La monitorización del estado afectivo mediante señales fisiológicas se ha convertido en un campo estratégico para el desarrollo de dispositivos wearables. La fotopletismografía (PPG), por su bajo coste y facilidad de integración, es una de las técnicas más empleadas para capturar la variabilidad del pulso sanguíneo y, a partir de ella, inferir niveles de activación, valencia emocional o relajación. Sin embargo, el reto reside en extraer patrones significativos de estas señales, que suelen ser cortas, ruidosas y muy dependientes del sujeto. En este contexto, la elección de la arquitectura de aprendizaje profundo es determinante, y no siempre los modelos más novedosos ofrecen ventajas claras frente a enfoques consolidados.
Un reciente estudio experimental ha comparado cuatro arquitecturas (CNN, híbrido CNN-LSTM, Transformer y Mamba) aplicadas a la clasificación de estados afectivos a partir de PPG de muñeca, utilizando un mismo pipeline de preprocesamiento y validación cruzada independiente del sujeto. Los resultados revelan que, si bien los Transformers y Mamba alcanzan un rendimiento comparable al de una CNN básica, no logran superarla de forma consistente en todas las tareas. Las CNN ofrecen la mayor exactitud con el tamaño de modelo más reducido, mientras que los Transformers muestran un mejor balance de F1 en arousal y relajación. Esto subraya una lección práctica: en dominios con datos limitados y alta variabilidad inter-sujeto, la simplicidad y eficiencia de las redes convolucionales siguen siendo una opción muy competitiva.
Para las empresas que desarrollan soluciones de ia para empresas aplicadas a la salud o el bienestar, esta comparación ofrece directrices útiles. No se trata de adoptar la última arquitectura por moda, sino de seleccionar la que mejor se ajuste a las restricciones de potencia, latencia y volumen de datos del dispositivo final. En Q2BSTUDIO diseñamos aplicaciones a medida que integran modelos de inteligencia artificial optimizados para entornos embebidos, combinando redes ligeras con pipelines de preprocesamiento eficientes. Además, acompañamos estos desarrollos con servicios cloud aws y azure para el entrenamiento y despliegue escalable, así como con servicios inteligencia de negocio basados en power bi para visualizar tendencias afectivas en tiempo real.
La tendencia hacia arquitecturas de largo alcance, como los state-space models, promete avances en el modelado de dependencias temporales extensas. No obstante, el estudio demuestra que, sin una adecuada gestión del ruido y una estrategia de aumento de datos, esos beneficios no se materializan en señales fisiológicas. Aquí es donde el conocimiento específico del dominio y el desarrollo de software a medida marcan la diferencia: desde la implementación de agentes IA que adapten dinámicamente los hiperparámetros hasta la integración de módulos de ciberseguridad para proteger los datos biométricos. En definitiva, la elección de la arquitectura debe basarse en mediciones reales y en un análisis riguroso de las condiciones de uso, no en promesas teóricas. Q2BSTUDIO acompaña a sus clientes en todo este proceso, desde la conceptualización hasta la puesta en producción de soluciones afectivas inteligentes.
