3.9 Coding and Statistical techniques used for Data Analysis
3.9.1 Regression Model
A partir de las conclusiones anteriores y la experiencia adquirida, cabe plantearse la posibilidad de realizar a nuestro sistema ciertas modificaciones que permitan mejorarlo o incrementar su funcionalidad.
En primer lugar, se propone crear una nueva base de datos con una muestra de voluntarios mayor (entre 30 - 40 personas). Dicha base de datos deberá estar balanceada entre hombres y mujeres para poder extrapolar mejor los resultados obtenidos. Además, a la hora de obtener dicha base de datos, se propone aplicar el protocolo propuesto en la sección 4.2. Protocolo propuesto. Como ya se ha comentado a lo largo de este documento, al no contar con una cámara térmica (debido principalmente a su elevado coste) no ha sido posible aplicar dicho protocolo en el TFM. Por otro lado, se propone incorporar durante la aplicación del protocolo, un aparato de medición del electrocardiograma para poder identificar y etiquetar con una mayor precisión el grado de estrés. Actualmente, la medición del nivel de estrés a partir de los cambios de la frecuencia cardiaca está ampliamente validada, por lo que podría constituir un gran complemento para nuestro estudio.
Para finalizar se presentan a continuación distintas aplicaciones prácticas en las cuales nuestra solución podría aportar un valor añadido que actúe como un elemento diferenciador. Para ello, nos centraremos en tres mercados potenciales: la seguridad, la sanidad y el entorno laboral.
En lo referente al contexto de la seguridad, las aplicaciones derivadas a partir de nuestra solución son innumerables. Desarrollar y desplegar, por ejemplo, un sistema distribuido de cámaras térmicas que permitan controlar de una forma más eficiente infraestructuras críticas (como los aeropuertos) puede facilitar la labor de las fuerzas de seguridad y reducir, al mismo tiempo, amenazas potenciales. Además, un sistema capaz de detectar situaciones de estrés agudo puede ser utilizado en entornos bancarios y cajas de seguridad como una segunda medida de verificación, aportándoles una seguridad extra muy valorada en este tipo de contextos.
En lo relativo al mercado sanitario, nuestro sistema podría aplicarse, por ejemplo, para monitorizar el nivel de estrés en pacientes que van a someterse a una intervención quirúrgica (tanto en las etapas previas a la operación como en la propia intervención). Está demostrado que la predisposición psicológica juega un papel determinante en el éxito o en el fracaso de una operación quirúrgica.
Otro posible caso de uso dentro del mundo sanitario lo constituye el seguimiento de aquellos pacientes que padezcan alguna enfermedad psiquiátrica. Al ser nuestra aplicación una herramienta no invasiva, permitiría a los médicos obtener una fuente de información muy relevante de una forma sencilla.
Por último, en lo referente al entorno laboral, nuestra solución se podría aplicar en el contexto laboral permitiendo a las empresas poder conocer de primera mano el grado de estrés que padecen sus empleados. Gracias a este conocimiento, se facilitaría en gran medida la aplicación medidas correctoras por parte de la empresa para prevenir la aparición de esta enfermedad en sus empleados. Al mismo tiempo, conseguir regular el grado de estrés de los empleados tiene un alto impacto económico al verse la productividad de los mismos notablemente incrementada [69].
Bibliografía
[1] A. Belloch, F. Ramos y B. Sandín, Manual de Psicopatología. Volumen II, 2009. [2] T. Cox, Stress, 1978.
[3] R. S. Lazarus y S. Folkman, Stress, appraisal and coping, 1984. [4] H. Selye, La tensión en la vida, 1956.
[5] T. H. Holmes y R. H. Rahe, The social readjustment rating scale, Journal of Psychosomatic Research, 1967.
[6] R. S. Lazarus, Psychological stress and the coping process., 1966. [7] H. Selye, Stress without distress, 1974.
[8] B. Sandín, Estrés, coping y alteraciones psicofisiológicas., Procesos emocionales y salud, UNED, 1989.
[9] W. B. Cannon, The wisdom of the body., 1932.
[10] J. W. Mason, Organization of psychoendocrine mechanisms., Psychosomatic Medicine, 1968.
[11] J. M. Weiss, Effects of coping behavior in different warning signal conditions on
stress pathology in rats, Journal of Comparative and Physiological Psychology.
[12] R. S. Lazarus, Coping theory and research: Past, present and future,
Psychosomatic Medicine, 1993.
[13] T. Holmes y R. H. Rahe, The social readjustment rating scale, Journal of Psychosomatic Research, 1967.
[14] T. H. Holmes y E. M. David, Life change, life events, and illness, 1989.
[15] M. A. Santed, B. Sandín, P. Chorot y M. Olmedo, Predicción de la sintomatología somática a partir del estrés diario: Un estudio prospectivo controlando el efecto del
neuroticismo, Revista de Psicopatología y Psicología Clínica, 2000.
[16] B. Sandín, P. Chorot, M. A. Santed y R. M. Valiente, Estrés y salud: Relación de los sucesos vitales y el estrés diario con la sintomatología somática y la
enfermedad, Ansiedad y Estrés, 2002.
[17] S. Levine, J. Weinberg y H. Ursin, Definition of the coping process and statement
of the problem., Psychobiology of stress: A study of coping man, 1978.
[18] P. A. Obrist, Cardiovascular psychophysiology: A perspective., 1981. [19] D. Byrne, The repression-sensitization as a dimension of personality, 1964. [20] P. Muris y P. de Jong, Monitoring and perception of threat, 1993.
[21] C. W. Kohlmann, Development of the repression-sensitization construct, 1993. [22] Y. Parisky, A. Sardi, R. Hamm, K. Hughes, L. Esserman, S. Rust y K. Callahan,
Efficacy of computerized infrared imaging analysis to evaluate mammographically
suspicious lesions, 2003.
[23] M. Salhab, W. A. Sarakbi y K. Mokbel, The evolving role of the dynamic thermal
analysis in the early detection of breast cancer, 2005.
[24] M. Mital y E. Scott, Thermal Detection of Embedded Tumors Using Infrared
Imaging, 2007.
[25] T. Domina y P. Kinnicutt, Thermal Profiling: Can Individuals be grouped into thermal
families?, 2003.
[26] S. Ioannou, J. E. S., T. Aureli y D. Bafunno, The autonomic signature of guilt in
children: A thermal infrared imaging study., 2013.
[27] A. C. Hahn, R. D. Whitehead, M. Albrecht, C. E. Lefevre y D. I. Perret, Hot or not?
Thermal reactions to social contact, 2012.
[28] C. Puri, L. Olson, I. Pavlidis, J. Levine y J. Starren, Stress-cam: Non-contact
measurement of users’ emotional states through thermal imaging, 2005.
[29] M. Garbey, N. Sun, A. Merla y I. Pavlidis, Contact-free measurement of cardiac
pulse base on the analyses of thermal imagery., 2007.
[30] K. Kuraoka y K. Nakamura, The use of nasal skin temperature measurements in
studying emotion in macaque monkeys., 2011.
[31] M. Coli, L. Fontanella, L. Ippoliti y M. A., Multiresolution KLE of psycho-
physiological signals., 2007.
[32] B. R. Nhan y T. Chau, Classifying affective states using thermal infrared imaging of
the human face., 2010.
[33] A. Kistler, C. Mariazouls y V. K. Berlepsch, Fingertip temperature as an indicator
for sympathetic responses, 1998.
[34] R. Vetrugno, R. Liguori, P. Montagna y P. Cortelli, Sympathetic skin response:
Basic mechanisms and clinical applications. Clinical Autonomic Research, 2003.
[35] J. Levine, I. Pavlidis y M. Cooper, The face of fear, 2001.
[36] A. Merla y G. Romani, Thermal signatures of emotional arousal: A functional
infrared imaging study., 2007.
[37] Z. Zhu, P. Tsiamyrtzis y I. Pavlidis, Forehead thermal signature extraction in lie
detection., 2007.
[38] I. Pavlidis, P. Tsiamyrtzis, D. Shastri, A. Wesley y Y. Zhou, How stress patterns
[39] A. M. Stoll, Techniques and uses of skin temperature measurements., 1964. [40] S. Ioannou, V. Gallese y A. Merla, Thermal infrared imaging in psychophysiology:
Potentialities and limits, 2014.
[41] P. Tsiamyrtzis, J. Dowdall, D. Shastri, I. Pavlidis, M. Frank y P. Ekman, Imaging
facial physiology for the detection of deceit., 2006.
[42] L. Gane, S. Power, A. Kushki y T. Chau, Thermal imaging of the periorbital regions
during the presentation of an auditory startle stimulus, 2011.
[43] K. Nakayama, S. Goto, K. Kuraoka y K. Nakamura, Decrease in nasal temperature
of rhesus monkeys (Macaca mulatta) in negative emotional state., 2005.
[44] K. Calvin y V. Duffy, Development of a facial skin temperature-based methodology
for non-intrusive mental workload measurement., 2007.
[45] S. Ebisch, T. Aureli, D. Bafunno, D. Cardone, B. Manini, S. Ioannou y A. Merla,
Mother and child in synchrony: Thermal facial imprints of autonomic contagion.,
2012.
[46] «https://keras.io/,» [En línea].
[47] «https://caffe.berkeleyvision.org/,» [En línea]. [48] «https://www.tensorflow.org/,» [En línea]. [49] «https://pytorch.org/,» [En línea].
[50] «https://azure.microsoft.com/es-es/services/machine-learning-service/,» [En línea].
[51] «https://aws.amazon.com/es/machine-learning/,» [En línea]. [52] «https://colab.research.google.com/,» [En línea].
[53] Y. LeCun, L. Bottou, Y. Bengio y P. Haffner, Gradient-Based Learning Applied to
Document Recognition, 1998.
[54] A. Krizhevsky, G. Hinton y I. Sutskever, ImageNet classification with deep
convolutional neural networks, 2012.
[55] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed y V. Vanhoucke, Going Deeper
with Convolutions, 2014.
[56] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens y Z. Wojna, Rethinking the Inception
Architecture for Computer Vision, 2015.
[57] C. Szegedy, S. Ioffe, V. Vanhoucke y A. Alemi, Inception-v4, Inception-ResNet and
the Impact of Residual Connections on Learning, 2016.
[58] K. Simonyan y A. Zisserman, Very Deep Convolutional Networks for Large-Scale
[59] K. He, X. Zhang, S. Ren y J. Sun, Deep Residual Learning for Image Recognition,
2015.
[60] E. Gómez de Mariscal y A. M. Ugena Martínez, Tratamiento de imágenes
termográficas tomadas bajo situaciones de estrés emocional, 2016.
[61] A. Markov y P. Zakharov, Dynamical infrared thermography in humans, 1995. [62] P. Viola y M. Jones, Rapid Object Detection using a Boosted Cascade of Simple
Features, 2001.
[63] T. Ojala, M. Pietikäinen y T. Mäenpää, Multiresolution Gray Scale and Rotation
Invariant Texture Classificationwith Local Binary Patterns, 2002.
[64] L. Sánchez y F. Tarrés Ruiz, Local Binary Patterns applied to Face Detection and
Recognition, 2010.
[65] B. Zhou, A. Lapedriza, A. Khosla, A. Oliva y A. Torralba, Places: A 10 million Image
Database for Scene Recognition, 2017.
[66] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg y L. Fei-Fei, ImageNet Large Scale
Visual Recognition Challenge, International Journal of Computer Vision, 2015.
[67] C. Fellbaum y G. A. Miller, WordNet: An Electronic Lexical Database. [68] L. N. Smith, Cyclical Learning Rates for Training Neural Networks.
[69] European Risk Observatory, Calculating the cost of work-related stress and
psychosocial risks.
[70] J. W. Mason, A re-evaluation of the concept of nonspecificity in stress theory,