Implementación de EEG y modelos de aprendizaje automático para la detección de estados de confusión en la educación a distancia

Abstract

El estudio analiza la detección de confusión en estudiantes durante el aprendizaje a distancia mediante señales EEG y modelos de aprendizaje automático. Utilizando datos de un dispositivo de 14 canales en 8 estudiantes, se aplicaron técnicas de balanceo (Undersampling y Oversampling) y se entrenaron modelos de clasificación (árboles de decisión, KNN y regresión logística). Los resultados revelan que el balanceo de datos mediante Oversampling ofrece un equilibrio óptimo entre sensibilidad, especificidad y precisión, destacándose el modelo KNN en la banda beta, asociada con la atención activa y la concentración. Además, se identificó que los electrodos en regiones temporales, parietales y occipitales (T7, T8, P7, P8, O1 y O2) tienen una mayor asociación con los estados de confusión, mientras que los electrodos frontales presentan menor relevancia.