Estudio exploratorio de modelos para la evaluación automatizada de estados mentales a partir de señales de electroencefalogramas, integrable al servicio Neuro4B

Abstract

Neuro4B es una empresa dedicada al análisis de neurocompetencias en el área laboral. Esta empresa evalúa el desempeño, rendimiento y reacciones de trabajadores usando un test proporcionado por Nesplora llamado IceCream Team y un electroencefalograma portátil. Las señales de electroencefalografía (EEG) ofrecen una ventana no invasiva a la actividad cerebral, cuyo análisis es fundamental para el diagnóstico de patologías neurológicas y para el desarrollo de interfaces cerebro-computador (BCI). Sin embargo, la complejidad y la naturaleza estocástica de estas señales hacen que la identificación de patrones específicos sea una tarea desafiante. Este estudio preliminar explora y compara la eficacia de diversos algoritmos de machine learning para la detección automática de patrones en señales EEG descompuestas en múltiples bandas de frecuencia. Los resultados preliminares se centran en comparar métricas clave de rendimiento, como la precisión (accuracy), la sensibilidad y la especificidad de cada modelo, además de ser contrastadas con métricas proporcionadas por Neuro4B. A partir de este trabajo se espera identificar qué algoritmos ofrecen la mayor capacidad discriminativa y la mejor especificidad diagnóstica para la clasificación de estados emocionales y de carga cognitiva.