Análisis y clasificación del control atencional a partir de tareas cognitivas mediante aprendizaje automático

Abstract

Este Trabajo de Fin de Grado se centra en el análisis del control atencional a partir de datos obtenidos en tareas cognitivas digitales. La atención es un proceso clave en el comportamiento humano, y su estudio se puede realizar mediante indicadores como tiempos de reacción, tasas de error o variabilidad en la respuesta. A partir de estas métricas sobre la conducta, el objetivo de este trabajo es explorar si es posible identificar patrones diferenciables utilizando técnicas de aprendizaje automático. Para ello, se parte de un conjunto de datos procedente de tres tareas clásicas de evaluación atencional: Flanker, Stroop y Stop-Signal. Los datos originales, definidos a nivel de ensayo, se transforman mediante un proceso de preprocesamiento y construcción de características en una matriz agregada a nivel de participante. Posteriormente, se sigue un enfoque de aprendizaje semi-supervisado. Es decir, en primer lugar, para definir perfiles experimentales, se utilizan técnicas de aprendizaje no supervisado y, a continuacion, se aplican modelos supervisados para analizar su separabilidad y coherencia. En este trabajo no se pretende optimizar al máximo el rendimiento de los modelos, sino analizar de forma clara los patrones que aparecen en los datos. Los resultados indican que las métricas conductuales permiten diferenciar perfiles, aunque estos dependan del conjunto de datos y no deben interpretarse como categorías definitivas. En conjunto, el trabajo desarrolla un sistema modular en Python para el análisis de datos conductuales, combinando fundamentos teóricos de la atención con herramientas propias del análisis de datos y el aprendizaje automático.