Trabajo de Fin de Máster. Control de estrés en mayores: Aplicación para SmartWatch

Abstract

Las personas pueden experimentar distintos niveles de estrés en sus actividades cotidianas, especialmente las de mayor edad, debido a factores internos como la edad, salud o experiencias previas, o externos como ruido, temperatura o aglomeraciones. Identificar los factores que incrementan el nivel de estrés resulta clave para abordarlos desde un punto de vista clínico.

En este Trabajo Fin de Máster se propone un entorno multisistema que permite monitorizar, analizar y predecir el estrés de manera poco invasiva y a bajo coste, ofreciendo herramientas que facilitan a los terapeutas el análisis del estrés percibido. El sistema consta de un reloj inteligente, un dispositivo móvil y una plataforma web multiusuario como núcleo central. El reloj recopila señales fisiológicas PPG, además de acelerómetro, GPS y pasos, en tiempo real, permitiendo etiquetar momentos de mayor tensión. El dispositivo móvil gestiona la autenticación multiusuario y transmite credenciales seguras al reloj.

Finalmente, la plataforma web almacena los datos en una base de datos distribuida, gestionando usuarios, actividades y etiquetas, y permitiendo visualizar el detalle de los resultados para su análisis clínico. La evaluación y predicción del estrés se basan en técnicas de procesamiento de señales y algoritmos de Aprendizaje Automático desplegados como microservicios en Kubernetes.

Gracias a esta arquitectura desacoplada, se filtran las señales PPG y se extraen métricas de variabilidad de la frecuencia cardíaca para estimar el nivel de estrés en ventanas de un minuto, generando, además, un perfil de estrés por usuario. Este perfil se fundamenta en una experimentación llevada a cabo con sujetos evaluados mediante el test DASS-21, que mide el estrés percibido. El conjunto de datos resultante permite entrenar un modelo para calcular el perfil de estrés percibido en función de las actividades registradas.

Adicionalmente, para predecir niveles de estrés —alto, medio y bajo— se han usado los conjuntos de datos SWELL y WESAD, cuya combinación, en base a estudios publicados, produce un modelo con mayor adaptabilidad a diversas situaciones donde pueda generarse estrés. Así, se facilita el seguimiento clínico por parte de terapeutas, brindando una visión integral del estado de la persona y permitiendo analizar los factores que originan estrés en las actividades diarias.

People can experience varying levels of stress in their daily activities, particularly older adults, due to both internal factors, such as age, health status, or past experiences, and external factors, such as noise, temperature, or crowding. Identifying determinants that increase stress levels is critical for addressing them from a clinical perspective. This Master’s Thesis proposes a multi-system framework designed to non-invasively and cost-effectively monitor, analyze, and predict stress, providing therapists with tools to facilitate the assessment of perceived stress. The proposed system comprises a smartwatch, a mobile device, and a multi-user web platform. The smartwatch continuously collects physiological signals, specifically photoplethysmography (PPG), alongside accelerometer, GPS, and step-count data, enabling the labeling of moments with heightened tension. The mobile device manages multi-user authentication, securely transmitting credentials to the smartwatch. Finally, the web platform serves as the central hub, storing all collected data in a distributed database, managing users, activities, and labels, and offering detailed visualizations for clinical analysis. Stress evaluation and prediction are performed through signal processing techniques and Machine Learning algorithms deployed as microservices on a Kubernetes cluster. This decoupled architecture allows the system to filter PPG signals and extract heart rate variability metrics in one-minute windows, generating a personalized stress profile for each user. This profile is grounded in an experimental study in which participants were assessed using the DASS-21 test, a standardized measure of perceived stress. The resulting dataset was used to train a model that computes perceived stress profiles based on recorded activities. Furthermore, in order to predict three stress levels—high, medium, and low—the system incorporates additional datasets, specifically SWELL and WESAD. According to published research, combining these datasets yields a model with enhanced adaptability to diverse scenarios where stress may be triggered. In this way, clinical monitoring is streamlined for therapists, offering a comprehensive view of each individual’s condition and enabling a thorough analysis of the factors that contribute to stress in daily life.