DOI: https://doi.org/10.60647/58F2-7X02
Resumen: Este artículo presenta una breve descripción de la inteligencia artificial interpretable y su aplicación como herramienta para analizar la relación entre la música y la percepción del estrés mediante la clasificación de bioseñales. Asimismo, se exponen las generalidades de un protocolo experimental diseñado para registrar señales de electroencefalografía y de actividad electrodermal en condiciones controladas durante la resolución de operaciones matemáticas en cuatro sesiones auditivas distintas. Con base en este protocolo, se resume un modelo de clasificación interpretable que genera reglas tipo “Si-entonces” para identificar estados de estrés a partir de patrones en las bioseñales registradas. Los resultados sugieren que la música tiene un impacto observable objetivamente en la percepción de estrés. En conjunto, el trabajo muestra el potencial de la IA interpretable para apoyar la detección temprana del estrés y comprender mejor el efecto modulador de la música sobre el estado fisiológico y emocional de las personas.
Palabras clave: Inteligencia Artificial, Estrés, Música
1. La Inteligencia Artificial y sus Aplicaciones
La inteligencia artificial (IA) es una rama de las Ciencias Computacionales dedicada al desarrollo de sistemas que llevan a cabo actividades que normalmente requieren inteligencia humana. Se apoya en algoritmos y modelos matemáticos como técnicas de aprendizaje automático y procesamiento del lenguaje natural para simular las capacidades de las personas. En los últimos años, sus avances han permeado en aspectos tan cotidianos de nuestras vidas como escuchar música, comprar productos, trasladarse de una localidad a otra, etc. Aunque sus usos más popularmente conocidos tienen que ver con aplicaciones comerciales, la IA también se ha posicionado como una herramienta de apoyo valiosa para diagnósticos médicos y monitoreo de la salud (Sire, 2025).
Es notable que el desarrollo tecnológico ha facilitado muchos aspectos de nuestras vidas y nos ha ayudado a resolver problemas que nos afectan a todos. Cuando la pandemia por COVID-19 tuvo lugar, el uso de tecnología para seguir realizando actividades laborales y educativas desde casa fue indispensable. Sin embargo, esto también trajo otras consecuencias, como el incremento en problemas de salud mental como estrés, ansiedad y depresión (Rivera et al., 2025). Es importante enfocar nuestros esfuerzos en el desarrollo de herramientas que tengan una aplicación en beneficio de la humanidad. Por ejemplo, usando IA para el análisis del estrés y la búsqueda de mecanismos para mitigarlo.
El desarrollo de diversos modelos de aprendizaje automático para identificar estrés se adoptó ampliamente (Barajas-Montiel et al., 2026) como respuesta a la necesidad de contar con mecanismos que apoyen a su diagnóstico en etapas tempranas, y así disminuir sus efectos nocivos en la salud. Gran parte de estos modelos se comportan como cajas negras que logran identificar estados estresantes pero que no proveen una descripción clara de qué elementos fisiológicos son los que describen estos estados. Para poder entender cómo el cuerpo humano responde al estrés se propone el desarrollo de modelos interpretables (Barajas-Montiel et al., 2026).
2. IA interpretable
La IA interpretable hace referencia a la generación de modelos predictivos y de clasificación que permiten entender de manera clara el proceso de toma de decisiones seguido, para que tanto especialistas como usuarios puedan confiar en sus resultados. La importancia de la IA interpretable se debe a que, además de hacer comprensibles los resultados a los que llega un modelo, también favorece la confianza y la fiabilidad. Es más probable que los usuarios se sientan cómodos confiando en la respuesta que obtienen de una herramienta tecnológica al entender claramente cómo se obtuvo ésta.
De acuerdo con el trabajo de Graziani (Graziani et al., 2022) otros aspectos relevantes de la IA interpretable son: favorece la confianza y la fiabilidad, sustenta la responsabilidad y la rendición de cuentas, permite auditoría y supervisión, apoya el cumplimiento legal y ético, ayuda a detectar sesgos o prácticas discriminatorias, mejora la adopción por parte de distintos usuarios y facilita la colaboración entre disciplinas.
Con el objetivo de proveer elementos que describan claramente la presencia de estrés y los efectos que la música tiene en este estado, los autores en (Barajas-Montiel et al., 2026) han desarrollado un modelo de aprendizaje interpretable que clasifica señales de electroencefalografía (EEG) y actividad electrodermal (EDA). Sus resultados muestran que escuchar cierto tipo de música provoca que la diferencia en estas bioseñales registradas durante actividades estresantes y aquellas registradas durante estados de reposo sea mínima, es decir, la percepción de estrés es menor. El modelo provee como resultado reglas fácilmente interpretables por los usuarios, que ayudan a entender la respuesta del cuerpo al estrés y así proponer formas de disminuir su percepción.
2.1. Bioseñales y estrés
Una bioseñal es cualquier señal eléctrica o no eléctrica que produce un ser vivo. Es un registro cuantificable que refleja procesos fisiológicos resultado de la actividad de un cuerpo. Se puede medir a través de sensores que representan variaciones eléctricas, químicas o mecánicas asociadas con funciones vitales.
El EEG y la EDA se encuentran entre las bioseñales más comunes. El EEG refleja la dinámica cerebral, y la EDA la conductancia de la piel vinculada a la sudoración. Estas bioseñales pueden ayudar a crear un puente entre la actividad fisiológica y los estados psicológicos. En particular, el estrés es un fenómeno complejo que involucra tanto respuestas cognitivas como anatómicas. Cuando una persona se enfrenta a una situación estresante, el sistema nervioso autónomo activa mecanismos de alerta que modifican, entre otras cosas, la conductancia de la piel y la actividad cerebral.
El procesamiento y análisis de estas bioseñales para detectar estrés ofrece ventajas frente a métodos tradicionales como cuestionarios o entrevistas pues elimina la subjetividad de tales herramientas, que dependen de la percepción individual y la forma que tiene cada individuo de expresar lo que siente. El uso de bioseñales permite contar con datos objetivos, por ejemplo, un incremento en la conductancia de la piel puede indicar un estado de activación relacionado con estrés. Las variaciones en la actividad cerebral pueden reflejar estados de tensión cognitiva.
Con el apoyo de herramientas de aprendizaje automático se pueden diseñar modelos que identifiquen niveles de estrés clasificando las señales en categorías como “sin estrés o estrés”. La combinación de la información proveniente de diferentes bioseñales, conocida como enfoque multimodal, puede ayudar a mejorar la efectividad de los modelos de clasificación al proveer un panorama más amplio del estado de una persona. Además, este enfoque para la detección de estrés permite observar la influencia de diferentes estímulos destinados a reducirlo, como la escucha de música.
2.2. Protocolo para el estudio del estrés
Para registrar bioseñales que reflejen objetivamente estados estresantes es necesario diseñar protocolos de muestreo rigurosos que garanticen la validez y reproductibilidad de los resultados. En un protocolo de muestreo se establece qué sensores serán utilizados y el conjunto de pasos, condiciones y pruebas que una persona tendrá que experimentar para el registro de sus bioseñales. Esto asegura que los datos obtenidos en estos registros sean comparables entre individuos y entre diferentes investigaciones.
En (Barajas-Montiel et al., 2026) se diseñó un protocolo que, a grandes rasgos, sitúa a un estudiante en un ambiente controlado para realizar operaciones matemáticas mientras sus señales de EEG y EDA son registradas. La prueba inicia colocando los sensores: una diadema con cinco electrodos en la cabeza para las señales EEG y un par de electrodos en la mano no dominante del participante para la señal EDA. Posteriormente el participante espera en completo reposo con los ojos cerrados para establecer una línea base que representa el estado “sin estrés”. Luego los estímulos estresantes se presentan como operaciones aritméticas que deben resolverse en un intervalo de tiempo de 4 segundos, si se responden en tiempo y correctamente hay una retroalimentación positiva, en caso contrario se escucha el sonido desagradable de una chicharra. Esta fase de la prueba representa el estado “estrés”. La prueba finaliza con una fase de recuperación en la que el participante permanece en reposo con los ojos cerrados. Durante todo el muestreo se contempló la comodidad del participante, protegiendo su integridad física y emocional.
El protocolo se repite para cada individuo que participa en el estudio en cuatro sesiones diferentes: en completo silencio, escuchando música que el propio individuo haya seleccionado como agradable, escuchando música que haya seleccionado como desagradable, escuchando el Canon de Pachelbel en re menor que tiene el papel de música relajante. El registro de las señales de EEG y EDA en distintas condiciones auditivas permite observar si la música surte efecto en la percepción de estrés.
2.3. El modelo interpretable de clasificación del estrés
El modelo de clasificación presentado en (Barajas-Montiel et al., 2026) propone la combinación automática de la información proveniente de las bioseñales EEG y EDA que fueron registradas con el protocolo descrito generando como resultado reglas del tipo “Si-entonces”. Este modelo describe al estrés con reglas del tipo: “Si la actividad del EEG es mayor en la zona frontal y la conductancia de la piel aumenta, entonces el sistema detecta estrés”. Los resultados de este estudio describen que, en general, la presencia de estrés está descrita por un incremento en la conductancia de la piel, así como de la actividad en la corteza prefrontal, que es la encargada del control ejecutivo, la toma de decisiones, y la regulación emocional (Saffari et al., 2023).
También fue posible observar que las bioseñales correspondientes a las sesiones de silencio tienen un alto porcentaje de clasificación correcta diferenciando entre “sin-estrés” y “estrés”. Esto se interpreta como: al realizar actividades estresantes en completo silencio la percepción del estrés es alta y por eso es fácil clasificar estas señales. Por su parte, las bioseñales correspondientes a las sesiones con música relajante arrojan resultados de clasificación correcta menor, es más complicado distinguir entre las clases mencionadas. Esto se interpreta como: al realizar actividades estresantes mientras se escucha música relajante la percepción de estrés disminuye.
2.4. Conclusiones
La salud mental y el estudio del estrés ha cobrado relevancia en los últimos años. Trabajos recientes han logrado mostrar que aplicando protocolos que garanticen calidad en el registro de bioseñales para el estudio objetivo del estrés, junto con el diseño de modelos de aprendizaje automático que produzcan resultados fáciles de entender, se puede apoyar el diseño de estrategias que permiten detectar el estrés en sus etapas tempranas y así mitigar los problemas de salud que provoca.
