Aplicación de modelos de aprendizaje automático para la detección de entrada en sueño a partir de variables fisiológicas medidas por pulseras de actividad

El presente proyecto aborda la problemática de la detección de entrada en sueño o somnolencia crítica en base a los registros fisiológicos – particularmente la frecuencia cardiaca – proporcionados por pulseras de actividad comerciales (Xiaomi Mi Band y Fitbit Charge 5/Inspire 2). Para ello se ha contado con la colaboración de una cohorte de ocho voluntarios, a partir de los cuales se han extraído los datos empleados en el proyecto. La solución que se explora se basa en la aplicación de algoritmos de aprendizaje automático para el desarrollo y evaluación de modelos capaces de realizar esta tarea predictiva. Se propone y aplica una metodología "end-to-end" para el procesamiento, análisis, modelización y validación final. La fase de modelización, incluyendo el ajuste de hiperparámetros, ha permitido entrenar e identificar para cada sujeto un modelo óptimo, alcanzándose tasas de acierto en test en varios casos superiores al 97%. La fase de validación final se ha basado en comparativas de las predicciones generadas por el modelo con mediciones reales del nivel de atención del sujeto, mediante una aplicación web que implementa un juego sencillo para medir tiempos de reacción. Los resultados de esta última fase son también muy prometedores, si bien se requiere de trabajos posteriores que permitan validar y confirmar las conclusiones.

This project addresses the challenge of detecting the onset of sleep or critical drowsiness based on physiological records - specifically heart rate - provided by commercial activity trackers (Xiaomi Mi Band and Fitbit Charge 5/Inspire 2). The study was conducted in collaboration with a cohort of eight volunteers, from whom the data used in the project was extracted. The solution explored involves the application of machine learning algorithms for the development and evaluation of models capable of performing this predictive task. An end-to-end methodology is proposed and applied, encompassing data processing, analysis, modeling, and final validation. The modeling phase, including hyperparameter tuning, has allowed for the training and identification of an optimal model for each subject, achieving test accuracy rates that in several cases exceed the 97% mark. The final validation phase was based on comparisons of the predictions generated by the model with actual measurements of the subject's attention level, using a web application that implements a simple game to measure reaction times. The results of this final phase are also very promising, although further work is needed to validate and confirm the conclusions.