El desarrollo de t\u00e9cnicas neurocient\u00edficas que permiten registrar la actividad fisiol\u00f3gica del cerebro (p.ej., la resonancia magn\u00e9tica funcional) y el sistema nervioso perif\u00e9rico (p.ej., el di\u00e1metro pupilar) han impulsado la investigaci\u00f3n en ciencia cognitiva en las \u00faltimas d\u00e9cadas. Hasta hace poco, el volumen del equipamiento requerido para usar este tipo de t\u00e9cnicas restring\u00eda su uso al entorno del laboratorio. Ello ha supuesto una limitaci\u00f3n para la generalizaci\u00f3n de los resultados a contextos de la vida real. Actualmente, los recursos disponibles permiten que esta investigaci\u00f3n se extienda a escenarios m\u00e1s ecol\u00f3gicos. Un punto destacable es que muchos de estos recursos son dispositivos inteligentes con sensores, microchips, y software espec\u00edfico, que pueden conectarse a Internet para intercambiar datos con una m\u00ednima intervenci\u00f3n humana, lo que se conoce como la internet de las cosas (Internet of Things, IoT). Estos dispositivos capaces de conectarse a la red pueden encontrarse en todo tipo de objetos: relojes inteligentes, tatuajes electr\u00f3nicos, neveras, medidores de la calidad del aire, sem\u00e1foros, drones o maquinaria pesada para la industria. Adem\u00e1s, para gestionar y analizar la inmensa cantidad de datos generados por la IoT, se han desarrollado complejos procedimientos de an\u00e1lisis para esos macrodatos (big data). El objetivo del an\u00e1lisis de grandes datos es identificar tendencias y patrones que pueden utilizarse para tomar decisiones, predecir comportamientos, o crear modelos de aprendizaje de m\u00e1quinas y de inteligencia artificial.<\/p>\n
Las aplicaciones de IoT son pr\u00e1cticamente ilimitadas en una gran variedad de campos, como la industria, la sanidad, la educaci\u00f3n, o la planificaci\u00f3n urban\u00edstica. Aunque el potencial de estas tecnolog\u00edas para la investigaci\u00f3n en ciencia cognitiva a\u00fan no se ha explotado, su utilidad es obvia. En primer lugar, existen sofisticados dispositivos que pueden llevarse en la ropa o como complemento (wearable devices), tales como relojes inteligentes, y son capaces de medir diferentes par\u00e1metros fisiol\u00f3gicos (p.ej., tasa card\u00edaca, conductividad el\u00e9ctrica de la piel, temperatura corporal) in situ y de forma no invasiva. Los estudios de investigaci\u00f3n en esta \u00e1rea son escasos, pero hay algunas evidencias de la fiabilidad de las medidas fisiol\u00f3gicas obtenidas con estos dispositivos para la evaluaci\u00f3n de diferentes variables psicol\u00f3gicas (para una revisi\u00f3n sistem\u00e1tica reciente, puede verse Hickey et al., 2021). Adem\u00e1s, estos dispositivos pueden conectarse con otros de manera inal\u00e1mbrica, p.ej. con tel\u00e9fonos inteligentes, y conectarse con un servidor en la nube para almacenar grandes cantidades de datos provenientes de lugares distintos (Figura 1). Posteriormente, estos macrodatos pueden ser analizados para inferir los procesos cognitivos implicados en situaciones de la vida real. Por ejemplo, podemos evaluar las fluctuaciones temporales de la atenci\u00f3n sostenida, la carga mental, la fatiga cognitiva, o el estr\u00e9s, durante la realizaci\u00f3n de tareas de aprendizaje en la escuela, la conducci\u00f3n de un veh\u00edculo o el manejo de sistemas relevantes para la seguridad.<\/p>\n
![\"Figura](\"http:\/\/www.cienciacognitiva.org\/files\/2022-18-f1.png\")
Figura 1. Pron\u00f3stico del n\u00famero de conexiones de dispositivos IoT y Non-IoT. Fuente: IoT Analytics: IoT celular y seguimiento del mercado de conectividad LPWA 2010-25 (https:\/\/iot-analytics.com\/state-of-the-iot-2020-12-billion-iot-connections-surpassing-non-iot-for-the-first-time\/).<\/p><\/div>\n
La investigaci\u00f3n de los procesos cognitivos implicados en la conducci\u00f3n es una las \u00e1reas en las que estas tecnolog\u00edas podr\u00edan ser m\u00e1s fruct\u00edferas. Se puede desarrollar una plataforma de monitorizaci\u00f3n del conductor, con sensores en el veh\u00edculo que recojan informaci\u00f3n en tiempo real tanto del veh\u00edculo como del conductor (p.ej., movimientos oculares, patr\u00f3n de los movimientos del volante, errores en la conducci\u00f3n tales como desviaciones de la ruta), y sensores corporales incorporados en complementos inteligentes que recojan datos biom\u00e9tricos del conductor (Dehzangi y Williams, 2015). Esta informaci\u00f3n podr\u00eda ser analizada en tiempo real en combinaci\u00f3n con datos de las condiciones meteorol\u00f3gicas, atascos de tr\u00e1fico, obras en la carretera y otras circunstancias del entorno que podr\u00edan afectar a la conducci\u00f3n \u2014obtenidas de los paneles de mensajer\u00eda variable, aplicaciones meteorol\u00f3gicas o aplicaciones de navegaci\u00f3n como Google Maps. En Espa\u00f1a, la Direcci\u00f3n General de Tr\u00e1fico ha estado trabajando durante a\u00f1os en el proyecto de una plataforma con tecnolog\u00eda 5G que permita a los usuarios estar conectados de manera continua en tiempo real, ofreci\u00e9ndoles informaci\u00f3n sobre lo que est\u00e1 sucediendo en la carretera (Guti\u00e9rrez, 2021). Este tipo de plataforma tambi\u00e9n puede proporcionar informaci\u00f3n \u00fatil para objetivos de investigaci\u00f3n.<\/p>\n
Otra \u00e1rea donde estas tecnolog\u00edas tienen un potencial enorme es la evaluaci\u00f3n y dise\u00f1o de entornos centrados en la persona. Por ejemplo, Li et al. (2022) han desarrollado un proceso para evaluar la calidad afectiva de espacios p\u00fablicos urbanos bas\u00e1ndose en diversas se\u00f1ales fisiol\u00f3gicas (EDA, ECG, y EMG). En su experimento, 20 participantes caminaron por distintos espacios urbanos (espacios p\u00fablicos en el campus, \u00e1reas residenciales, parques, espacios con monumentos, calles peatonales del n\u00facleo hist\u00f3rico) llevando un instrumento port\u00e1til que proporcionaba retroalimentaci\u00f3n sobre su actividad fisiol\u00f3gica y un GPS para registrar simult\u00e1neamente la ubicaci\u00f3n del participante. Adem\u00e1s, inmediatamente despu\u00e9s de caminar por cada espacio, los participantes rellenaban un cuestionario para obtener autoinformes de sus emociones. Los datos obtenidos se utilizaron para entrenar y evaluar modelos de clasificaci\u00f3n de la calidad de los espacios urbanos. La precisi\u00f3n de la clasificaci\u00f3n obtenida fue de 92.59% para modelos binarios (positivo-negativo) y 91.07% para modelos ternarios (positivo-neutro-negativo).<\/p>\n
En definitiva, disponemos de investigaci\u00f3n que apoya la fiabilidad de las mediciones fisiol\u00f3gicas obtenidas con complementos inteligentes, as\u00ed como la validez de los modelos predictivos de variables cognitivas basados en el an\u00e1lisis de estos datos biom\u00e9tricos. A nuestro entender, todav\u00eda se puede dar un paso m\u00e1s en el uso de estas tecnolog\u00edas: obtener datos de situaciones reales y analizarlos junto con los obtenidos de otros dispositivos IoT (p.ej., sensores en los veh\u00edculos, ciudades o edificios inteligentes) mediante t\u00e9cnicas de an\u00e1lisis de datos masivos. Los resultados tendr\u00e1n numerosas e importantes aplicaciones, como la implementaci\u00f3n de sistemas de seguridad para la prevenci\u00f3n de accidentes o el dise\u00f1o de entornos amigables para la persona.<\/p>\n
Referencias<\/strong><\/p>\nDehzangi, O., & Williams, C. (2015). Towards multi-modal wearable driver monitoring: Impact of road condition on driver distraction. IEEE 12th International Conference on Wearable and Implantable Body Sensor Networks (BSN)<\/em>, 1-6.<\/p>\nGuti\u00e9rrez, A. (2021). DGT 3.0. Seguridad tecnol\u00f3gica al alcance de la mano. Tr\u00e1fico y Seguridad Vial<\/em>, 261(marzo 2021), 14-19. Direcci\u00f3n General de Tr\u00e1fico. https:\/\/revista.dgt.es\/es\/reportajes\/2021\/03MARZO\/0317portada-DGT-seguridad-tecnologica.shtml<\/p>\nHickey, B. A., Chalmers, T., Newton, P., Lin, C. T., Sibbritt, D., McLachlan, C. S., Clifton-Bligh, R., Morley, J., & Lal, S. (2021). Smart devices and wearable technologies to detect and monitor mental health conditions and stress: A systematic review. Sensors<\/em>, 21(10), 3461.<\/p>\nKundinger, T., Sofra, N., & Riener, A. (2020). Assessment of the potential of wrist-worn wearable sensors for driver drowsiness detection. Sensors<\/em>, 20(4), 1029.<\/p>\nLi, R., Yuizono, T., & Li, X. (2022). Affective computing of multi-type urban public spaces to analyze emotional quality using ensemble. learningbased classification of multi-sensor data. PLoS ONE<\/em>, 17(6): e0269176. https:\/\/doi.org\/10.1371\/journal.pone.0269176<\/p>\nManuscrito recibido el 14 de junio de 2022.
\nAceptado el 20 de julio de 2022.<\/p>\n
Esta es la versi\u00f3n en espa\u00f1ol de
\nRosa Mart\u00ednez, E., V\u00e1squez Estupi\u00f1\u00e1n, V. D., Roca Ru\u00edz, J., y Tejero Gimeno, P. (2022). Wearables, IoT, y Big Data: The new revolution in cognitive science. Ciencia Cognitiva, 16:2, 58-60.<\/p>\n","protected":false},"excerpt":{"rendered":"
Eva Rosa Mart\u00ednez (a), V. Daniel V\u00e1squez Estupi\u00f1\u00e1n (b), Javier Roca Ru\u00edz (a), Pilar Tejero Gimeno (a) (a) ERI-Lectura, Universitat …<\/span> Read More →<\/span><\/a><\/span><\/p>\n","protected":false},"author":4,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[16,5,512,4,3],"tags":[753,752,205,754],"class_list":["post-2239","post","type-post","status-publish","format-standard","hentry","category-actualidad","category-inteligenciaartificial","category-multilingue","category-neurociencia","category-psicologia","tag-datos-masivos","tag-dispositivos-inteligentes-portatiles","tag-internet-de-las-cosas","tag-investigacion-en-ciencia-cognitiva"],"_links":{"self":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/2239","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/users\/4"}],"replies":[{"embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=2239"}],"version-history":[{"count":1,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/2239\/revisions"}],"predecessor-version":[{"id":2240,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=\/wp\/v2\/posts\/2239\/revisions\/2240"}],"wp:attachment":[{"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=2239"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=2239"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.cienciacognitiva.org\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=2239"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"(pixabay)](\"http:\/\/www.cienciacognitiva.org\/files\/2022-18-pixabay-jeferrb.png\")