Evaluación del método DBSCAN para identificar patrones de estrés en estudiantes usando datos no etiquetados

Resumen

Un desafío clave en la clasificación del estrés es la obtención de datos etiquetados, que requiere la intervención de expertos, como psicólogos, para garantizar precisión, dada la variabilidad individual en la respuesta al estrés. Este estudio evalúa el método DBSCAN (Density-Based Spatial Clustering of Applications with Noise) para identificar respuestas fisiológicas al estrés en datos no etiquetados, destacando su capacidad para detectar patrones en datos ruidosos o complejos. Se analizaron señales de fotopletismografía (PPG) y actividad electrodérmica (EDA) registradas en estudiantes universitarios durante 51 pruebas de inducción de estrés en entornos académicos de bajo, medio y alto estrés. Las señales fueron segmentadas y procesadas para reducir artefactos y asegurar un número homogéneo de muestras por sujeto y escenario. Se extrajeron características de las señales, normalizadas con z-score, y se aplicó Análisis de Componentes Principales (PCA) para reducir la dimensionalidad y facilitar la visualización, generando conjuntos separados para PPG y EDA. Finalmente, se aplicó DBSCAN al conjunto unificado de datos no etiquetados. Los resultados muestran que DBSCAN no logró formar clústeres claramente definidos con los parámetros seleccionados, evidenciando una limitación del método en este contexto, a pesar de su capacidad para manejar datos complejos. Los hallazgos sugieren la necesidad de explorar métodos más avanzados de procesamiento y clustering para datos no etiquetados en estudios futuros.