Identificación de estados fisiológicos orientada a la prevención de accidentes laborales en base a datos fisiológicos no invasivos y técnicas de inteligencia artificial
Loading...
Date
2021
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Los estados fisiológicos alterados, como el estrés y la fatiga, muchas veces asociados al
contexto laboral, afectan negativamente a las personas, promoviendo la aparición de
enfermedades cardiovasculares, asma, trastornos del sueño, ansiedad, depresión, entre otros.
Adicionalmente, los estados fisiológicos alterados afectan el rendimiento laboral de los
trabajadores, disminuyendo los indicadores de productividad de las empresas, y
transformándose en una causa de accidentes laborales.
En este trabajo, se desarrolló un sistema que apunta a identificar los estados fisiológicos en
los cuales se encuentra cada trabajador minuto a minuto, mediante una recolección de datos
cardio-respiratorios no invasiva, que representa una gran oportunidad para mitigar los
perjuicios ya expuestos. Para ello se tomaron datos de electrocardiograma y frecuencia
respiratoria de seis personas durante un periodo de una semana. Con estos datos se
entrenaron una serie de modelos de aprendizaje profundo para clasificar en qué estado
fisiológico se encuentra cada persona minuto a minuto.
El modelo con mejores resultados según una función de pérdida de entrenamiento que
considera la divergencia de Kullback-Leibler y el error cuadrático medio, fue el modelo
llamado “What Color”, que se compone de un autoencoder variacional con redes
convolucionales al codificar y decodificar, arquitectura de la cual se toma el espacio latente
para generan tres clústeres que corresponden a tres niveles de estados fisiológicos para cada
persona, mediante la técnica de mezcla de gaussianas.
La significancia de cada clúster se justifica a partir de cinco análisis, la observación visual
de las señales de intervalos RR que vive en cada uno de los clústeres, la relación entre el
estado fisiológico, la postura de la persona y los periodos de sueño, los valores promedios y
desviaciones estándar existentes de las variables relevantes de cada clúster, análisis del
estado del arte sobre estados fisiológicos que surgen de forma espontánea en los resultados
de la investigación, y finalmente, la aplicación del modelo a un repositorio externo de datos
fisiológicos obteniendo resultados acordes a los esperados.
Description
Tesis (Magister en Ciencias de la Ingeniería)--Pontificia Universidad Católica de Chile, 2021