Evaluación de estrés laboral mediante técnicas de reconocimiento emocional y ritmo cardíaco

Alejandro M. Vega; Martín Bilbao; Marcelo A. Falappa

doi:10.24215/15146774e073

Autores/as

Alejandro M. Vega Universidad Nacional de la Patagonia San Juan Bosco, Argentina https://orcid.org/0009-0003-9777-7085
Martín Bilbao Universidad Nacional de la Patagonia San Juan Bosco, Argentina https://orcid.org/0000-0002-3469-1757
Marcelo A. Falappa Universidad Nacional de la Patagonia San Juan Bosco, Universidad Nacional del Sur, Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET), Argentina https://orcid.org/0000-0002-3863-2893

DOI:

https://doi.org/10.24215/15146774e073

Palabras clave:

inteligencia artificial, deep face, reconocimiento de emociones, salud

Resumen

Este estudio tiene como objetivo desarrollar un mecanismo para evaluar la salud de los empleados mediante el análisis de reconocimiento de emociones (RE) y la medición del ritmo cardíaco, con el fin de establecer correlaciones con los niveles de estrés. Se trata de la segunda fase de un estudio previo, en la que se compararán los resultados actuales con los obtenidos anteriormente. En ambos estudios se utilizaron dispositivos biométricos, como cámaras para capturar imágenes faciales analizadas con inteligencia artificial y sensores en teléfonos móviles o relojes inteligentes para registrar el ritmo cardíaco. Dado el desafío que representa la detección de emociones, proponemos utilizar el algoritmo Deep-Face para el reconocimiento facial de emociones, el cual ha demostrado una precisión del 94%. Además, los empleados completarán un cuestionario autoadministrado sobre su estado emocional y anímico (neutral, cansado, con energía), lo que permitirá comparar las emociones detectadas con los informes subjetivos. Esto proporcionará una mayor comprensión sobre la precisión del reconocimiento emocional y contribuirá a mejorar la evaluación del estado de salud.

Descargas

Citas

Vega, Alejandro; Bilbao, Martín; Falappa, Marcelo A. Detección de estrés laboral mediante reconocimiento de emociones y ritmo cardíaco. In Proceedings of the 53 Jornadas Argentinas de Informática, Bahía Blanca, Argentina, 12-16 August, 2024.

Huang, D.; Guan, C.; Ang, K.K.; Zhang, H.; Pan, Y. Asymmetric spatial pattern for EEG-based emotion detection. In Proceedings of the 2012 International Joint Conference on Neural Networks (IJCNN), Brisbane, Australia, 10–15 June 2012; pp. 1–7.

Chowdary, M.K.; Nguyen, T.N.; Hemanth, D.J. Deep learning-based facial emotion recognition for human–computer interaction applications. Neural Comput. Appl. 2021, 35, 23311–23328.

Singh, S.K.; Thakur, R.K.; Kumar, S.; Anand, R. Deep learning and machine learning based facial emotion detection using CNN. In Proceedings of the 2022 9th International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, India, 23–25 March 2022; pp. 530–535.

Cui, Y.; Wang, S.; Zhao, R. Machine learning-based student emotion recognition for business English class. Int. J. Emerg. Technol. Learn. 2021, 16, 94–107.

Ganster, D. C., & Rosen, C. C. (2013). Work Stress and Employee Health: A Multidisciplinary Review. Journal of Management, 39(5), 1085-1122.

https://doi.org/10.1177/0149206313475815

Venkatesan, R.; Shirly, S.;Selvarathi, M.; Jebaseeli, T.J. Human Emotion Detection Using DeepFace and Artificial Intelligence. Eng. Proc. 2023, 59, 37. https://doi.org/10.3390/engproc2023059037

Taigman, Y., Yang, M., Ranzato, M. A., & Wolf, L. (2014). Deepface: Closing the gap to human-level performance in face verification. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1701-1708).

Peiró, J. M., & Salvador, A. (1993). Desencadenantes del estrés laboral (Vol. 2). Madrid: Eudema.

Atalaya, M. (2001). El estrés laboral y su influencia en el trabajo. Industrial data, 4(2), 25-36.

Shaffer, F., & Ginsberg, J. P. (2017). An overview of heart rate variability metrics and norms. Frontiers in public health, 5, 258.

Sirio, L. Confiabilidad de par´ametros fisiol´ogicos estimados por elementos vestibles (wearables). Ritmo card´ıaco, posici´on y aceleraci´on, ECG.

Chalmers, T.; Hickey, B.A.; Newton, P.; Lin, C.-T.; Sibbritt, D.; McLachlan, C.S.; Clifton-Bligh, R.; Morley, J.; Lal, S. StressWatch: The Use of Heart Rate and Heart Rate Variability to Detect Stress: A Pilot Study Using Smart Watch Wearables. Sensors 2022, 22, 151. https://doi.org/10.3390/s22010151

Liliana, D. Y. (2019, April). Emotion recognition from facial expression using deep convolutional neural network. In Journal of physics: conference series (Vol. 1193, p. 012004). IOP Publishing.

Taigman, Y., Yang, M., Ranzato, M., & Wolf, L. (2014). DeepFace: Closing the Gap to Human-Level Performance in Face Verification. 2014 IEEE Conference on Computer Vision and Pattern Recognition, 1701-1708.

Parkhi, O., Vedaldi, A., & Zisserman, A. (2015). Deep face recognition. In BMVC 2015-Proceedings of the British Machine Vision Conference 2015. British Machine Vision Association

Zuniga-Jara, S., & Pizarro-Leon, V. (2018). Mediciones de estrés laboral en docentes de un colegio público regional chileno. Información tecnológica, 29(1), 171-180.

Osorio, J. E., & Cárdenas Niño, L. (2017). Estrés laboral: estudio de revisión. Diversitas: perspectivas en psicología, 13(1), 81-90.

Sirio, L. Confiabilidad de parámetros fisiológicos estimados por elementos vestibles (wearables). Ritmo cardíaco, posición y aceleración, ECG.

Gómez, B. A. C., De La Hoz, O. J. R., López, D. M. S., & Solorzano, J. G. (2021). Implementación de una herramienta de medición del ritmo cardíaco basado en plataforma Android. Ciencia e Ingeniería: Revista de investigación interdisciplinar en biodiversidad y desarrollo sostenible, ciencia, tecnología e innovación y procesos productivos industriales, 8(2), 6