Investigadores de una universidad canaria crean un algoritmo capaz de saber cómo te sientes

A partir de un estudio inicial en el que se mostraban vídeos a diferentes sujetos, captando los datos biométricos de las diferentes emociones que experimentaban, los investigadores han conseguido predecir y clasificar emociones básicas, como el asco o el miedo, gracias al uso de un algoritmo de inteligencia artificial. En concreto, con un gasto de menos de 200 euros, se ha logrado una precisión del 94% aproximadamente, superando a sistemas actuales que tienen una estructura mayor en costes.

Este nivel de precisión igual e incluso supera a muchos sistemas actuales, los cuales a menudo dependen de equipos más complejos y caros, como los basados en electroencefalografía (EEG). La clave de este avance reside en una metodología innovadora y un coste en materiales que no supera los 200 euros, democratizando el acceso a la tecnología de reconocimiento de emociones.

Para lograr que la máquina pueda leer las emociones, el equipo investigador diseñó un experimento en el que participaron 14 voluntarios de entre 25 y 67 años. Previamente, todos los participantes fueron entrevistados por un psicólogo para confirmar que se encontraban en un estado de salud mental normal, ya que el objetivo era capturar respuestas emocionales en un contexto no clínico.

El proceso de adquisición de datos se realizó en varias fases. La primera se dedicó a la captura de datos, mediante la colación de sensores biométricos no invasivos, conectados a una placa de desarrollo (Arduino UNO-R3) y un módulo e-Health. Estos sensores medían en tiempo real cinco variables fisiológicas clave que cambian con nuestros estados emocionales: el pulso y la oxigenación en sangre (SpO2), la temperatura corporal, la conductancia eléctrica de la piel (relacionada con la sudoración) y el flujo de aire de la respiración.

En un segundo momento se ofrecían los estímulos en vídeo (con imágenes escogidas para inducir emociones concretas como el asco y el miedo) y se monitorizaba la reacción mediante esas señales biométricas, desde un estado de relajación inicial, pasando por el momento de la emoción, hasta el retorno a la calma.

Por último, los datos recogidos, una vez anonimizados, sirvieron para entrenar al núcleo del algoritmo de inteligencia artificial. Éste es una arquitectura de aprendizaje profundo (deep learning) que combina de forma novedosa Redes Neuronales Convolucionales (CNN) (especializadas en encontrar patrones espaciales característicos en los datos), de forma similar a como el cerebro procesa imágenes), Redes LSTM (Long-Short Term Memory), que analizan secuencias de datos a lo largo del tiempo, y una capa de atención, que es uno de los componentes más innovadores, ya que permite que el modelo se «concentre» en los fragmentos más relevantes de la señal biométrica para tomar su decisión, desechando el ruido y mejorando drásticamente la precisión. Gracias a esta combinación sinérgica, el sistema identifica con una fiabilidad del 93.75% si la persona está experimentando miedo, asco o un estado neutro.

La capacidad de predecir y clasificar emociones de forma tan precisa y asequible tiene un potencial transformador en numerosos campos.

Medicina y Salud Cognitiva: Es una de las aplicaciones más prometedoras. La clasificación de emociones es de vital importancia en la detección temprana de trastornos cognitivos. Enfermedades neurodegenerativas como el Alzhéimer a menudo alteran las respuestas emocionales de los pacientes. Un sistema como este podría usarse como una herramienta de monitorización no invasiva y de bajo coste para detectar cambios sutiles en los patrones emocionales que puedan ser un indicador precoz de la enfermedad, incluso antes de que aparezcan síntomas más evidentes.

Sector Audiovisual y Marketing: Las productoras de cine o las agencias de publicidad podrían testar sus contenidos para medir de forma objetiva el impacto emocional que generan en la audiencia. Se podría saber qué escenas de una película provocan más miedo o qué anuncio genera la respuesta deseada, optimizando así el producto final.

Industria del Gaming: Los videojuegos podrían ofrecer experiencias mucho más inmersivas y personalizadas. El juego podría adaptar su dificultad, su narrativa o su música en tiempo real basándose en las emociones del jugador. Por ejemplo, si detecta frustración, podría ofrecer una ayuda; si detecta aburrimiento, podría introducir un nuevo desafío.

Ciberseguridad y Defensa: En entornos de alta seguridad, como el control de infraestructuras críticas, este sistema podría monitorizar el estado de estrés o de alerta de un operador para prevenir errores humanos. También podría tener aplicaciones en el ámbito de la defensa y la seguridad.

El investigador Nabil Ajali Hernández, beneficiario de una beca predoctoral de la Agencia Canaria de Investigación, Innovación y Sociedad de la Información (ACIISI), destaca que este estudio no solo representa un avance significativo en el campo de la computación afectiva, sino que también establece un nuevo punto de referencia en la creación de tecnología de vanguardia que sea a la vez excelente, innovadora y accesible para todos.