Creación y puesta en producción de modelos de machine learning aplicados a señales fisiológicas y comportamentales

Los modelos de machine learning (ML) a partir de señales fisiológicas y comportamentales permiten predecir aspectos psicológicos de un individuo, tales como su personalidad o su estado de ánimo, intrínsecos tales como su género, e incluso conductas futuras, a partir de sus comportamientos y de su reacción fisiológica ante un estímulo o grupo de estímulos concreto. Las medidas que se utilizan para realizar estas predicciones pueden ser de tipo comportamental, que consiste en datos de la interacción del individuo con ciertos elementos del estímulo (por ejemplo, movimientos corporales y desplazamientos, tiempos de reacción, o comportamiento de la mirada), y de tipo fisiológico, que refleja las reacciones fisiológicas que se producen de manera inconsciente (por ejemplo, respuesta galvánica de la piel o electrocardiograma).

Las alternativas a este tipo de modelos predictivos consisten en técnicas estadísticas tradicionales en combinación con medidas de carácter más explícito o subjetivo, tales como la mera observación o los cuestionarios clásicos. Estas técnicas tradicionales presentan algunas limitaciones. Por un lado, los datos obtenidos a través de medidas explícitas o subjetivas pueden presentar numerosos sesgos que ponen en duda su fiabilidad. Por otro lado, aunque la estadística tradicional proporciona información muy interesante a nivel descriptivo y estadístico de los datos, no permite realizar predicciones tal y como es posible a través del machine learning. En cambio, los modelos de machine learning aplicados a señales fisiológicas y comportamentales que se proponen combinan ambas soluciones para obtener datos de fuentes fiables y analizarlos de la manera más óptima posible.

El I3B tiene la capacidad de procesar señales neuronales, fisiológicas y comportamentales (electroencefalografía, electrocardiografía, respuesta galvánica de la piel, rastreo ocular, reconocimiento facial, voz y navegación) para la creación y puesta en producción de modelos de machine learning aplicables tanto a la investigación como a la puesta en producción de sistemas de evaluación, estudio y diagnóstico.