Resumen

En la actual era de la información, el estilo de vida humano se ha orientado más hacia el conocimiento, lo que conduce al sedentarismo. Esto ha dado lugar a una serie de trastornos mentales y de salud. El bienestar mental es uno de los aspectos más descuidados, aunque cruciales, del acelerado mundo actual. Los problemas de salud mental pueden afectar, tanto directa como indirectamente, a otras secciones de la fisiología humana e impedir las actividades cotidianas y el rendimiento de un individuo. Sin embargo, identificar el estrés y encontrar la tendencia de estrés de un individuo que pueda conducir a dolencias mentales graves es todo un reto e implica múltiples factores. Dicha identificación puede lograrse con precisión fusionando estas múltiples modalidades (debidas a diversos factores) que surgen de los patrones de comportamiento de una persona. En la literatura se identifican técnicas específicas para este fin; sin embargo, se proponen muy pocos métodos basados en el aprendizaje automático para estas tareas de fusión multimodal. En este trabajo se propone un marco basado en IA multimodal para monitorizar el comportamiento laboral y los niveles de estrés de una persona. Proponemos una metodología para detectar eficientemente el estrés debido a la carga de trabajo mediante la concatenación de flujos heterogéneos de datos de sensores en bruto (por ejemplo, expresiones faciales, postura, ritmo cardíaco e interacción con el ordenador). Estos datos pueden almacenarse y analizarse de forma segura para comprender y descubrir patrones de comportamiento únicos y personalizados que conducen a la tensión mental y la fatiga. La contribución de este trabajo es doble: en primer lugar, proponer una estrategia de fusión multimodal basada en IA para detectar el estrés y su nivel y, en segundo lugar, identificar un patrón de estrés a lo largo de un periodo de tiempo. Conseguimos una precisión del 96,09 en el conjunto de pruebas de detección y clasificación del estrés. Además, pudimos reducir la pérdida del modelo de predicción de la escala de estrés a 0,036 utilizando estas modalidades. Este trabajo puede resultar importante para la comunidad en general, específicamente para aquellos que trabajan en empleos sedentarios, para controlar e identificar los niveles de estrés, especialmente en los tiempos actuales de COVID-19.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:estrés, trabajo, IA multimodal, niveles de estrés, flujos heterogéneos de datos de sensores en bruto, patrones de comportamiento únicos personalizados, pérdida de modelo de predicción de la escala de estrés, tales tareas de fusión multimodal, problemas de salud mental, era actual de la información
• Keywords:stress, work, multimodal AI, stress levels, heterogeneous raw sensor data streams, personalized unique behavioral patterns, stress scale prediction model loss, such multimodal fusion tasks, Mental health issues, current information age