ES2361686B2

ES2361686B2 - Dispositivo y método de detección de estrés mediante señales fisiológicas.

Info

Publication number: ES2361686B2
Application number: ES200930993A
Authority: ES
Inventors: Alberto De Santos Sierra; Javier Guerra Casanova; Carmen Sanchez Avila; Carlos Jimenez Suarez
Original assignee: Secuware S L; Secuware S N; SECUWARE SL; Universidad Politecnica de Madrid
Current assignee: Secuware S L; Secuware S N; SECUWARE SL; Universidad Politecnica de Madrid
Priority date: 2009-11-16
Filing date: 2009-11-16
Publication date: 2011-11-16
Anticipated expiration: 2029-11-16
Also published as: ES2361686A1

Abstract

Dispositivo y método de detección de estrés mediante señales fisiológicas que comprende una etapa de enrolamiento y una etapa de acceso. El enrolamiento comprende: obtener, para distintos estados anímicos del usuario, unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response); almacenar las señales; ejecutar un algoritmo de clustering para obtener un patrón de estrés asociado al usuario y almacenar dicho patrón de estrés para una identificación posterior. La etapa de acceso comprende: realizar tareas de identificación del usuario; obtener el patrón de estrés correspondiente al usuario previamente identificado; obtener las señales de HR y de GSR del estado anímico actual del usuario; almacenar las señales de acceso obtenidas; ejecutar un algoritmo de clustering para obtener un patrón de estrés de acceso; comparar el patrón de estrés de acceso con el patrón de estrés almacenado para el usuario y decidir el grado de estrés del usuario.

Description

Dispositivo y método de detección de estrés mediante señales fisiológicas.

Campo de la invención

La presente invención pertenece al campo de la seguridad, a la seguridad pública, como en el control de accesos a edificios y servicios, a la seguridad informática, en comunicaciones y comercio electrónico y también a la seguridad relativa al sector automovilístico, aeronáutico y doméstico.

Estado de la técnica

Son conocidos numerosos trabajos relacionados con la detección de estrés basada en señales fisiológicas. Algunos presentan un estudio de detección de estrés únicamente basado en la temperatura existente en el dedo (Finger Temperatura, ST), junto con algoritmos de lógica difusa (Fuzzy Logic) y Case-Based Reasoning (CBR). Otros, presentan un sistema capaz de monitorizar el gradó de estrés de una persona a través de el modo en que el individuo escribe en el teclado. Dicha técnica biométrica se conoce como Keystroke dynamics.

La tasa cardíaca (Heart Rate Variability, HRV) ha sido también considerada como un indicador del estrés en el ser humano y ha sido ampliamente estudiada y analizada. Entre los trabajos más importantes se presenta un sistema de monitorización del estrés sobre una arquitectura gíreles distribuida en sensores inteligentes. La tasa cardiaca es registrada en diferentes ubicaciones del cuerpo del individuo mediante sensores localizados en la ropa del usuario.

Sin embargo, lo habitual no es estudiar un determinado aspecto fisiológico, sino un grupo de ellos para obtener una información mucho más completa sobre el estado anímico. Sobre esto se encuentran trabajos que estudian una gran variedad de señales y parámetros, así como la combinación de éstos.

Siguiendo la línea de los trabajos presentados anteriormente, además de la temperatura de la piel, son conocidos trabajos donde se consideran otras señales como la resistencia galvánica de la piel (GSR, Galvanic Skin Response) y la presión sanguínea y tasa cardíaca (BVP, Blood Volume Pulse). Todas estas señales se caracterizan por ser adquiridas de forma no invasiva, no obstrusiva y porque su variación frente al estrés es predecible.

Uno de los aspectos asociados a las señales fisiológicas es también la dilatación pupilar (PD, Pupil Dilation) y el movimiento del ojo. Se encuentran artículos que no sólo consideran las señales anteriores, sino que también tienen en cuenta las señales previamente presentadas, i.e., GSR, BVP, ST, etc... Con estas señales no sólo consiguen detectar el estrés sino también la capacidad atencional del usuario (medida a través del movimiento mismo del ojo). Además, se ha sugerido la posible inferencia de la intención del individuo, un resultado muy interesante para futuras aplicaciones con ordenadores y para una mejora de la interacción hombre máquina (HCI, Human Computer Interaction).

Cabe destacar, un estudio realizado de todas las señales fisiológicas anteriores junto con otras señales muy relacionadas con el estrés, pero ciertamente invasivas y difíciles de adquirir, como es el caso de la Tomografía por emisión de positrones (PET, Positron Emission Tomography), Resonancia Magnética Funcional (FMRI, Functional Magnetic Resonance Imaging), Electroencefalografía (EEG, Electroencephalography), así como otras señales menos invasivas como son los electromiogramas (EMG) o la tasa de respiración. En este caso, la lógica difusa es usada para dilucidar sobre el grado de estrés de un usuario y a parte presenta un enfoque muy orientado a la mejora de la interacción hombre máquina.

En la patente KR705984-B1 se utilizan las señales fisiológicas anteriores para mejorar la concentración y las capacidades meditativas de un determinado usuario mediante el control del estado de estrés del mismo.

Debido al creciente interés por la seguridad, era deseable un método y un dispositivo de detección de estrés como el que se describe en la presente invención, basado en la utilización de diferentes técnicas biométricas sobre señales fisiológicas con el fin de proteger sistemas de acceso y proporcionar seguridad al usuario. De hecho, ningún sistema de identificación es capaz de detectar si la persona que presenta su característica biométrica (iris, huella, cara...) es forzada a hacerlo, es decir, si el usuario registrado en el sistema está siendo usado como llave por un individuo ilícito. Mediante el método y el dispositivo propuesto de detección de estrés, se puede detectar esta situación, ya que se dotaría al sistema de acceso de la capacidad de extraer información del usuario que accede para decidir si dicho individuo se encuentra bajo una situación altamente estresante.

Descripción de la invención

La presente invención propone un método y un dispositivo de detección de estrés no invasivo e integrable en cualquier sistema de acceso con identificación biométrica.

En los estudios de detección de estrés, mencionados en el estado de la técnica, basados únicamente en la temperatura existente en el dedo (Finger Temperatura, ST), se propone un sistema de decisión basado en lógica difusa para decidir el estado de una persona. Sin embargo, el algoritmo utilizado en el método propuesto, no sólo utiliza lógica difusa para su sistema de decisión sino que además es capaz de ofrecer un rango (entre 0 y 100), en definitiva, un porcentaje de cómo se encuentra de estresada la persona (0 nada, 100 mucho). Con lo cual, se amplían las funciones realizadas según los estudios conocidos.

Varios de los estudios, también mencionados en el estado de la técnica, se basan en detectar estrés mediante varias señales (BVP, GSR, PD, etc...) validando la muestra con diferentes poblaciones y utilizando un mismo test de Stroop para inducir el estrés. Sin embargo, la técnica desarrollada por el método propuesto, precisa únicamente de dos señales (GSR y Tasa Cardíaca) para realizar la detección de estrés, a diferencia del compendio de señales que se necesitan en los mencionados estudios. Esto permite una captura menos invasiva, y la colocación de menos sensores alrededor del cuerpo del individuo, facilitando la integración de los sensores en un futuro dispositivo. Además, la población utilizada es mucho más amplia (80 individuos frente a 32 ó 6 individuos), así como las pruebas para inducir estrés son más completas, vistas tanto desdé el punto de vista cognitivo como desde el punto de vista fisiológico. Por último, el concepto de patrón de estrés, original del sistema que se presenta, no es nombrado en ninguno de estos estudios.

Otros trabajos realizados presentan un estudio muy profundo del estrés, sin embargo, analizan tantas señales que violan la condición de no-invasibilidad, de forma que cualquier sistema es menos invasivo que el usado en dichos trabajos. De ahí, que en el sistema propuesto, no sólo la simplicidad de las señales capturadas, sino la algorítmica utilizada para analizar las señales supera en sencillez y eficacia a los trabajos conocidos. Además, el patrón de estrés propuesto en el presente sistema resulta novedoso respecto a los estudios anteriores.

Además de lo mencionado, existe una diferencia fundamental entre el estado de la técnica y el dispositivo y método propuestos. Tanto el dispositivo como el método propuestos son completos y no simplemente algoritmos, cuyo objetivo es minimizar el tamaño, el consumo y el coste, además de permitir la utilización de esta tecnología en aplicaciones, tanto centralizadas, como distribuidas.

Cabe destacar tres características del dispositivo y método propuesto no apreciadas en trabajos previos:

\sqbullet: Patrón de Estrés: En los trabajos previos consultados no se habla de un patrón de estrés, información que pueda reflejar el comportamiento de un determinado individuo ante situaciones anómalas o estresantes.

\sqbullet: Algoritmia: La salida ofrecida por los algoritmos de detección y decisión aportan un porcentaje expresando cómo de estresado se encuentra un determinado usuario (0 nada, 100 mucho), a diferencia de otros trabajos donde únicamente se puede hablar de si existe o no estrés, pero no en qué medida.

\sqbullet: Validación de los experimentos realizados: Debido a su completitud, los experimentos realizados para detectar el estrés han sido validados en una base de datos más amplia con diferencia de las usadas en la mayoría de literaturas (80 individuos). Además las pruebas estresantes, ofrecen un mayor grado de seguridad a la hora de inducir únicamente estrés y no otras sensaciones espúreas como ansiedad o miedo, que pueden ser consideradas como ruido cuando quiere detectarse únicamente estrés.

\vskip1.000000\baselineskip

Por lo tanto, y acorde con lo presentado en el estado de la técnica, existen algunos dispositivos y sistemas capaces de detectar el estrés, sin embargo, ninguno de ellos ofrece el manejo de la información provista por dicho estrés. En otras palabras, la literatura se estanca en la mera detección de estrés, sin llevar a cabo ningún tipo de decisión una vez el sistema ha sido capaz de detectarlo.

Además, el patrón de estrés resulta novedoso ya que únicamente se habla de detección de estrés en el sentido de indicar si existe o no estrés, sin embargo, este sistema es capaz de aportar un grado de estrés, indicando con un porcentaje la tasa de estrés.

El sistema propuesto es capaz no sólo de detectar el estrés, sino de tomar decisiones en base a dicho estrés, realizando ciertas acciones en función de la situación anímica del individuo.

Además, los sistemas de detección de estrés implementados con anterioridad en el estado del arte, estudian y exploran multitud de propiedades para alcanzar dicho fin, sin embargo en este método, únicamente dos señales, la tasa cardíaca, HR (Heart Rate), y conductancia de la piel, SC (Skin Conductance) o GSR (Galvanic Skin Resistance), serán las que ofrezcan la información suficiente para saber si el usuario está estresado. Eso implica, que a diferencia de los trabajos presentados con anterioridad, el dispositivo encargado de la detección de estrés, es fácilmente integrable y puede realizar su función de forma no invasiva, rápida y eficiente.

El método de detección de estrés mediante señales fisiológicas, comprende:

\bullet: una etapa de enrolamiento que a su vez comprende:

a): obtener, para distintos estados anímicos del usuario y a partir de unos medios sensores, unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

b): almacenar las señales obtenidas;

c): ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide \xi, la desviación típica de la señales de HR \sigma_{h} y la desviación típica de la señales de GSR \sigma_{g} formando un patrón de estrés asociado al usuario;

d): almacenar el patrón de estrés en unos medios de almacenamiento para la identificación del usuario;

\bullet: una etapa de acceso que a su vez comprende:

e): realizar tareas de identificación del usuario;

f): obtener, a partir de la identificación realizada por el usuario, el patrón de estrés almacenado en los medios de almacenamiento correspondientes al usuario previamente identificado;

g): obtener, a partir de los medios sensores, unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response) correspondientes al estado anímico actual del usuario que pretende acceder al sistema;

h): almacenar las señales de acceso obtenidas en g);

i): ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide, la desviación típica de la señales de HR y la desviación típica de la señales de GSR formando un patrón de estrés de acceso asociado al usuario identificado;

j): comparar el patrón de estrés de acceso con el patrón de estrés almacenado para el usuario;

k): determinar el grado de estrés del usuario, comprendiendo:

1): calcular, para cada señal x obtenida en g) y para cada estado anímico del usuario, la siguiente función: 1

2): determinar el grado de estrés del usuario como el estado anímico del usuario que cumple la siguiente función: 2 siendo N el número de estados anímicos del usuario.

\vskip1.000000\baselineskip

En una realización preferente, la etapa de acceso comprende la actualización del patrón de estrés almacenado para el usuario en los medios de almacenamiento si el patrón de acceso obtenido para el usuario identificado no pertenece a ningún patrón de estrés previamente almacenado.

De la misma forma, en una realización preferente, el algoritmo de clustering utilizado es el k-means.

Preferentemente, la comparación del patrón de estrés obtenido con el patrón de estrés almacenado se realiza mediante lógica difusa. Realizándose de esta forma, la comparación de patrones comprende la comparación de los centroides del patrón de acceso y de los centroides almacenado en los medios de almacenamiento.

El dispositivo de detección de estrés mediante señales fisiológicas, comprende:

\bullet: unos medios sensores configurados para obtener señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

\bullet: unos medios de procesamiento configurados para la realización de una etapa de enrolamiento y una etapa de acceso donde:

\circ: la etapa de enrolamiento comprende:

l): obtener, para distintos estados anímicos del usuario y a partir de los medios sensores, las señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

m): almacenar las señales obtenidas;

n): ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide \xi, la desviación típica de la señales de HR \sigma_{h} y la desviación típica de la señales de GSR \sigma_{g} formando un patrón de estrés asociado al usuario;

o): almacenar el patrón de estrés en unos medios de almacenamiento para la identificación del usuario;

\circ: una etapa de acceso que a su vez comprende:

p): realizar tareas de identificación del usuario;

q): obtener, a partir de la identificación realizada por el usuario, el patrón de estrés almacenado en los medios de almacenamiento correspondientes al usuario previamente identificado;

r): obtener, a partir de los medios sensores, unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response) correspondientes al estado anímico actual del usuario que pretende acceder al sistema;

s): almacenar las señales de acceso obtenidas en r);

t): ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide, la desviación típica de la señales de HR y la desviación típica de la señales de GSR formando un patrón de estrés de acceso asociado al usuario identificado;

u): comparar el patrón de estrés de acceso con el patrón de estrés almacenado para el usuario;

v): determinar el grado de estrés del usuario, comprendiendo:

1): calcular, para cada señal x obtenida en g) y para cada estado anímico del usuario, la siguiente función: 3

2): determinar el grado de estrés del usuario como el estado anímico del usuario que cumple la siguiente función: 4 siendo N el número de estados anímicos del usuario.

\vskip1.000000\baselineskip

En una realización preferente, los medios de procesamiento están configurados para actualizar el patrón de estrés almacenado para el usuario en los medios de almacenamiento si el patrón de acceso obtenido para el usuario identificado no pertenece a ningún patrón de estrés previamente almacenado.

De la misma forma, en una realización preferente, los medios de procesamiento están configurados para ejecutar el algoritmo k-means como algoritmo de clustering.

Preferentemente, los medios de procesamiento están configurados para comparar el patrón de estrés obtenido con el patrón de estrés almacenado mediante lógica difusa. Así, los medios de procesamiento están configurados para comparar patrones mediante la comparación de los centroides del patrón de acceso y de los centroides almacenado en los medios de almacenamiento.

Breve descripción de los dibujos

A continuación, para facilitar la comprensión de la invención, a modo ilustrativo pero no limitativo se describirá una realización de la invención que hace referencia a una serie de figuras.

La figura 1 representa el espacio formado por los espacios H(R) y G(R), procedentes de la captura de las señales HR y GSR.

La figura 2 representa el resultado del algoritmo k-means con un centroide asociado a cada una de las distribuciones obtenidas en la Figura 1.

La figura 3 muestra una visión en tres dimensiones del patrón de estrés.

La figura 4 representa una visión global del sistema de decisión de difuso donde se aprecian las distribuciones en los diferentes espacios H(R) y G(R). La línea vertical indica un valor medio de estrés.

La figura 5 muestra el esquema de enrolamiento de un usuario, se crea su patrón de estrés y se almacena para un acceso posterior.

\newpage

La figura 6 muestra el esquema de acceso al sistema de un usuario registrado, se capturan sus señales fisiológicas, se contrastan con el patrón almacenado en la base de datos y, si la información coincide con algunos de los estados almacenados para el usuario, se determina su grado de estrés, sino, se actualiza su patrón.

Descripción detallada de un modo de realización

El objeto de la invención es presentar un dispositivo y un método de detección de estrés mediante señales biológicas para detectar la cantidad de estrés encontrada en un usuario en la etapa de enrolamiento o de acceso ante un sistema con requerimiento de autenticación.

La figura 1 representa el espacio formado por los espacios H(R) y G(R). De esta forma, cuando se intente representar la captura de las señales de HR y GSR, se obtendrá una nube de puntos, a partir de la cual podrían obtenerse posteriormente los parámetros (\xi, \sigma_{h}, \sigma_{g}) capturados, donde \xi se corresponde con el centroide de la nube de puntos, \sigma_{h} con la desviación típica de las señales de H(R) y \sigma_{g} con la desviación típica de las señales de G(R). En la figura se observan los diferentes estados anímicos con diferentes símbolos: diamante (estado base), círculo y cuadrado (estado alterado) y asterisco (estado post-estrés).

La figura 2 representa el resultado del algoritmo k-means, donde para cada una de las distribuciones obtenidas en la Figura 1 existe un centroide asociado. Los símbolos siguen siendo los mismos que en la Figura 1, es decir: diamante (estado base), círculo y cuadrado (estado alterado) y asteriscos (estado post-estrés).

La figura 3 muestra una visión en tres dimensiones del patrón de estrés, donde pueden apreciarse los diferentes centroides \xi_{i}, y las diferentes distribuciones en función de las desviaciones \sigma_{h_{i}} y \sigma_{g_{i}}, para i=1, 2, ..., k con k igual al número de estados anímicos distintos. Pueden apreciarse con claridad tres estados: relajado (base), alterado y post-estrés.

La figura 4 representa una visión global del sistema de decisión difuso donde se aprecian, en la primera y segunda columna, las distribuciones en los diferentes espacios H(R) y G(R), donde, dependiendo del valor de entrada, se obtiene un grado de estrés, mostrado en la última columna, en función de la salida de estrés difusa \varepsilon.

La primera fila se corresponde con el estado base, la segunda y tercera con el estado alterado y la cuarta con el estado post-estrés.

La figura muestra, en su primera columna, distribuciones gaussianas para distintos estados anímicos. Estas distribuciones tienen una media igual a los diferentes centroides \xi_{i}, y dispersión \sigma_{h} (para la primera columna de subfiguras) y \sigma_{g} (para la segunda columna de subfiguras), para i=1, 2, ..., k con k igual al número de estados anímicos distintos. Por lo tanto, la primera columna de subfiguras representa las distribuciones para las señales HR en los diferentes estados anímicos, y la segunda columna de subfiguras representa las distribuciones para las señales GSR, también en los diferentes estados anímicos. La quinta fila, en ambas columnas HR y GR, representa el caso en que para cualquier tasa cardiaca (HR), con una GSR elevada, el resultado del estrés será igualmente elevado.

En la última columna de la figura, se representan las distribuciones de estrés, para cada uno de los cinco casos analizados así como el resultado del estrés total. Se opta por una representación triangular por su sencillez, representando valores bajos para situaciones anímicas con bajo estrés, y valores altos para situaciones con alto estrés. En la cuarta fila, la correspondiente a la situación de post-estrés, se hace corresponder una salida de estrés con valores más altos que los valores obtenidos bajo situaciones de estrés, debido a que en una situación de post-estrés, el usuario sigue estresado a pesar de que el agente estresante ha desaparecido. Además, la segunda y la tercera fila poseen dos salidas diferentes de estrés, simplemente por el mero hecho de que posteriormente en la salida final (última subfigura de la tercera columna) las situaciones estresantes tengan mayor peso a la solución final que las no estresantes.

Las salidas parciales de estrés (las cinco primeras subfiguras de la última columna de la figura 4) se obtienen simplemente mediante el mínimo de los valores alcanzados anteriormente, en cada una de las filas. Esos valores se corresponden con las líneas rojas verticales, y son los valores leídos por un sensor conectado al sistema donde las distribuciones se contrastan con el patrón de iris.

Con esto se obtienen las contribuciones de cada uno de los estados a las salidas parciales de estrés correspondiente, y se suman obteniéndose finalmente el centroide de la figura final, indicando el valor de estrés obtenido.

La línea vertical indica el valor indicado por \varepsilon, que en este caso indica un valor medio de estrés.

La figura 5 muestra el esquema de enrolamiento de un usuario, cuando se crea su patrón de estrés, \wp, siendo éste almacenado para un acceso posterior.

La figura 6 muestra una visión global del esquema de acceso al sistema, en el que el usuario ya registrado presenta de nuevo sus señales fisiológicas, que serán contrastadas con el patrón \wp almacenado en la base de datos.

El método desarrollado para la detección de estrés, precisa de las siguientes etapas:

1. Captura de las señales fisiológicas

Para realizar la captura de las señales fisiológicas, HR (Heart Rate) y GSR (Galvanic Skin Resistance), se utiliza cualquier dispositivo comercial capaz de capturar y procesar las señales anteriores. El entorno donde se lleva a cabo la captura de las muestras no requiere ninguna especificación concreta, ya que aspectos como la iluminación, humedad y temperatura, no afectan al proceso, siempre y cuando estén dentro de los márgenes indicados por los dispositivos que realizan la toma de muestras.

La etapa de captura se realiza en las fases de:

\sqbullet: Entrenamiento del sistema: Para distinguir entre situación normal (denominado a partir de ahora como estado base) y situación de estrés (estado alterado), el sistema ha de saber cómo se comporta un determinado usuario (cómo son sus patrones de estrés) ante ambas situaciones. Para ello, se realizarán diferentes pruebas con cierta carga cognitiva (operaciones matemáticas sencillas, distinción entre sonidos con diferente altura, etc...), tomando medidas en ambos momentos: antes y después de las pruebas.

\sqbullet: Acceso al sistema: Una vez que el sistema ha sido capaz de almacenar cómo se comporta el usuario ante ambas situaciones (almacenamiento que se consigue mediante el registro de las señales HR y GSR), comienza la identificación del grado de estrés que posee el individuo.

\vskip1.000000\baselineskip

2. Entrenamiento del sistema v extracción del patrón de estrés

Para entrenar al sistema, es necesario primeramente hacer que el sistema asocie el comportamiento que va a ser registrado, es decir, las señales HR y GSR en ambos estados, a un determinado usuario, pues cada persona posee un patrón de estrés diferente, y por lo tanto la identificación del usuario se hace imprescindible.

Cuando un usuario se presenta por primera vez ante el sistema, procederá a colocarse en los dedos de la mano los dispositivos pertinentes para obtener las señales HR y GSR. Durante el enrolamiento, se realizarán tareas con una cierta carga cognitiva. Concretamente el test de Stroop junto con meras operaciones matemáticas puede inducir un estado de estrés suficientemente diferenciado del estado base. Las señales HR y GSR quedan registradas en todo momento, siendo almacenadas tal y como se procesan por los dispositivos comerciales, esto es, como una señal unidimensional de longitud dependiente del tiempo que dure el proceso de enrolamiento.

Una vez que dichas señales han quedado registradas, se procede a la extracción del patrón de estrés, que servirá posteriormente para dilucidar si este mismo usuario presenta un estado anómalo.

En general, h \in H(R) y g \in G(R) representan respectivamente las señales HR y GSR, que pueden tomar valores reales, R, y cuyo rango de valores vendrá determinado por los dispositivos usados. Se define el espacio cartesiano
H(R) x G(R), que dispone en el plano la información proporcionada por las señales anteriores, y que permitirá de una forma más sencilla agrupar la información proporcionada por ambas variables.

Sobre dicho espacio, se realizan técnicas de clustering supervisadas, mediante el algoritmo k-means.

Dicho algoritmo se encarga de analizar los datos obtenidos y asociados a cada uno de los estados y obtener un centroide. Dicho centroide, representado por \xi se asocia a cada uno de los estados, con lo cual para cada uno de los estados existe un \xi diferente.

Además de ésto, el algoritmo proporciona una desviación típica para cada uno de los estados, con lo cual para cada \xi existe además dos desviaciones asociadas a cada una de los espacios H(R) y G(R). Dichos valores se representan mediante \sigma_{h} y \sigma_{g}, que son las desviaciones típicas asociadas a H(R) y G(R) respectivamente.

Tras ejecutar el algoritmo k-means, se obtiene finalmente el patrón de estrés de la persona que se ha enrolado en el sistema, que es simplemente las ternas (\xi_{i}, \sigma_{h_{i}}, \sigma_{g_{i}}), \foralli \in N, donde podrán existir tantos estados como se desee, aunque lo mínimo es que existan dos: uno estado relajado (estado base) y un estado estresado (estado alterado).

Finalmente, dicho patrón, denominado \wp, deberá de ser actualizado a medida que el usuario accede al sistema, para que éste se vaya adaptando a la situación anímica del usuario y sea capaz de detectar con mayor precisión los picos de estrés, aparte de detectar el alto nivel de estrés.

El hecho de ofrecer un patrón de estrés, algo con lo que contrastar, es algo completamente innovador si se compara con lo implementado en la literatura.

\vskip1.000000\baselineskip

3. Acceso al sistema

Finalmente, y en base al patrón \wp, el usuario accede al sistema y presenta de nuevo los rasgos biométricos HR y GSR. Dichos rasgos efectúan el mismo proceso anterior, es decir, son registrados y tratados mediante un algoritmo de k-means para obtener la terna (\xi, \sigma_{h}, \sigma_{g}). Dicha terna es contrastada con el patrón \wp mediante operadores difusos, de tal forma, que se obtiene una salida, también difusa, denominada \varepsilon y que ofrece un valor en el intervalo [0, 1], indicando el grado de estrés de la persona. Dicha función \varepsilon, compara los centroides obtenidos por \wp con el centroide de entrada recientemente adquirido, y en base a las distribuciones a las reglas difusas definidas ofrece como salida a qué estado se corresponde con mayor grado y en qué medida se parece a dicho estado.

La salida difusa \varepsilon se obtiene tras calcular, para cada señal x obtenida del usuario y para cada estado anímico del mismo, la siguiente función: 5 Esta función ofrece una salida en el intervalo [0, 1], Para determinar el grado de estrés del usuario, se calcula 6 para N igual al número de estados anímicos del usuario.

De esta forma, con los datos que se presenten podrán ocurrir dos cosas: primero, que el valor presentado a la entrada pertenezca a uno de los estados anteriormente definido, esto es, o relajado o estresado, base o alterado, respectivamente. Si este es el caso, el sistema actuaría tal y como se explica a continuación con el fin de definir en qué grado de estrés se encuentra el usuario. Sin embargo, si el valor presentado no se considera como un valor registrado por el sistema, entonces dicho sistema empieza a actualizar el patrón almacenado teniendo en cuenta el nuevo valor llegado. Si por un casual ese valor nunca más se repitiese, habrá sido una situación anómala del individuo, pero si por el contrario dicho valor se va repitiendo a lo largo del tiempo, implicará que dicho estado es el estado base verdadero del individuo, y seguramente su distribución de valores esté más cerca de la distribución de valores del estado base relajado que del estado alterado.

Con lo cual, el sistema primeramente aprende y entrena el sistema con datos extraídos del usuario y posteriormente, y a medida que el usuario va accediendo más y más al sistema, el sistema será capaz de aprender el comportamiento del individuo que accede e irse adaptando a el mejor, de tal forma que cuanto más tiempo pase, más profundo será el aprendizaje sobre la persona y mucho más fácil será detectar el estrés.

A continuación, sin pretender ser limitativos en el alcance de la invención, se detalla un modo de realización del método propuesto con el que se han obtenido resultados óptimos.

Primeramente, es necesario enrolar al usuario que quiera pertenecer a| sistema. Para ello, es necesario crear su patrón de estrés, que se trata del comportamiento de las señales HR y GSR en las diferentes situaciones de estado base (relajación) y estado alterado (estrés). Para ello se precisa de un dispositivo integrado que sea capaz de medir HR y GSR. Dicho dispositivo puede ser cualquier dispositivo comercial ya existente que ofrezca la posibilidad de almacenar y procesar estas señales. En concreto, el registro psicofisiológico de tasa cardiaca y conductancia de la piel se llevó a cabo mediante la utilización del I-330-C2 PHYSIOLAB (J & J Engineering) con capacidad para 6 canales (incluyendo señales de EMG, ECG, respiración, tasa cardiaca, conductancia y resistencia de la piel).

En concreto, este dispositivo permite una alta integrabilidad en un futuro sistema de detección de estrés, ya que la lectura se realiza mediante la colocación de sensores (pequeñas planchas de metal de alrededor de 1cm de radio) en los dedos de la mano derecha, aunque puede ser utilizado en cualquier mano.

Para llevar a cabo una detección de estrés es necesario saber cómo se comporta un determinado usuario ante un estado normal (estado base) y un estado de estrés (estado alterado). Para ello es necesario inducir el estado de relajación y estrés. Las pruebas realizadas para implementar este sistema consistieron en cuatro etapas:

\sqbullet: Etapa primera: Inducir un estado de relajación donde al usuario se le miden sus respuestas de HR y GSR. Dicho estado de relajación consiste simplemente en sentar al individuo, con los sensores conectados, y registrar las señales anteriores.

\sqbullet: Etapa segunda: Se pide al usuario que respire de forma rápida y profunda, realizando una hiperventilación hasta que dicha sensación sea molesta. Tras ese preciso momento en el que el usuario indica su malestar, se procede al registro de las muestras.

\sqbullet: Etapa tercera: Tras la etapa segunda, y una vez que el usuario ha recuperado una respiración normal, se le propone la realización de una charla ante una cámara que grabará su actuación. Durante dos minutos se le pide al usuario que piense sobre un tema en concreto dado. Sin embargo, en el momento de la grabación, se registra de nuevo su estado anímico mediante las señales HR y GSR, diciéndole posteriormente que no es necesario realizar la prueba.

\sqbullet: Etapa cuarta: Finalmente, se pide al usuario que se relaje pues las pruebas han finalizado, registrando de nuevo aquí las características biométricas anteriores.

\vskip1.000000\baselineskip

Estas etapas distinguen perfectamente tres estados: estado de relajación (etapa primera), estado alterado (etapa segunda y tercera), estado pos-alterado (etapa cuarta). Las pruebas realizadas son específicas de este método, sin embargo, cualquier prueba con una capacidad cognitiva considerable (como operaciones matemáticas, distinción de colores, test de Stroop, etc...) puede servir para inducir el estrés de la misma manera que las pruebas anteriores.

Con estas señales, se construye el espacio cartesiano H(R) x G(R). Con los datos anteriores, se ejecuta el algoritmo k-means, aportando como resultado (y para cada estado) el centroide de dicha distribución, así como la desviación en ambos espacios (H(R) y G(R)). Dichos centroides pueden ser obtenidos con cualquier algoritmo de clustering.

En definitiva, se busca dividir un determinado conjunto de datos <(h_{1}, g_{1}), ..., (h_{n}, g_{n})>\in H(R) x G(R) en k particiones (k < n), denominadas S = {S_{1}, ..., S_{k}} \subseteq H(R) x G(R) de tal forma que se minimiza la suma de cuadrados intracluster, o en otras palabras:

7

donde x_{j} representa cada una de las señales obtenidas y \mu_{j} la distancia al centroide elegido en cada iteración.

\vskip1.000000\baselineskip

Puesto que existen cuatro estados, y se sabe exactamente qué señales pertenecen a cada estado, se utiliza esta información para realizar una primera partición de todo el conjunto de datos en cuatro particiones, \Pi = {\pi_{1}, \pi_{2}, \pi_{3}, \pi_{4}}.

Para cada partición \pi_{1}, \foralli \in {1, 2, 3, 4}, se aplica dicho algoritmo, con k = 1, pues se sabe de antemano que todos los puntos de dicha partición pertenecen a un mismo estado anímico. Con todo esto se obtienen los centroides de las particiones en \Pi, denominados Z = {\xi_{1}, \xi_{2}, \xi_{3}, \xi_{4}}. Además de esto, se obtienen para cada partición \pi_{1} la desviación de los datos en el espacio H(R) x G(R), es decir, \sigma_{h} x \sigma_{g} =<(\sigma_{h_{1}}, \sigma_{g_{1}}), ..., (\sigma_{h_{4}}, \sigma_{g_{4}})>.

Llegados a este punto, el patrón de estrés se define como el conjunto de ternas {\xi_{i}, \sigma_{h_{i}}, \sigma_{g_{i}}), \foralli \in {1, 2, 3, 4}, y será representado por la letra \wp.

Finalmente, y concluyendo esta etapa de enrolamiento del usuario, se precisa del almacenamiento del patrón. Para almacenar el patrón, se precisa reservar en memoria cierto espacio para guardar el patrón \wp y un identificador del usuario, por ejemplo su nombre.

El patrón \wp ocupa 12x32 bits, ya que cada elemento del patrón (ya sea \xi_{i}, \sigma_{h_{i}} ó \sigma_{g_{i}}), es representado por un elemento float, y puesto que existen cuatro estados, y tres elementos por estado, en total p ocupa en memoria 384 bits, 48 Bytes.

Una vez que el usuario ha sido enrolado y se la ha asignado un patrón de estrés \wp, se procede a acceder al sistema. Para acceder al sistema, el usuario debe presentar los dedos de su mano para la colocación de los sensores anteriores. Durante un periodo de 10-20 segundos, se realiza el registro de las señales de HR y GSR, h y g respectivamente.

Una vez que se ha obtenido la muestra, se realiza la comparación de los patrones mediante el uso de lógica difusa. Para ellos, se modelan las particiones anteriores \Pi, como variables difusas \tilde{\Pi} = {\tilde{\pi}_{1}, \tilde{\pi}_{2}, \tilde{\pi}_{3}, \tilde{\pi}_{4}}. Dichas variables dependen de las ternas (\xi_{i}, \sigma_{h_{i}}, \sigma_{g_{i}}), \foralli \in {1, 2, 3, 4}, asociadas al patrón \wp de la siguiente forma: 8 siendo x las señales obtenidas del usuario.

Para no sobrecargar la nomenclatura, se supondrá lo siguiente a partir de ahora:

9

Además, las funciones difusas \tilde{\pi}_{i} proporcionan un valor en el intervalo [0, 1], indicando el grado de pertenencia de las señales (h, g) a la partición \tilde{\pi}_{i}. Para agregar toda la información proveniente de los cuatro estados, se define la salida difusa \varepsilon que proporcionará también en el intervalo [0, 1], el grado de estrés en el usuario. Dicha variable se basa en reglas definidas en base a las funciones difusas \tilde{\pi}_{i} y se expresa como: 10
100 siendo N el número de estados anímicos del usuario.

\newpage

Este sistema de decisión basado en lógica difusa proporciona por lo tanto un determinado grado de estrés en el usuario, en base al patrón de estrés \wp que posee el individuo.

Puesto que cada persona posee un determinado patrón de estrés que es variable con el tiempo, este patrón de estrés deberá irse refrescando a medida que el usuario va accediendo al sistema. Para realizar dicha actualización, se modela un nuevo patrón de estrés \wp' que se refresca siguiendo la siguiente estructura:

11

donde a se irá aproximando a uno a medida que el usuario vaya accediendo al sistema, mediante la regla siguiente:

12

donde n es el número de veces que el usuario ha accedido al sistema.

\vskip1.000000\baselineskip

La idea es que el algoritmo sea capaz de adaptarse a las diferentes etapas que sufre el ser humano a lo largo de su vida, y que por lo tanto el sistema no se bloquee a pesar de que el Individuo esté pasando por una etapa estresante en su vida, nada que ver con la situación de que alguien esté forzándole a acceder a un determinado sistema.

Con todo esto, y al contrario que la literatura existente, el sistema puede utilizarse como detector de sujeto vivo en aplicaciones y dispositivos biométricos, y las aplicaciones derivadas de su uso se extienden a un gran número de campos, desde la domótica hasta las aplicaciones de seguridad informática más exigentes.

Las mejoras presentadas en este sistema se basan no sólo en la detección de estrés (pues se detecta el estrés únicamente con dos señales), sino que presenta un sistema complejo e inteligente de decisión detrás de dicho sistema de detección de estrés capaz de actuar en consecuencia en caso de que un individuo se encuentre estresado de forma anómala, siendo por lo tanto un sistema muy completo para detección de fraudes, detección de frustración o incluso detección de comportamiento.

De esta forma, la aplicación industrial de esta tecnología presenta varios frentes. Primeramente, cualquier tecnología de acceso (ya sea control a un edificio, o acceso a una información protegida) puede tomar ventaja de esta tecnología, ya que permite detectar si una persona se encuentra ante una situación estresante y por lo tanto con riesgo de fraude para el sistema.

La facilidad de integración de estos dispositivos en aparatos móviles permitirá la inclusión de este método en cualquier sistema de acceso, y en cualquier sistema de control, como puede ser la cabina de un piloto de avión, coche, camión, etc...

Su aplicación industrial contempla además la utilización de estos dispositivos para cualquier tipo de aplicación electrónica, como podría ser la transferencia electrónica, el voto electrónico o el acceso a sistemas informáticos comprometidos. También, aplicaciones industriales relacionadas con la domótica se derivan del hecho de poder dotar a un determinado sistema (en el caso de la domótica a la casa en general) de la inteligencia suficiente para entender y comprender el estado anímico del usuario, y su seguimiento. Esto permitiría en última estancia poder analizar de forma continua su estado anímico y llevar algún tipo de control médico para así poder controlarlo.

Por último, a nivel empresarial posee múltiples aplicaciones, pues la productividad de una industria/empresa reposa en la productividad de cada uno de sus trabajadores, y dicha productividad individual se ve mermada cuando los individuos sufren un grado de estrés elevado. Por lo tanto, un sistema de detección de estrés permitirá el control del estrés de cada uno de los empleados/trabajadores obteniendo de ellos el máximo rendimiento, reduciendo al máximo sus niveles de estrés.

Una vez descrita de forma clara la invención, se hace constar que las realizaciones particulares anteriormente descritas son susceptibles de modificaciones de detalle siempre que no alteren el principio fundamental y la esencia de la invención.

Claims

1. Método de detección de estrés mediante señales fisiológicas, caracterizado porque comprende:

\bullet: una etapa de enrolamiento que a su vez comprende:

a): obtener, para distintos estados anímicos del usuario y a partir de unos medios sensores (1), unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

b): almacenar las señales obtenidas;

c): ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide \xi, la desviación típica de la señales de HR \sigma_{h} y la desviación típica de la señales de GSR \sigma_{g}, formando un patrón de estrés asociado al usuario;

d): almacenar el patrón de estrés en unos medios de almacenamiento (3) para la identificación del usuario;

\bullet: una etapa de acceso que a su vez comprende:

e): realizar tareas de identificación del usuario;

f): obtener, a partir de la identificación realizada por el usuario, el patrón de estrés almacenado en los medios de almacenamiento (3) correspondientes al usuario previamente identificado;

g): obtener, a partir de los medios sensores (1), unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response) correspondientes al estado anímico actual del usuario que pretende acceder al sistema;

h): almacenar las señales de acceso obtenidas en g);

k): determinar el grado de estrés del usuario, comprendiendo:

1): calcular, para cada señal x obtenida en g) y para cada estado anímico del usuario, la siguiente función: 13

2): determinar el grado de estrés del usuario como el estado anímico del usuario s que cumple la siguiente función: 14 siendo N el número de estados anímicos del usuario.

\vskip1.000000\baselineskip

2. Método de detección de estrés mediante señales fisiológicas, según la reivindicación anterior, caracterizado porque la etapa de acceso comprende la actualización del patrón de estrés almacenado para el usuario en los medios de almacenamiento (3) si el patrón de acceso obtenido para el usuario identificado no pertenece a ningún patrón de estrés previamente almacenado.

3. Método de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones anteriores, caracterizado porque el algoritmo de clustering utilizado es el k-means.

4. Método de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones anteriores, caracterizado porque la comparación del patrón de estrés obtenido con el patrón de estrés almacenado se realiza mediante lógica difusa.

5. Método de detección de estrés mediante señales fisiológicas, según la reivindicación 4, caracterizado porque la comparación de patrones comprende la comparación de los centroides del patrón de acceso y de los centroides almacenado en los medios de almacenamiento (3).

\newpage

6. Dispositivo de detección de estrés mediante señales fisiológicas, caracterizado porque comprende:

\bullet: unos medios sensores (1) configurados para obtener señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

\bullet: unos medios de procesamiento (2) configurados para la realización de una etapa de enrolamiento y una etapa de acceso donde:

\circ: la etapa de enrolamiento comprende:

l): obtener, para distintos estados anímicos del usuario y a partir de los medios sensores (1), las señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

m): almacenar las señales obtenidas;

o): almacenar el patrón de estrés en unos medios de almacenamiento (3) para la identificación del usuario;

\circ: la etapa de acceso que a su vez comprende:

p): realizar tareas de identificación del usuario;

q): obtener, a partir de la identificación realizada por el usuario, el patrón de estrés almacenado en los medios de almacenamiento (3) correspondientes al usuario previamente identificado;

r): obtener, a partir de los medios sensores (1), unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response) correspondientes al estado anímico actual del usuario que pretende acceder al sistema;

s): almacenar las señales de acceso obtenidas en r);

v): determinar el grado de estrés del usuario comprendiendo:

1): calcular, para cada señal x obtenida en r) y para cada estado anímico del usuario, la siguiente función: 15

2): determinar el grado de estrés del usuario como el estado anímico del usuario que cumple la siguiente función: 16 siendo N el número de estados anímicos del usuario.

\vskip1.000000\baselineskip

7. Dispositivo de detección de estrés mediante señales fisiológicas, según la reivindicación 6, caracterizado porque los medios de procesamiento (2) están configurados para actualizar el patrón de estrés almacenado para el usuario en los medios de almacenamiento (3) si el patrón de acceso obtenido para el usuario identificado no pertenece a ningún patrón de estrés previamente almacenado.

8. Dispositivo de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones 6-7, caracterizado porque los medios de procesamiento (2) están configurados para ejecutar el algoritmo k-means como algoritmo de clustering.

9. Dispositivo de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones 6-8, caracterizado porque los medios de procesamiento (2) están configurados para comparar el patrón de estrés obtenido con el patrón de estrés almacenado mediante lógica difusa.

10. Dispositivo de detección de estrés mediante señales fisiológicas, según la reivindicación 9, caracterizado porque los medios de procesamiento (2) están configurados para comparar patrones mediante la comparación de los centroides del patrón de acceso y de los centroides almacenado en los medios de almacenamiento (3).