Dispositivo y método de detección de estrés mediante señales fisiológicas que comprende una etapa de enrolamiento y una etapa de acceso.

El enrolamiento comprende: obtener, para distintos estados anímicos del usuario, unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response); almacenar las señales; ejecutar un algoritmo de clustering para obtener un patrón de estrés asociado al usuario y almacenar dicho patrón de estrés para una identificación posterior. La etapa de acceso comprende: realizar tareas de identificación del usuario; obtener el patrón de estrés correspondiente al usuario previamente identificado; obtener las señales de HR y de GSR del estado anímico actual del usuario; almacenar las señales de acceso obtenidas; ejecutar un algoritmo de clustering para obtener un patrón de estrés de acceso; comparar el patrón de estrés de acceso con el patrón de estrés almacenado para el usuario y decidir el grado de estrés del usuario

Dispositivo y método de detección de estrés mediante señales fisiológicas.

Campo de la invención

La presente invención pertenece al campo de la seguridad, a la seguridad pública, como en el control de accesos a edificios y servicios, a la seguridad informática, en comunicaciones y comercio electrónico y también a la seguridad relativa al sector automovilístico, aeronáutico y doméstico.

Estado de la técnica

Son conocidos numerosos trabajos relacionados con la detección de estrés basada en señales fisiológicas. Algunos presentan un estudio de detección de estrés únicamente basado en la temperatura existente en el dedo (Finger Temperatura, ST), junto con algoritmos de lógica difusa (Fuzzy Logic) y Case-Based Reasoning (CBR). Otros, presentan un sistema capaz de monitorizar el gradó de estrés de una persona a través de el modo en que el individuo escribe en el teclado. Dicha técnica biométrica se conoce como Keystroke dynamics.

La tasa cardíaca (Heart Rate Variability, HRV) ha sido también considerada como un indicador del estrés en el ser humano y ha sido ampliamente estudiada y analizada. Entre los trabajos más importantes se presenta un sistema de monitorización del estrés sobre una arquitectura gíreles distribuida en sensores inteligentes. La tasa cardiaca es registrada en diferentes ubicaciones del cuerpo del individuo mediante sensores localizados en la ropa del usuario.

Sin embargo, lo habitual no es estudiar un determinado aspecto fisiológico, sino un grupo de ellos para obtener una información mucho más completa sobre el estado anímico. Sobre esto se encuentran trabajos que estudian una gran variedad de señales y parámetros, así como la combinación de éstos.

Siguiendo la línea de los trabajos presentados anteriormente, además de la temperatura de la piel, son conocidos trabajos donde se consideran otras señales como la resistencia galvánica de la piel (GSR, Galvanic Skin Response) y la presión sanguínea y tasa cardíaca (BVP, Blood Volume Pulse). Todas estas señales se caracterizan por ser adquiridas de forma no invasiva, no obstrusiva y porque su variación frente al estrés es predecible.

Uno de los aspectos asociados a las señales fisiológicas es también la dilatación pupilar (PD, Pupil Dilation) y el movimiento del ojo. Se encuentran artículos que no sólo consideran las señales anteriores, sino que también tienen en cuenta las señales previamente presentadas, i.e., GSR, BVP, ST, etc... Con estas señales no sólo consiguen detectar el estrés sino también la capacidad atencional del usuario (medida a través del movimiento mismo del ojo). Además, se ha sugerido la posible inferencia de la intención del individuo, un resultado muy interesante para futuras aplicaciones con ordenadores y para una mejora de la interacción hombre máquina (HCI, Human Computer Interaction).

Cabe destacar, un estudio realizado de todas las señales fisiológicas anteriores junto con otras señales muy relacionadas con el estrés, pero ciertamente invasivas y difíciles de adquirir, como es el caso de la Tomografía por emisión de positrones (PET, Positron Emission Tomography), Resonancia Magnética Funcional (FMRI, Functional Magnetic Resonance Imaging), Electroencefalografía (EEG, Electroencephalography), así como otras señales menos invasivas como son los electromiogramas (EMG) o la tasa de respiración. En este caso, la lógica difusa es usada para dilucidar sobre el grado de estrés de un usuario y a parte presenta un enfoque muy orientado a la mejora de la interacción hombre máquina.

En la patente KR705984-B1 se utilizan las señales fisiológicas anteriores para mejorar la concentración y las capacidades meditativas de un determinado usuario mediante el control del estado de estrés del mismo.

Debido al creciente interés por la seguridad, era deseable un método y un dispositivo de detección de estrés como el que se describe en la presente invención, basado en la utilización de diferentes técnicas biométricas sobre señales fisiológicas con el fin de proteger sistemas de acceso y proporcionar seguridad al usuario. De hecho, ningún sistema de identificación es capaz de detectar si la persona que presenta su característica biométrica (iris, huella, cara...) es forzada a hacerlo, es decir, si el usuario registrado en el sistema está siendo usado como llave por un individuo ilícito. Mediante el método y el dispositivo propuesto de detección de estrés, se puede detectar esta situación, ya que se dotaría al sistema de acceso de la capacidad de extraer información del usuario que accede para decidir si dicho individuo se encuentra bajo una situación altamente estresante.

Descripción de la invención

La presente invención propone un método y un dispositivo de detección de estrés no invasivo e integrable en cualquier sistema de acceso con identificación biométrica.

En los estudios de detección de estrés, mencionados en el estado de la técnica, basados únicamente en la temperatura existente en el dedo (Finger Temperatura, ST), se propone un sistema de decisión basado en lógica difusa para decidir el estado de una persona. Sin embargo, el algoritmo utilizado en el método propuesto, no sólo utiliza lógica difusa para su sistema de decisión sino que además es capaz de ofrecer un rango (entre 0 y 100), en definitiva, un porcentaje de cómo se encuentra de estresada la persona (0 nada, 100 mucho). Con lo cual, se amplían las funciones realizadas según los estudios conocidos.

Varios de los estudios, también mencionados en el estado de la técnica, se basan en detectar estrés mediante varias señales (BVP, GSR, PD, etc...) validando la muestra con diferentes poblaciones y utilizando un mismo test de Stroop para inducir el estrés. Sin embargo, la técnica desarrollada por el método propuesto, precisa únicamente de dos señales (GSR y Tasa Cardíaca) para realizar la detección de estrés, a diferencia del compendio de señales que se necesitan en los mencionados estudios. Esto permite una captura menos invasiva, y la colocación de menos sensores alrededor del cuerpo del individuo, facilitando la integración de los sensores en un futuro dispositivo. Además, la población utilizada es mucho más amplia (80 individuos frente a 32 ó 6 individuos), así como las pruebas para inducir estrés son más completas, vistas tanto desdé el punto de vista cognitivo como desde el punto de vista fisiológico. Por último, el concepto de patrón de estrés, original del sistema que se presenta, no es nombrado en ninguno de estos estudios.

Otros trabajos realizados presentan un estudio muy profundo del estrés, sin embargo, analizan tantas señales que violan la condición de no-invasibilidad, de forma que cualquier sistema es menos invasivo que el usado en dichos trabajos. De ahí, que en el sistema propuesto, no sólo la simplicidad de las señales capturadas, sino la algorítmica utilizada para analizar las señales supera en sencillez y eficacia a los trabajos conocidos. Además, el patrón de estrés propuesto en el presente sistema resulta novedoso respecto a los estudios anteriores.

Además de lo mencionado, existe una diferencia fundamental entre el estado de la técnica y el dispositivo y método propuestos. Tanto el dispositivo como el método propuestos son completos y no simplemente algoritmos, cuyo objetivo es minimizar el tamaño, el consumo y el coste, además de permitir la utilización de esta tecnología en aplicaciones, tanto centralizadas, como distribuidas.

Cabe destacar tres características del dispositivo y método propuesto no apreciadas en trabajos previos:

1. Método de detección de estrés mediante señales fisiológicas, caracterizado porque comprende:

• una etapa de enrolamiento que a su vez comprende:

a) obtener, para distintos estados anímicos del usuario y a partir de unos medios sensores (1), unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

b) almacenar las señales obtenidas;

c) ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide ξ, la desviación típica de la señales de HR σ_h y la desviación típica de la señales de GSR σ_g, formando un patrón de estrés asociado al usuario;

d) almacenar el patrón de estrés en unos medios de almacenamiento (3) para la identificación del usuario;

• una etapa de acceso que a su vez comprende:

e) realizar tareas de identificación del usuario;

f) obtener, a partir de la identificación realizada por el usuario, el patrón de estrés almacenado en los medios de almacenamiento (3) correspondientes al usuario previamente identificado;

g) obtener, a partir de los medios sensores (1), unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response) correspondientes al estado anímico actual del usuario que pretende acceder al sistema;

h) almacenar las señales de acceso obtenidas en g);

i) ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide, la desviación típica de la señales de HR y la desviación típica de la señales de GSR formando un patrón de estrés de acceso asociado al usuario identificado;

j) comparar el patrón de estrés de acceso con el patrón de estrés almacenado para el usuario;

k) determinar el grado de estrés del usuario, comprendiendo:

1) calcular, para cada señal x obtenida en g) y para cada estado anímico del usuario, la siguiente función: 13

2) determinar el grado de estrés del usuario como el estado anímico del usuario s que cumple la siguiente función: siendo N el número de estados anímicos del usuario.

2. Método de detección de estrés mediante señales fisiológicas, según la reivindicación anterior, caracterizado porque la etapa de acceso comprende la actualización del patrón de estrés almacenado para el usuario en los medios de almacenamiento (3) si el patrón de acceso obtenido para el usuario identificado no pertenece a ningún patrón de estrés previamente almacenado.

3. Método de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones anteriores, caracterizado porque el algoritmo de clustering utilizado es el k-means.

4. Método de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones anteriores, caracterizado porque la comparación del patrón de estrés obtenido con el patrón de estrés almacenado se realiza mediante lógica difusa.

5. Método de detección de estrés mediante señales fisiológicas, según la reivindicación 4, caracterizado porque la comparación de patrones comprende la comparación de los centroides del patrón de acceso y de los centroides almacenado en los medios de almacenamiento (3).

6. Dispositivo de detección de estrés mediante señales fisiológicas, caracterizado porque comprende:

• unos medios sensores (1) configurados para obtener señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

• unos medios de procesamiento (2) configurados para la realización de una etapa de enrolamiento y una etapa de acceso donde:

circ la etapa de enrolamiento comprende:

l) obtener, para distintos estados anímicos del usuario y a partir de los medios sensores (1), las señales de HR (Heart Rate) y de GSR (Galvanic Skin Response);

m) almacenar las señales obtenidas;

n) ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide ξ, la desviación típica de la señales de HR σ_h y la desviación típica de la señales de GSR σ_g formando un patrón de estrés asociado al usuario;

o) almacenar el patrón de estrés en unos medios de almacenamiento (3) para la identificación del usuario;

circ la etapa de acceso que a su vez comprende:

p) realizar tareas de identificación del usuario;

q) obtener, a partir de la identificación realizada por el usuario, el patrón de estrés almacenado en los medios de almacenamiento (3) correspondientes al usuario previamente identificado;

r) obtener, a partir de los medios sensores (1), unas señales de HR (Heart Rate) y de GSR (Galvanic Skin Response) correspondientes al estado anímico actual del usuario que pretende acceder al sistema;

s) almacenar las señales de acceso obtenidas en r);

t) ejecutar un algoritmo de clustering que asigna un cluster para cada estado anímico del usuario y que obtiene, para cada cluster, a partir de las señales comprendidas en el cluster, un centroide, la desviación típica de la señales de HR y la desviación típica de la señales de GSR formando un patrón de estrés de acceso asociado al usuario identificado;

u) comparar el patrón de estrés de acceso con el patrón de estrés almacenado para el usuario;

v) determinar el grado de estrés del usuario comprendiendo:

1)calcular, para cada señal x obtenida en r) y para cada estado anímico del usuario, la siguiente función: 15 2)determinar el grado de estrés del usuario como el estado anímico del usuario que cumple la siguiente función: 16 siendo N el número de estados anímicos del usuario.

7. Dispositivo de detección de estrés mediante señales fisiológicas, según la reivindicación 6, caracterizado porque los medios de procesamiento (2) están configurados para actualizar el patrón de estrés almacenado para el usuario en los medios de almacenamiento (3) si el patrón de acceso obtenido para el usuario identificado no pertenece a ningún patrón de estrés previamente almacenado.

8. Dispositivo de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones 6-7, caracterizado porque los medios de procesamiento (2) están configurados para ejecutar el algoritmo k-means como algoritmo de clustering.

9. Dispositivo de detección de estrés mediante señales fisiológicas, según cualquiera de las reivindicaciones 6-8, caracterizado porque los medios de procesamiento (2) están configurados para comparar el patrón de estrés obtenido con el patrón de estrés almacenado mediante lógica difusa.

10. Dispositivo de detección de estrés mediante señales fisiológicas, según la reivindicación 9, caracterizado porque los medios de procesamiento (2) están configurados para comparar patrones mediante la comparación de los centroides del patrón de acceso y de los centroides almacenado en los medios de almacenamiento (3).