga cognitiva y del estado emocional en personas que realizan una tarea de redacción, mediante la utilización de sensores psico-fisiológios. Se utilizan 6 sensores psico-fisiólogicos: eye tracker, electrocardiograma (ECG), electroencefalograma (EEG), sensor de respuesta electrodermal (GSR), sensor de temperatura y fotopletismógrafo (PPG). Existe amplia evidencia de que las señales psico-fisiológicas, entregadas por los sensores anteriormente nombrados, pueden medir tanto la carga cognitiva (entendida como el esfuerzo mental al realizar una tarea) como el estado emocional (medido en términos de valencia y excitación) experimentado por un usuario al realizar una tarea en particular.
Esta memoria está enmarcada en el proyecto Fondecyt "A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments", liderado por el profesor Ángel Jiménez. El problema a estudiar es de los diferentes niveles de carga cognitiva y distintos estados emocionales que experimenta un usuario mientras escribe un ensayo.
Para esto, se desarrolla un diseño experimental que consiste en que cada usuario de la muestra escriba un ensayo sobre un tema previamente dado, igual para todos. El experimento se realiza a 70 participantes, a los cuales se les miden las señales psico-fisiológicas ya mencionadas. El principal resultado esperado es el de evaluar si los sensores pueden (o no) medir los diferentes niveles de carga cognitiva y estado emocional que experimenta un usuario dado y obtener un clasificador para estos niveles.
Para poder identificar los niveles existentes de carga cognitiva y de valencia y excitación, y poder etiquetarlos, se utilizan algoritmos de aprendizaje no supervisado. En particular, se utiliza Self-Organizing Maps (SOM) en conjunto con clustering aglomerativo. Para saber si las señales diferencian los niveles identificados, se realiza un análisis estadístico mediante tests de ANOVA-MR. Luego, para la clasificación de estos niveles, se utiliza k-vecinos más cercanos (KNN), máquinas de soporte vectorial (SVM) y redes neuronales (ANN). Para cada categoría que se busca medir, se encuentra el clasificador que tiene un mejor desempeño promedio para todos los sujetos.
Para carga cognitiva se obtiene un desempeño de 75,55% de exactitud y 61,14% de F1 con SVM, para la clasificación de dos niveles. Para excitación se obtiene un 80,5% de exactitud y 60,49% de F1 con ANN. Para valencia se obtiene un 74,96% de exactitud y 49,31% de F1 con KNN-3. Con esto, se concluye sobre la factibilidad de la identificación y clasificación de niveles de carga cognitiva, valencia y excitación, pero que aún falta investigación sobre las características a extraer de las señales, en particular del EEG, con el fin de aumentar la exactitud y F1 en el desempeño de los clasificadores. | |
