Presentó Trabajo Final de Grado sobre «Detección de Episodios de Ansiedad Mediante Análisis Predictivo y Métricas de Biosensores»

«Detección de Episodios de Ansiedad Mediante Análisis Predictivo y Métricas de Biosensores», se denomina el Trabajo Final de Grado (TFG) presentado por la ahora ingeniera Kimberly Stacei Ryan Aguilar, como prueba final para egresar de la carrera de Ingeniería Electrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La defensa del trabajo se realizó el viernes 10 de Julio del 2026 en el Salón Auditorio de CITEC de la Institución.

La ansiedad constituye una respuesta emocional natural ante situaciones de incertidumbre o amenaza. Cuando la misma se manifiesta de manera excesiva, persistente o desproporcionada,
puede afectar el bienestar y la calidad de vida. Sus episodios pueden acompañarse de taquicardia, sudoración, mareos y alteraciones respiratorias; sin embargo, su identificación requiere evaluación clínica y suele apoyarse en entrevistas, escalas y autorreportes.

Los biosensores portátiles permiten adquirir variables relacionadas con la respuesta del sistema nervioso autónomo, como frecuencia cardiaca, intervalos R-R y variabilidad cardıaca. El análisis de estas señales mediante técnicas de aprendizaje automático permite estudiar patrones de activación fisiológica asociados con estrés y ansiedad. No obstante, dichas respuestas no son exclusivas de la ansiedad y deben interpretarse junto con información contextual y subjetiva.

En este Trabajo Final de Grado presentado se desarrolló y validó técnicamente un prototipo orientado al monitoreo de estados de activación fisiológica en el contexto de la ansiedad. El sistema adquiere frecuencia cardiaca e intervalos R-R mediante el sensor Polar H10 y comunicación BLE (Bluetooth Low Energy), procesa las mediciones en ventanas temporales y calcula siete métricas relacionadas con la frecuencia cardıaca y su variabilidad. La aplicación móvil para Android integra sesiones de autorreporte y monitoreo contínuo, estimaciones preliminares basadas en una lógica heurıstica, almacenamiento local y sincronización remota. Para la evaluación experimental, se procesó el conjunto de datos WESAD (Wearable Stress and Affect Detection) y se generaron 450 ventanas correspondientes a condiciones de reposo y estrés. Éstas se utilizaron para entrenar y evaluar un modelo Random Forest, que alcanzó una exactitud de 88,89 % sobre 90 ventanas de prueba. Asimismo, se verificaron la generación, el etiquetado, la sincronización y la recuperación de ventanas personalizadas producidas por la aplicación. Los resultados respaldan la viabilidad técnica de la arquitectura propuesta como herramienta de apoyo al monitoreo y seguimiento fisiológico, sin finalidad diagnóstica.