¿Se pueden leer emociones solo con la HRV? — Lo comprobado en 3 cohortes
La variabilidad de la frecuencia cardíaca (HRV) contiene pistas sobre la regulación autónoma. Pero, si una IA recibe solo esas cifras, ¿puede reconocer si la emoción actual es «agradable» o «difícil»?
La conclusión de esta investigación interna es limitada:
Con la información derivada de HRV y los modelos de investigación probados aquí, no pudimos predecir las emociones de personas desconocidas con una precisión útil en 3 cohortes públicas.
Esto no demuestra que la HRV carezca por completo de información relacionada con las emociones. A continuación se explica qué se comprobó y qué sigue sin saberse.
Fase de investigación
Es un reanálisis interno no revisado por pares de datos ya publicados. No es un método de diagnóstico médico ni un ensayo clínico sobre la eficacia de Feelmo.
La HRV y la emoción no son lo mismo
La HRV describe cuánto varía el intervalo de un latido al siguiente. La afectan la respiración, la postura, la actividad, el sueño, la hora, los medicamentos, el estado de salud y muchos otros factores.
Las emociones pueden describirse al menos en 2 dimensiones:
- Valencia (valence): agradable o desagradable
- Activación (arousal): calma o excitación
Aunque el corazón se acelere y la HRV cambie, la causa puede ser alegría, ansiedad, ejercicio o cafeína. Una misma respuesta corporal puede tener varios significados, por lo que asignar un nombre de emoción solo con la HRV es difícil.
¿Cómo se comprobó?
Se usaron 3 conjuntos de datos públicos con etiquetas emocionales y señales cardíacas.
| Cohorte | Señal principal | Método para provocar emociones |
|---|---|---|
| CASE | ECG | Vídeos |
| AMIGOS | ECG | Vídeos cortos y largos |
| DEAP | PPG en un dedo | Vídeos musicales |
Se crearon varias informaciones derivadas de HRV a partir de los intervalos cardíacos. Los datos se dividieron para impedir que una persona apareciera a la vez en aprendizaje y evaluación, y el modelo predijo valencia y activación en personas no vistas durante el aprendizaje. Esta evaluación entre personas es esencial: recordar peculiaridades de alguien no convierte al modelo en útil para nuevos usuarios.
Se probaron tareas de regresión continua, clasificación binaria y clasificación multiclase de vídeos. Los resultados de las cohortes se combinaron estadísticamente. No se publican detalles de implementación —selección de características, preprocesamiento, arquitectura ni condiciones de aprendizaje— porque forman parte de tecnología propia de Feelmo. Que terceros no puedan reproducir exactamente el mismo modelo también es una limitación del estudio.
Cómo leer los resultados de forma sencilla
El resultado combinado de valencia fue R² = −0.40 (intervalo interno orientativo del 95% −0.61 a −0.19). Los tamaños nominales fueron CASE 30, AMIGOS 40 y DEAP 32 personas, 102 en total. Sin embargo, CASE tuvo 29 folds analizados; el motivo de que faltara 1 persona no está documentado en los artefactos internos. El total combinado fue de 101 folds por sujeto. Además, solo había 3 cohortes (k=3). El intervalo es una aproximación normal basada en la varianza de R² de los folds LOSO. Es sensible a pocas cohortes y distribuciones asimétricas de R², así que debe leerse como referencia, no como certeza para una población amplia.
R² indica cuánto de la variación emocional explicó el modelo. Cuanto más cerca de 1, mejor; 0 se parece a un método simple que responde a todos con el promedio. Un R² negativo no significa una emoción negativa: significa que la predicción fue peor que limitarse a responder con el promedio.
La dirección del resultado fue coherente en las 3 cohortes: la información derivada de HRV y los modelos probados no se generalizaron a personas desconocidas durante el aprendizaje. Sin embargo, las pruebas estrictas de equivalencia bilateral no resultaron concluyentes en todos los análisis. Por tanto, no puede afirmarse que el efecto real sea exactamente cero ni que cualquier IA posible vaya a fracasar.
Qué permite y qué no permite concluir
Sí permite concluir
- La información derivada de HRV y los modelos probados no se generalizaron a personas desconocidas en las 3 cohortes CASE, AMIGOS y DEAP
- Incluir ECG y PPG no permitió, en las mismas condiciones de análisis, una predicción de valencia útil en la práctica
- Los productos que asignan nombres de emoción solo a partir de HRV requieren cautela
No permite concluir
- No demuestra que la HRV no contenga ninguna información relacionada con emociones
- No demuestra que otras características, futuros modelos fundacionales o datos más grandes también fracasen
- No descarta una estimación dentro de la misma persona que combine su tendencia prolongada, respiración, movimiento, voz, contexto y autoinformes
- Tampoco significa que la HRV no pueda aportar pistas al considerar estados fisiológicos como sueño, recuperación o estrés
«No acertar» también es un resultado importante
En investigación de IA, mostrar en qué condiciones un modelo no se generaliza es tan importante como comunicar una gran precisión. Los límites claros evitan afirmaciones excesivas y concretan qué datos hacen falta después.
¿Qué validaciones hacen falta después?
No basta con ampliar el modelo. Debe comprobarse, en este orden:
- seguir a las mismas personas durante periodos largos y aprender cambios respecto a su tendencia personal;
- registrar a la vez el contexto que modifica la HRV: sueño, respiración, movimiento, hora y cafeína;
- recoger autoinformes como «agradable/desagradable» en el mismo momento de la medición;
- reevaluar el rendimiento en personas, dispositivos y entornos no incluidos en el aprendizaje;
- publicar no solo precisión, sino también calibración, fallos e incertidumbre.
¿Cómo influye en el diseño de Feelmo?
Feelmo resume en el dispositivo, mediante un procesamiento propio, la información disponible derivada de HRV y la tendencia personal anterior como una visualización retrospectiva. Los detalles no son públicos. No infiere directamente emociones concretas a partir de la HRV.
Una pantalla de IA no debe situarse por encima de lo que siente la persona. Feelmo no presenta un nombre de emoción como un hecho; la visualización puede invitar a comprobar la experiencia y el contexto reales.
Materiales de investigación
- Análisis interno: Paper 1 (no revisado, antes de publicación general). El código y los resultados intermedios individuales no se publicarán hasta terminar las auditorías de reproducibilidad, licencias y privacidad
- CASE: Sharma K, et al. A dataset of continuous affect annotations and physiological signals for emotion analysis. Scientific Data. 2019. doi:10.1038/s41597-019-0209-0
- AMIGOS: Miranda-Correa JA, et al. AMIGOS: A Dataset for Affect, Personality and Mood Research on Individuals and Groups. IEEE Transactions on Affective Computing. 2021. doi:10.1109/TAFFC.2018.2884461
- DEAP: Koelstra S, et al. DEAP: A Database for Emotion Analysis Using Physiological Signals. IEEE Transactions on Affective Computing. 2012. doi:10.1109/T-AFFC.2011.15
- Revisión de HRV y emociones: Kreibig SD. Autonomic nervous system activity in emotion: A review. Biological Psychology. 2010. doi:10.1016/j.biopsycho.2010.03.010
※ Esta investigación interna no valida la eficacia de la aplicación Feelmo.