Detección de los niveles de estrés y ansiedad en pilotos aplicando técnicas de Machine Learning

Abstract

En la actualidad, numerosos profesionales del sector aeronáutico se encuentran ante estados de estrés prolongado y situaciones que no le permiten pensar de manera eficiente llegando a tomar decisiones que en ocasiones pueden desembocar en situaciones fatídicas. Según estudios [1] la profesión de piloto es una de las más estresantes teniendo que tomar decisiones de decisiva importancia para el pasaje en cada jornada laboral. Muchos de ellos toman decisiones después de pocas horas de sueño, el 75 por ciento de los pilotos declarán que se encuentra fatigados continuamente [2]. Además de la figura del piloto, existen otros puestos fundamentales para la seguridad en la aviación tal y como se explica en el modelo de Reason. Para determinar estos niveles de estrés o ansiedad, universidades de todo el mundo tienen áreas de conocimiento específicas dedicadas a lo conocido como área de computación afectiva [3]. Por ejemplo, estudios del MIT han demostrado los niveles de estrés de operadores de call center [4]. Otro de los conceptos que está tomando protagonismo con el incremento de usuarios en las redes sociales e Internet es el Big Data. Esta idea se basa en la gran cantidad de datos de los que se disponen a la hora de crear modelos predictivos que sean capaces de determinar tendencias en muy diversos ámbitos. Por ejemplo, estas nociones son de gran utilidad en finanzas intentando predecir los movimientos económicos del mercado, o para detectar el cáncer a partir de las imágenes de las células del organismo. Sin embargo, estos conceptos son fiables cuando no se dispone de una ecuación o relación matemática que relacione unos con otros cosa que en el sector aeronáutico no es habitual, puesto que se conocen con gran precisión la mayoría de los fenómenos que implican a la aeronave o al vuelo de ésta. Aún así, investigadores del Imperial College han creado herramientas a partir de algoritmos de Machine Learning para que la aeronave actúe de manera autónoma en situaciones de emergencia dejando en segundo plano la acción del piloto [5]. Con estos precedentes, en este trabajo se busca crear una herramienta que sea capaz de predecir los estados de ansiedad y estrés en personas. Para ello, se ha comenzado realizando un análisis de cómo actúa el organismo frente a estímulos, desde que se percibe éste hasta que se produce una respuesta por los músculos efectores. Es por ello que se ha comenzado estudiando el sistema nervioso y cómo actúa de manera autónoma en determinadas situaciones. Una vez conocida la estructura del sistema nervioso y cómo se produce la comunicación entre neuronas, se necesita determinar los parámetros que serán necesarios estudiar para determinar los niveles de estrés y ansiedad en un piloto. Estos parámetros se decidirán en función de teorías de la emoción y teorías psicofisiológicas, que permiten discretizar el global de las emociones en aquellas que son objeto de este trabajo. Conocidos los parámetros a medir, el siguiente paso es determinar cómo se va a medir y para ello existen varias posibilidades en el mercado. Se pueden conocer las pulsaciones, aumento de la sudoración, reconocimiento facial o respuesta cerebral. Sin embargo, los equipos no son asequibles económicamente por lo que como solución se ha optado por un sensor que mide la respuesta galvánica de la piel (sudoración) conectado

a un microcontrolador y se exportan los datos vía Matlab. Con los ficheros de datos, el siguiente paso es crear un modelo que sea capaz de predecir estados futuros de estrés y con ello provocar una respuesta en la aeronave, en caso de que se esté midiendo a pilotos, o equipo que se esté utilizando. La facilidad para crear estos modelos con Matlab lo hacen una herramienta idónea para estos procedimientos. Los mejores resultados, según los datos que se obtienen del sensor, son los proporcionados por los algoritmos de SVM tras realizar algunas simplificaciones sobre los objetivos introducidos.

Nowadays, a huge number of aeronautics professionals are involved in situations in which they have to manage stress or anxiety. This sensations can not provide them with the correct answers and in many cases a fatal accident occur. Researches have shown that being pilot is one of the most stressful jobs and they take decisions in a short time and very important for the safety of the crew and the passengers. Many of them declare that they work after few hours sleeping, 75 percent of pilots say they feel fatigued commmonly. Moreover, there are other aeronautics professionals with a vital importance in this sector,as Reason model show in its explanation. To determine these levels of stress and anxiety, Universities have dedicated areas in which they investigate emotional topics, they call this computational affective areas. For instance,MIT researches have demonstrated a way to the recognition of stress in a call center. The concept of Big Data is being trended recently due to the ascent of the social networks and the Internet. There are websites that storage huge amount of data and they use with no legal consent in future applications. However, there are also other ways to use these methods. For example, Big Data and Machine Learning are crucial in finance for brokers who create predictive models whit these techniques or for doctors who investigate cancer, they study different images and they try to recognize a pattern. Machine Learning is useful when we do not have an equation o mathematical expression to determine how a model works. Aeronautics presents a great number of equations that explain in a well way how an aircraft and the aeronautics sector works. Although, Imperial College researchers have shown models that apply Machine Learning concepts to determine the trajectory of the aircraft in extreme weather conditions. In this book, we try to create a predictive tool which can provide an answer about the anxiety or stress level. To do that, people have collaborated to measure the electrodermal activity with a galvanic skin response sensor and the data have been stored. With this data, we have calculated features and apply as inputs in the Machine Learning algorithms. Finally, the predictive model has been created. 5