El estrés deja una huella clara en la respiración, pero la diversión no

Más allá del ritmo: lo que revela una traza respiratoria de sesenta segundos

Una traza respiratoria de sesenta segundos es mucho más que un recuento de inhalaciones y exhalaciones. También recoge el ritmo de cada ciclo y la estabilidad de ese ritmo a lo largo del tiempo. El análisis de frecuencia descompone la señal en bandas, desde las ondas lentas de 0,05 a 0,20 hercios hasta los 5 hercios. Cada banda sigue un movimiento distinto: oscilaciones lentas, frecuencias habituales en adultos o pequeñas ondulaciones en la forma de onda. La frecuencia respiratoria dominante se define como el pico más intenso entre 0,05 y 1,00 hercios. Bandas más estrechas añaden luego detalle, como la potencia en el rango de 0 a 0,10 hercios o de 0,70 a 1,00 hercios.

Las herramientas de wavelets examinan cómo se distribuye la energía entre escalas, mientras que las medidas de entropía indican si esa distribución es ordenada o dispersa. Una característica de wavelet compara la energía en una banda de detalle rápida con el resto de la señal. Otra evalúa qué tan uniforme es dicha distribución, lo cual puede revelar asperezas ocultas en una traza aparentemente lisa. Los retardos de autocorrelación miden cómo se repite la señal sobre sí misma tras cortos retrasos. El primer cruce de correlación positiva a negativa se denomina Zpm, y el siguiente retorno a positivo es Zmp. Estos retardos describen la longitud del ciclo, su regularidad y la forma de la alternancia, no solo el número de respiraciones. Pueden calcularse una vez para todo el minuto o dentro de cada ciclo respiratorio detectado.

La mediana de Zmp entre ciclos proporciona una escala temporal típica, y su puntuación de variación muestra inestabilidad. Otros resúmenes utilizan el rango intercuartílico, el rango total, la pendiente o el cambio entre el último y el primer valor. El coeficiente de variación divide la desviación estándar entre ciclos por el valor medio absoluto, lo que permite separar un efecto promedio de la inestabilidad a lo largo del tiempo. Los resúmenes de pendiente y diferencia preguntan si un marcador deriva hacia arriba o hacia abajo durante el minuto. Una rama exploratoria analiza con qué rapidez se rompe la predictibilidad a corto plazo: construye predicciones a partir de patrones respiratorios pasados similares y sigue cómo crece el error de predicción según el horizonte temporal. Un ascenso inicial más pronunciado significa que la traza se vuelve difícil de predecir tras solo unos segundos.

Estos marcadores no lineales son opcionales, ya que las características temporales y espectrales más simples suelen portar la señal principal. Tomados en conjunto, estos descriptores convierten un minuto de respiración en un mapa del ritmo, la forma, la estabilidad y la predictibilidad.

El estrés, la meditación y el reposo dejan marcas respiratorias diferentes

El estrés imprime a la señal respiratoria un ritmo más rápido y menos uniforme. La indicación individual más potente fue el exceso de energía en la banda de 0,70 a 1,00 Hz, con una puntuación de separación de 72,70. Dado que esa banda se sitúa por encima de la frecuencia respiratoria adulta habitual, apunta a componentes de ondulación más veloces en la señal. Además, el estrés hizo que la temporización de cada respiración fuera menos consistente de un ciclo al siguiente. La variabilidad en la proporción del tiempo inspiratorio alcanzó una puntuación de 62,81, lo que indica que la duración relativa de la inhalación fluctuaba entre ciclos.

La meditación dejó una huella más lenta y estable en esa misma ventana respiratoria de sesenta segundos. Su señal individual más clara fue un marcador temporal típico del ciclo respiratorio más largo, con una puntuación de separación de 79,82. También contribuyó la potencia de baja frecuencia en la banda de 0,05 a 0,20 Hz, ya que la meditación profundiza las oscilaciones lentas. En conjunto, esas huellas otorgaron a la meditación una puntuación combinada de separación muy alta: 88,65.

El estado basal mostró un marcador temporal de toda la ventana más corto, con su mejor puntuación individual en 57,97. Ese retardo menor sugiere que la respiración en reposo tiene un patrón de repetición más rápido que el estado meditativo. Al combinar varias huellas interpretables, el estado basal alcanzó puntuaciones cercanas a 63 o 64 en ambos tipos de modelos. Estas cifras demuestran que los tres estados no se difuminan en un único patrón respiratorio compartido: el estrés añade velocidad y temblor, la meditación aporta profundidad y regularidad, y el estado basal se sitúa entre ellos con una firma más leve.

Detectar el humor con solo la respiración resulta el reto más difícil

La diversión deja la huella más débil en las trazas respiratorias de sesenta segundos. El estrés y la meditación producen cambios más nítidos en el ritmo, la temporización o el contenido espectral. En el caso de la diversión, el mejor marcador individual fue la frecuencia respiratoria, con un coeficiente de correlación de Matthews de apenas 28,19. Esa puntuación baja indica que el marcador distingue las ventanas de diversión del resto de los estados con poca eficacia. Una cifra mayor reflejaría un patrón más estable sobre el cual un modelo podría apoyarse.

Aun combinando varias características, la diversión resistió una separación clara. Los modelos compactos y transparentes más potentes alcanzaron coeficientes de Matthews entre 31 y 35 aproximadamente, cifras muy inferiores a las obtenidas para el estrés o la meditación en las mismas pruebas. La red que analizaba la señal bruta también tuvo dificultades, aunque su precisión global parecía respetable a primera vista: frente a todos los demás estados, logró una precisión del 86,14 %, pero un coeficiente de Matthews de solo 28,20.

Esa alta precisión es engañosa porque las ventanas sin diversión son mucho más frecuentes en los datos. Un modelo puede obtener buenos resultados simplemente clasificando la mayoría de las ventanas como «no divertidas». La exactitud de la red para las ventanas reales de diversión fue del 37,93 %, lo que significa que muchas detecciones positivas eran erróneas. Su sensibilidad fue del 34,07 %, es decir, omitió la mayor parte de las ventanas realmente divertidas. El modelo compacto presentaba una debilidad distinta: su exactitud cayó al 30,44 % mientras la sensibilidad subía al 69,91 %. Esto implica que detectó más ventanas reales de diversión, pero también marcó como positivas demasiadas otras ventanas.

Añadir medidas adicionales de predictibilidad no convirtió a la diversión en un estado fiable. Aunque mejoraron algo la separación, el mejor modelo compacto solo alcanzó unos 35,69 en la puntuación equilibrada. La lectura práctica es que la diversión no posee una firma respiratoria estable en este conjunto de datos: la frecuencia respiratoria, la variabilidad temporal y la energía espectral pueden dar pistas, pero la señal sigue siendo demasiado tenue para una detección segura.

La red compacta se impone ante el estrés. En el resto de los estados, ganan los marcadores simples

La red compacta que procesaba directamente la señal bruta de la respiración contenía unos 0,23 millones de parámetros ajustables. Hacía pasar una forma de onda normalizada de sesenta segundos por cuatro capas convolucionales y enviaba el resultado a un clasificador pequeño. En el caso del estrés, ese diseño dio sus frutos. El coeficiente de correlación de Matthews es una puntuación equilibrada que penaliza tanto los casos omitidos como las alarmas falsas. Resulta útil cuando la frecuencia de aparición de los estados no es uniforme. En la prueba en la que se excluía a cada persona por turnos, la red alcanzó un coeficiente de Matthews de 90,61 y una precisión del 96,72 %. Su exactitud fue del 93,03 % y su sensibilidad del 92,41 %, lo que significa que detectó la mayoría de las ventanas de estrés cometiendo pocas falsas alarmas.

Un modelo transparente de cinco características también gestionó bien el estrés, pero quedó por detrás en 7,10 puntos en la puntuación de Matthews, alcanzando los 83,51. Capturó casi todas las ventanas de estrés, con una sensibilidad del 95,31 %, aunque su exactitud fue menor, del 80,26 %. Ese patrón indica que omitió menos ventanas de estrés pero cometió más falsas alarmas. Fuera del ámbito del estrés, la rama más sencilla a menudo obtuvo mejores resultados. Para el estado basal, un modelo compacto de características alcanzó una puntuación de Matthews de 65,34, mientras que la red logró 52,56. La diferencia fue de 12,78 puntos. Utilizó la potencia en la banda de 0,20 a 0,50 hercios, la variación de un retardo de autocorrelación a lo largo de tres fragmentos de veinte segundos, una medida de predictibilidad a corto plazo y la entropía de muestra. La entropía de muestra es una forma sencilla de indicar qué tan irregular se ve la forma de onda de un momento a otro.

Para la meditación, el modelo de características fue aún más claro. Alcanzó una puntuación de Matthews de 88,65 frente a los 77,58 de la red, con una exactitud del 96,49 % y una sensibilidad del 86,19 %. En términos simples, cometió muy pocas falsas alarmas de meditación, aunque aún omitió algunas verdaderas. Sus cinco entradas incluían la mediana del ciclo respiratorio de un retardo de autocorrelación más largo, la potencia de baja frecuencia en la banda de 0,05 a 0,20 hercios, una medida similar a la entropía wavelet, energía espectral de rango medio y el momento inspiratorio. Un modelo basado en umbrales ayudó aquí, porque la meditación parecía seguir un patrón respiratorio más reglado que el estrés. El contraste sugiere dos herramientas para trabajos distintos. La red de señal bruta es la opción más fuerte cuando la velocidad y la precisión ante el estrés son lo más importante. La rama transparente de características es mejor cuando un clínico, un ingeniero o un dispositivo embebido necesita ver qué marcador respiratorio impulsó la decisión.

De la respiración al estado: una vía práctica

Lo que se desprende de estos resultados es que la respiración funciona como una señal portátil del estado mental. La herramienta debe adaptarse a la pregunta concreta. Para el estrés, una red compacta entrenada con trazas crudas de sesenta segundos ofrece la mayor capacidad de separación. Detecta la mayoría de las ventanas de estrés manteniendo los falsos positivos en niveles aceptables para un uso cotidiano. Esto la convierte en una candidata plausible para la monitorización silenciosa en teléfonos, relojes u otros dispositivos portátiles que ya registran el movimiento del pecho.

En el caso de la meditación y el estado basal, los modelos basados en características simples rinden mejor cuando se evalúan por precisión equilibrada. Permiten identificar qué marcadores de temporización, variabilidad, espectro o forma de onda son los que realmente discriminan. Estos modelos transparentes resultan esenciales cuando un clínico necesita comprender por qué se activó una alerta. También son útiles cuando el dispositivo dispone de poca memoria para albergar una red más grande.

Las limitaciones del estudio ofrecen igualmente lecciones valiosas. La diversión resistió la detección incluso tras combinar varias características respiratorias. Esto sugiere que algunos estados emocionales no dejan una firma respiratoria estable en este tipo de datos. Una precisión bruta alta puede ser engañosa cuando un estado es poco frecuente. Las puntuaciones equilibradas revelan con qué frecuencia el sistema separa realmente el objetivo del resto.

El trabajo también depende de un pequeño conjunto de datos público de dispositivos portátiles y de pruebas rigurosas por sujeto. Un uso más amplio en la vida real requerirá grupos más grandes, más contextos diarios y sensores que registren la respiración de forma consistente sin obligar a las personas a llevar equipo adicional. La oportunidad no reside en una única prueba universal de la respiración. Se trata de un conjunto de herramientas: un detector rápido para el estrés, otro cribado explicable para estados más calmados e incertidumbre honesta donde la señal se desvanece.

Si los dispositivos futuros pueden distinguir cuándo están seguros y cuándo deberían guardar silencio, la respiración puede dejar de ser una simple señal vital para convertirse en una ventana silenciosa al bienestar de las personas.