El estrés es esa molesta radiación de fondo de la vida moderna. La Organización Mundial de la Salud (OMS) advierte que los problemas de salud mental son ya la principal causa de discapacidad en Europa y, aunque resulta llamativa la capacidad humana para preocuparse por cosas que aún no han pasado, detectar cuándo esa preocupación se transforma en algo patológico es extremadamente necesario.

Un nuevo estudio liderado por la Universidad Politécnica de Madrid (UPM) y el King’s College de Londres (KCL) ha desarrollado un método para medir el estrés sin recurrir a dispositivos aparatosos o invasivos. Hasta ahora, obtener datos fiables implicaba, en muchos casos, conectar al paciente a cables, bandas pectorales y electrodos para registrar distintas variables fisiológicas. El inconveniente es evidente: evaluar el estado de calma de una persona mediante un sistema de monitorización complejo puede alterar, paradójicamente, aquello que se pretende medir.

La investigación, publicada en Biomedical Signal Processing and Control, aborda este equilibrio entre la precisión del algoritmo y la intrusión del dispositivo en la vida diaria. Los investigadores −que pertenecen al grupo KNOwledge Discovery and Information Systems (KNODIS) de la Escuela Técnica Superior de Ingeniería de Sistemas Informáticos (ETSISI)− analizaron datos fisiológicos y de comportamiento obtenidos de tres fuentes: teléfonos móviles (baja intrusión), relojes inteligentes −o wearables de muñeca− (intrusión media) y bandas pectorales (alta intrusión)

Los resultados obtenidos son una muy buena noticia para cualquiera que lleve un reloj inteligente. El estudio concluye que los dispositivos de muñeca representan el equilibrio perfecto. Utilizando modelos avanzados de aprendizaje profundo, los investigadores lograron clasificar los niveles de estrés con una precisión del 98% al 100%.

Lo sorprendente, y aquí reside la clave del hallazgo, es que no siempre hace falta el cerebro digital más complejo. Para los datos obtenidos de teléfonos móviles, los modelos clásicos de aprendizaje automático (más sencillos y ligeros) funcionaron casi tan bien como las redes neuronales más pesadas, alcanzando una eficacia del 77%. “Esto sugiere que tu móvil puede saber si necesitas unas vacaciones basándose simplemente en cómo lo usas, sin necesidad de sensores biométricos, lo cual es sumamente útil para estudios poblacionales masivos.

El equipo también identificó un hallazgo relevante: incorporar la variable “tiempo“ mediante análisis complejos de series temporales no mejora necesariamente la precisión de los resultados. En algunos casos, evaluar el estado fisiológico en un momento concreto a partir de datos agregados simples (como la media del ritmo cardíaco durante un minuto) resulta más eficaz que analizar la secuencia completa de cada latido.

Como comenta el investigador de la UPM Alberto Díaz-Álvarez “este trabajo abre la puerta a sistemas de salud inteligentes que sean, ante todo, soportables. Porque, al final del día, el objetivo es cuidar nuestra salud mental con dispositivos que sean compañeros silenciosos, y no intrusos que nos recuerden constantemente que estamos siendo observados.”

Gema Bello-Orgaz, Héctor D. Menéndez, Francisco Quintana-Quiroga, Alberto Díaz-Álvarez,

Smart devices and stress level detection: Balancing machine learning model complexity and device intrusiveness. Biomedical Signal Processing and Control, Volume 117, 2026, 109683. ISSN 1746-8094,

https://doi.org/10.1016/j.bspc.2026.109683 .

(https://www.sciencedirect.com/science/article/pii/S1746809426002375 )