Creación de una aplicación web y móvil con algoritmos de aprendizaje supervisado para detectar estrés y ansiedad

Abstract

Este estudio aborda la detección de estrés y ansiedad mediante señales fisiológicas, considerando su creciente impacto en la salud mental. Para ello, se implementaron algoritmos de machine learning supervisado entrenados con los conjuntos de datos WESAD y CASE, aplicando la metodología CRISP-DM para el procesamiento y el enfoque RAD en el desarrollo de una aplicación web/móvil. Como resultado, los modelos alcanzaron alto desempeño en la identificación de estados emocionales, demostrando su potencial para apoyar la gestión preventiva de la salud.

This study addresses the detection of stress and anxiety through physiological signals, considering their growing impact on mental health. To this end, supervised machine learning algorithms trained with the WESAD and CASE datasets were implemented, applying the CRISP-DM methodology for processing and the RAD approach in the development of a web/mobile application. As a result, the models achieved high performance in identifying emotional states, demonstrating their potential to support preventive health management.