Ing. Aaron Nestor Mamani Villca - R.N.I. 49393

Es Ingeniero Electrónico de la Universidad Mayor de San Andrés con Especialidad en Sistemas de Control y con Diplomados en Educación Superior.

RESUMEN

El desarrollo de modelos para la predicción del estrés tiene suma importancia a sus efectos nocivos para la salud mental y física. Por ende, se realizará un modelo de predicción para la detección de este estado mediante la base de un sistema adaptativo de inferencia neuro-difusa o ANFIS. Este sistema permite establecer y comprender relaciones no lineales de varias variables independientes con variables dependientes, siendo ello aplicable y adecuado en la detección de distintos niveles de estrés. Finalmente, se implementa un modelo ANFIS propuesto en MATLAB para la detección del estrés, mostrando resultados satisfactorios.

PALABRAS CLAVE. Predicción, ANFIS, sistemas inteligentes híbridos, detección del estrés, sistemas neuro-difusos, redes neuronales.

INTRODUCCIÓN

Hoy en día los ritmos y las demandas de vida son más desafiantes y requieren mayores esfuerzos físicos y mentales. Un individuo reacciona a las cargas físicas y mentales que son potencialmente dañinas hacia la salud. Si el individuo percibe un estímulo nocivo de mucha intensidad o larga duración, es probable que él no pueda afrontarlo, y ello, en consecuencia, provocará una mala adaptación. En este escenario, el estrés permanecerá y la persona continuará alterada.

Las consecuencias psicológicas del estrés implican el deterioro del estado de ánimo, déficits cognitivos, desórdenes de la personalidad, y desórdenes de los horarios de alimentación. Por otro lado, entre las consecuencias físicas, el estrés puede generar cansancio excesivo, causar tensión muscular, alterar la interacción social, e intensificar síntomas de enfermedades en general (A. Mariotti, 2015; H. Thapliyal, V. Khalus, C. Labrado, 2017). Por lo tanto, identificar el estrés en un individuo ayuda a su tratamiento y a la prevención de las consecuencias mencionadas.

El haber reconocido que el estrés puede ocasionar enfermedades graves ha intensificado la investigación para su detección. A pesar de que el estudio del estrés es muy complejo, tiene algunas características que permiten distinguirlo cuando las personas sufren este estado; por lo tanto, el diseño de un sistema de identificación del estrés es factible.

Gracias a las redes neuronales y la lógica difusa, se han podido resolver varios problemas de detección y predicción. De esta manera, se plantea aplicar lo mencionado para detectar distintos niveles de estrés con un entrenamiento adecuado para un conjunto de datos seleccionado.

DESARROLLO

SISTEMA ANFIS

El sistema ANFIS es una red neuronal artificial (ANN) de múltiples capas que integra los algoritmos de aprendizaje de las redes neuronales y la lógica difusa. Está técnica inteligente permite combinar las ventajas de ambos modelos para resolver distintos problemas de ingeniería. El sistema ANFIS es no lineal y describe una relación entrada-salida empleando las ventajas de la capacidad de aprendizaje de una red neuronal con la estructura de un sistema difuso. La figura 1 muestra la arquitectura ANFIS para dos entradas y una salida para ilustrar su explicación.

Figura 1. Diagrama esquemático de la arquitectura ANFIS.

El sistema ANFIS utiliza un sistema de inferencia difusa (FIS) para generar un espacio de salida desde un espacio de entrada; la regla básica para dos entradas y y una salida es la siguiente.

 MODELO DE DETECCIÓN DE ESTRÉS PROPUESTO

Primero, se debe seleccionar un conjunto de datos y de acuerdo a ello diseñar el modelo de detección. El conjunto de datos será tomado de las mediciones de un dispositivo electrónico que detecta y analiza los niveles de estrés del ser humano denominado “Stress-lysis.” El dispositivo se instala en la mano humana y realiza tres clasificaciones diferentes de estrés: estrés bajo (0), estrés normal (1), y estrés alto (2). Este dispositivo mide tres variables, humedad, temperatura, y número de pasos, para determinar el nivel de estrés. Un sensor de contacto se utiliza para estimar la temperatura del cuerpo humano, otro sensor para la humedad se utiliza para monitorear el sudor generado, y un acelerómetro mide la cantidad de pasos; todas estas variables ayudan a encontrar los niveles de estrés y de estimulación de un sujeto (L. Rachakonda, et al., 2019).

Por consiguiente, hay un total de cuatro características o variables, de las cuales tres son variables predictoras (humedad, temperatura, y número de pasos) y una es la variable objetivo (nivel de estrés). El modelo ANFIS propuesto tendrá esas tres variables predictoras como datos de entrada y como salida al nivel de estrés. Se dispone de un conjunto de datos de 2001 muestras que contienen adquisiciones de los sensores y el nivel de estrés de distintos sujetos de prueba.

Para la configuración en MATLAB®, el modelo ANFIS tendrá cinco nodos para cada variable en la primera capa, lo cual implica 125 funciones de membresía. Las funciones de membresía serán del tipo con salidas lineales a razón de que estos tipos de funciones son muy versátiles. Se utilizará el método para la generación de los sistemas de inferencia difuso (FIS). El método de entrenamiento seleccionado será el híbrido, y se hará una época de entrenamiento (epochs) de 10. Finalmente, para el entrenamiento, se empleará el 70% de los datos, dejando un 30% de los datos para las pruebas y análisis de resultados.

RESULTADOS

El entrenamiento del modelo ANFIS para la detección del estrés resulto tener un error cuadrático medio de para los datos de entrenamiento (primeras 1401 filas del conjunto de datos). Las 600 filas restantes del conjunto se utilizaron para el testeo. La respuesta del modelo de detección ANFIS y los datos de prueba se presentan en la figura 2.

Figura 2. Gráfica de los niveles de estrés según ANFIS y los datos de prueba.

Los niveles de estrés según el conjunto de datos están marcados con puntos azules y los niveles de estrés según el modelo ANFIS están marcados con puntos de color rojo. El error cuadrático medio obtenido para los datos de testeo fue , lo cual denota que es aceptable utilizar el sistema propuesto para la detección de los niveles de estrés. No obstante, es posible mejorar aún más los resultados agregando un bloque de redondeo a la salida del sistema con el propósito de que este entregue valores enteros que determinen exactamente uno de los tres niveles de estrés ya mencionados.

Con esta modificación se obtiene un error cuadrático medio obtenido para los datos de testeo igual a cero. Por lo tanto, el combinado del modelo ANFIS y el redondeo permite una detección muy remarcable para los niveles de estrés de una persona.

CONCLUSIÓN

El objetivo concerniente a la aplicación del modelo neuro-difuso ANFIS para la detección del estrés se ha cumplido satisfactoriamente. Asimismo, el agregado de un bloque para redondear la predicción del modelo ANFIS ha permitido mejorar inmensamente la detección en virtud al tipo de valores de la variable objetivo del conjunto de datos utilizado en particular. Sin embargo, es posible realizar algunas modificaciones o innovaciones para la obtención de resultados más precisos. Se pueden considerar muchas más variables predictoras para una detección más adecuada del estrés, teniendo en cuenta un muy posible acomplejamiento de la estructura del modelo FIS, una adquisición más extensa de datos, y un incremento considerable de los tiempos de entrenamiento.

REFERENCIAS BIBLIOGRÁFICAS

• Ramadan, S. Kamel, I. Hamdan, y A. M. Ahmed, “A Novel Intelligent ANFIS for the Dynamic Model of Photovoltaic Systems,” Mathematics, vol. 10, no. 8, pp. 1-14, 2022.
• J. Ross, Fuzzy Logic with Engineering Applications, 3rd ed., UK: John Wiley & Sons, Ltd., 2010.
• Rachakonda, S. P. Mohanty, E. Kougianos, and P. Sundaravadivel, “Stress-Lysis: A DNN-Integrated Edge Device for Stress Level Detection in the IoMT,” IEEE Trans. Conum. Electron., vol. 65, no. 4, pp. 474-483, 2019.
• Rachakonda, P. Sundaravadivel, S. P. Mohanty, E. Kougianos, y M. Ganapathiraju, “A Smart Sensor in the IoMT for Stress Level Detection,” Proceedings of the 4th IEEE International Symposium on Smart Electronic Systems (iSES), pp. 141-145, 2018.
• Sarkar, Z. H. Prottoy, T. Bari, y A. Al Faruque, “Comparison of ANFIS and ANN modeling for predicting the water absorption behavior of polyurethane treated polyester fabric,” Heliyon, vol. 7, no. 9, e08000, 2021.
• Thapliyal, V. Khalus, y C. Labrado, “Stress Detection and Management: A Survey of Wearable Smart Health Devices,” IEEE Consum. Electron. Mag., vol. 6, no. 4, pp. 64-69, 2017.
• Mariotti, “The effects of chronic stress on health: new insights into the molecular mechanisms of brain-body communication,” Future Sci OA, vol. 1, no. 3, FSO23, 2015.