Blog

Algoritmos que descifran el estado emocional

02 de Agosto de 2023
Image
Algoritmos que descifran el estado emocional
Edmundo_Molina.jpg
Edmundo Molina

Profesor-investigador

Dommy imagen usuario generico
Yessica Zeltzin Orozco Armenta

Investigadora de la Iniciativa en Ciencia de Decisiones

Una emoción es una reacción conductual subjetiva producida por la información proveniente del mundo externo o interno (recuerdos) en un individuo. Las emociones no son algo estático y singular, sino más bien una serie de conductas adaptativas y continuas, que juegan un papel muy importante en nuestras vidas.

 

Hoy sabemos que las emociones son capaces de afectar el estado fisiológico y psicológico del ser humano; tienen una influencia sustancial en los procesos cognitivos del cerebro humano, como el aprendizaje, la memoria, la percepción y la resolución de problemas, de ahí la importancia de su correcta identificación.

 

En el ámbito médico, muchas veces conocer el estado anímico de una persona depende de su capacidad para expresar sus sentimientos, la forma en la que algo los hizo sentir, lo que recuerdan que pasó, de la libre interpretación del personal de la salud a cargo, o bien, de lo que una persona cercana a los pacientes pueda dilucidar sobre sus comportamientos, reacciones o emociones en momentos clave, cuando hay que atender su salud.

Ahora bien, la comprensión de las emociones de personas sanas tampoco se vuelve 100% confiable. Es relativamente fácil para las personas controlar las señales físicas como la expresión facial o el habla para ocultar sus emociones reales, especialmente durante las interacciones sociales. Por ejemplo, podemos sonreírle a otra persona para ser amables aun cuando estamos tristes.

 

Entonces ¿Cómo podemos conocer las emociones de una persona con la mayor exactitud? Dado que la regulación de las emociones ocurre tanto de forma consciente, como de forma implícita, es decir, sin que nosotros hagamos algún esfuerzo, es un reto evitar la inexactitud en su interpretación, por lo que actualmente la ciencia recurre a distintas herramientas tecnológicas para realizar la medición de señales internas de forma no invasiva, en las que no interviene la interpretación humana.

 

Las señales fisiológicas son la respuesta de nuestro sistema nervioso a través del cuerpo humano, éstas cambian cuando las personas se enfrentan a situaciones específicas. Por ejemplo, nuestro corazón acelerándose ante el peligro o nuestra piel erizándose cuando estamos nerviosos.

 

Las más comunes incluyen el electroencefalograma (EEG), la temperatura (T), el electrocardiograma (ECG), el electromiograma (EMG), la respuesta galvánica de la piel (GSR), la respiración (RSP), el ritmo cardiaco (HR) y el rastreo de los movimientos oculares.

 

El esfuerzo por saber qué significan estas señales no ha sido menor. Se han hecho intentos para establecer una relación fija entre los cambios emocionales y las señales fisiológicas. Asimismo, se han desarrollado equipos no invasivos que puedan acompañar al ser humano fuera del laboratorio, tecnologías de clasificación, aumento de la precisión, entre otros.

En este sentido, la precisión de las señales fisiológicas sigue siendo un reto pendiente, cuyas altas tasas de fiabilidad con frecuencia se consiguen sólo con equipos especializados dentro de un laboratorio. No obstante, la tecnología ha sido un gran aliado para comenzar a abordar el registro de señales en el cuerpo humano. El uso de teléfonos inteligentes, dispositivos portátiles y domésticos conectados a Internet nos han dado una creciente capacidad de registro de señales fisiológicas en las personas.

 

Hoy en día, la mayoría de los teléfonos inteligentes incluyen tecnología para rastrear datos como la frecuencia cardíaca y la actividad física, por lo que podrían realizar una evaluación continua y en tiempo real de los procesos de regulación emocional de los usuarios.

 

Preguntémonos ahora ¿cómo el creciente poder del cómputo científico se ha incorporado al ruedo? El avance del cómputo científico ha abierto miles de posibilidades de investigación para poder resolver las incógnitas que hasta hace dos décadas eran imposibles. Actualmente las herramientas computacionales realizan millones de cálculos en menos tiempo, pueden simular una amplia gama de procesos y obtener resultados con un alto grado de certeza.

 

Gracias al poder del procesamiento de datos con algoritmos, los investigadores pueden tener una mejor comprensión de la dinámica de fenómenos cambiantes y desarrollar modelos de alto rendimiento que pueden acelerar la creación de nuevas tecnologías para la detección de emociones.

¿De dónde viene la teoría para la discriminación y tratamiento de señales?


La psicología ha aportado la base del entendimiento de señales y clasificación de las mismas, ha categorizado cómo lucen las señales eléctricas de distintas partes del cuerpo ante una gama de emociones. Sus investigadores han construido modelos multidimensionales de emoción y han propuesto diferentes escalas para la categorización de emociones a fin de facilitar su reporte.

 

En 1873, Wilhelm Wundt diseñó un sistema tridimensional de clasificación de emociones, conocido como modelo circunflejo, cuyos tres ejes describen la valencia, excitación e intensidad de las emociones. Años más tarde, Lang popularizó el uso de sólo dos de estas categorías para que, dentro de un plano cartesiano, la valencia (en las abscisas) y la excitación (en el eje ordenado), oscilen en rangos que hagan fácil ver las distintas emociones que experimenta una persona. La valencia en el eje horizontal describe el rango de emociones negativas a positivas; y la excitación, en el eje vertical, va del espectro activo al pasivo (alto y bajo valor).

 

Image
Teorías señales fisiológicas

 

La excitación es un estado psicofisiológico de activación cerebral ante cualquier emoción experimentada. Representa la capacidad de estar despierto y de mantenernos en estado de alerta, e implica la capacidad de seguir estímulos u órdenes.

 

Como ya mencionamos, el registro de una sola emoción mediante señales fisiológicas puede ser complicado y poco preciso, ante esto se han desarrollado métodos que relacionan dos o más señales fisiológicas, para que juntas apuntalen hacia un mismo estado emocional, en este caso, la excitación.

 

Dos de las señales fisiológicas más confiables para detectar la excitación en una persona son la frecuencia cardiaca y la actividad dermal. La variabilidad de la frecuencia cardiaca (HR, por sus siglas en inglés) nos brinda una medida de los cambios temporales latido a latido, lo que proporciona una visión profunda, rápida y precisa del sistema emocional. Obtener con claridad la actividad dermal de una persona es un tanto más complicado.

 

El único dato no invasivo que podemos extraer de la piel es la conductancia de ésta, que suele tener cambios abruptos y oscilar entre valores muy distintos persona a persona, ya que dependen de la cantidad de glándulas que cada uno tenga, la saturación de oxígeno, la cantidad de grasa superficial, el grosor de nuestra piel y hasta el cuidado de esta.

 

Una forma en la que las matemáticas y el cómputo científico han lidiado con estas variaciones es mediante la construcción de algoritmos que transforman la conductancia de la piel en una nueva variable llamada respuesta galvánica (GSR) que, mediante la extracción de patrones espectrales, usando series de tiempo y datos normalizados, es capaz de transformar las grandes variaciones de la conductancia en la piel, señaladas en la siguiente gráfica en color azul, por curvas más suaves pero con valores estadísticos idénticos (gráfica rosa).

Image
Raw data ft Tonic component

El poder de la recolección y procesamiento de datos no sólo ha ayudado a tener grandes cantidades de registros que abonen a mejorar la precisión de los algoritmos desarrollados, también ha permito que las señales provenientes de la frecuencia cardiaca y la respuesta galvánica se incorporen en una variable monodimensional que nos dé luz sobre el estado emocional por el que está pasando una persona: el

índice emocional.

Image
Formula del índice emocional

 

El índice emocional es el producto de introducir la respuesta galvánica y la frecuencia cardiaca en la ecuación anterior, para obtener un valor que varíe entre -1 y 1. El índice emocional es una medida que proporciona valores entre -1 y 1, donde la primer mitad del rango (de -1 a 0) corresponde a valores acordes al estado de relajación, y la segunda parte (de 0 a 1) indicará emociones tensas en el paciente.Como vemos, ya es posible obtener de manera objetiva una medición real, continua y cambiante de la excitación de una persona usando métodos que sólo involucran señales fisiológicas.

 

Sin embargo, a diferencia de la automatización para encontrar los valores de excitación, el cálculo de sí una emoción es “positiva o negativa”, aún depende de las opiniones del personal de la salud o de lo que exprese el paciente, por lo que el estudio y clasificación de las emociones actualmente se encuentra en pleno desarrollo.

 

Vemos así que la tecnología ofrece nuevas e interesantes vías para el estudio de los procesos de detección de emociones. Si bien existen aún muchos retos en cuanto a la precisión de la lectura de señales, entendimiento de su significado, desarrollo de algoritmos, más los numerosos desafíos éticos y prácticos que requieren una consideración cuidadosa antes de embarcarse en este tipo de investigación, también existe una oportunidad de enorme crecimiento en el campo de la detección y regulación de las emociones mediante el uso de estos métodos.

Referencias
  1. Bettis H., Taylor A. Burke, Jacqueline Nesi and Richard T. Liu (2021) Digital Technologies for Emotion-Regulation Assessment and Intervention. Clinical Physiological Science 1-24.

  2. Cartocci G., Caratù M., Modica E., Giulio A., Maglione, Rossi D., Cherubino P., BabiloniF. (2017) Electroencephalographic, Heart Rate, and Galvanic Skin Response Assessment for an Advertising Perception Study: Application to Antismoking Public Service Announcements Antismoking Public Service Announcements. Journal of Visualized Experiments.

  3. Egger M., Ley M., Hanke S. (2019) Emotion Recognition from Physiological Signal Analysis: A Review. Electronic Notes in Theoretical Computer Science 343, 35–55.

  4. Iris B. Mauss and Michael D. Robinson (2009) Measures of emotion: A review National Institute of Health.

  5. Lin Shu, Jinyan Xie, Mingyue Yang, Ziyi Li, Zhenqi Li, Dan Liao, Xiangmin Xu and Xinyi Yang (2018) A Review of Emotion Recognition Using Physiological Signals. Sensors.

  6. Mora, F.; Sanguinetti, A.M. (2004). Diccionario de Neurociencias. Madrid: Alianza Diccionarios.

  7. Paiva, A., I. Leite and T. Ribeiro, (2012). Emotion Modelling for Social Robots, Ict.Usc.Edu.

  8. Posner J., Russeell J., Bradley S. and Peterson S. (2005) The circumplex model of affect: An integrative approach to affective neuroscience, cognitive development, and psychopathology Development and Psychopathology 17. 715–734.

  9. Vecchiato Giovanni (2014). Neurophysiological Tools to Investigate Consumer’s Gender Differences during the Observation of TV Commercials. Article ID 912981.

  10. Yifei Lu (2015) Combining Eye Movements and EEG to Enhance Emotion Recognition Twenty-Fourth International Joint Conference on Artificial Intelligence (IJCAI)