Ingeniero Civil Industrial / El presente trabajo de título tiene como objetivo la medición cuantitativa de los tiempos de respuesta a notificaciones según el nivel teórico de carga cognitiva y el perfil de uso de una persona con su Smartphone. Esto se calcula gracias a la instalación de una aplicación dedicada a recolectar datos de contexto en las que se encuentra un usuario y la información entregada por un cuestionario diseñado especialmente para medir posibles casos de sobreuso de Smartphone de un usuario. El proyecto toma en consideración una desagregación de la forma en que se interactúa con una notificación junto con el perfil de uso del Smartphone, consideraciones que no han sido estudiadas en profundidad en el estado del arte. Esta memoria está dentro del marco del proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez. El problema tipo de estudio de este proyecto es cuando un usuario debe dividir su atención entre una actividad primaria física por ejemplo, caminar, hablar e interacciones del usuario con un computador, ya sea de escritorio, Tablet o Smartphone. La aplicación mide el nivel teórico de carga cognitiva del usuario, tomando en consideración el nivel de ruido, la actividad física y el nivel de luminosidad. La investigación se desarrolla en terreno, solicitando al usuario instalar la aplicación y para luego como interactúa con esta y su Smartphone en el día a día. Se realizó el experimento en 2 ocasiones distintas debido a problemas con el instrumento de medición. Un total de 88 entregaron datos útiles que fueron estudiados y 150 personas completaron el cuestionario sobre el perfil de uso de Smartphone. Se usaron análisis estadísticos para ver si existen diferencias significativas entre los tiempos de respuesta para las distintas variables recolectadas y se aplicó el proceso de Knowledge Discovery in Databases para obtener una correcta aplicación de los algoritmos de minería de datos. Son usados los algoritmos de Support Vector Machine, Regresiones Logísticas y un algoritmo de Deep Learning para hacer clasificaciones sobre el tipo de interacción con una notificación enviada y el perfil del usuario. Los resultados indican que existen diferencias significativas en los tiempos de respuesta a una notificación según el nivel de carga cognitiva y el perfil de uso. Los mejores resultados para las clasificaciones son obtenidas por el algoritmo de Deep Learning, obteniendo un poder predictivo cercano al 90%. / Este trabajo ha sido financiado por el Proyecto Fondecyt N° 11130252

Ingeniero Civil Eléctrico / En psico-fisiología la carga cognitiva se define como la cantidad total de información que el cerebro es capaz de procesar en un momento dado, cantidad que es finita y que se relaciona con la atención, percepción, memoria corto y largo plazo, control, motor, entre otros. Cuando un usuario se enfrenta a tareas de interacción Humano Computador (HCI) necesariamente utiliza su capacidad mental, por ejemplo, al analizar una página web el usuario lee, discrimina en el contenido, concentra su atención, etc. Una sobreexigencia del recurso cognitivo genera frustración, desagrado y problemas para completar tareas definidas, lo que disminuye el nivel de experiencia del usuario que navega en un sitio web. Bajo el contexto del proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez, se desarrolla esta memoria cuya objetivo es comprobar la hipótesis de que es posible medir la carga cognitiva para actividades de navegación web frente a un computador mediante señales psico-fisiológicas y que, además, se produce una baja en la carga mental del usuario en momentos de transición entre el análisis de un elemento web y otro. El diseño experimental considera la medición de 61 voluntarios utilizando 6 sensores psico-fisiológicos: Eye tracker, sensor de respuesta electrodermal (GSR), Sensor de Temperatura, Fotopletismógrafo (PPG), electrocardiógrafo (ECG) y electroencefalógrafo (EEG). Cada participante navega libremente por una página web que se presenta en 3 versiones manteniendo su diseño y variando su contenido. Mediante un análisis de varianza con medidas repetidas (ANOVA-MR) y utilizando la media del diámetro pupilar como medida directamente relacionada con la carga cognitiva, se comprueba con un grado de significancia de p-value=0,00184 en un intervalo de confianza de 95% que es estadísticamente significativa la baja de la carga mental en los momentos de transición entre el análisis de un elemento web y otro. Para determinar los niveles de carga cognitiva existentes y poder etiquetarlos se aplica el algoritmo de agrupamiento k-means. Los resultados de la clasificación con redes neuronales profundas demuestran que sí es posible medir la carga cognitiva durante la navegación web. Para la combinación de los sensores GSR, PPG y EEG se obtiene el mejor resultado con una exactitud de 95,73% al clasificar. Además, se determina que el EEG es el sensor que más aporta a la clasificación (por sí solo alcanza una exactitud del 88,78%), con lo que se concluye que es posible replicar el experimento y medir la carga mental utilizando solamente el EEG; o bien, el EEG acompañado del sensor de GSR y PPG que son fáciles de utilizar y de bajo costo en relación a otros sensores.

Ingeniero Civil Industrial / El presente trabajo tiene como objetivo la medición cuantitativa de cargas cognitivas durante ciertas actividades en ambientes móviles mediante sensores psico-fisiológicos. Los sensores psico-fisiológicos entregan una medida de alguna característica fisiológica con lo que es posible determinar factores psicológicos como la carga cognitiva, el estrés, la fatiga, entre otros. El método de medición más utilizado es un cuestionario elaborado por NASA, que se aplica luego de realizadas las actividades por lo que el resultado final es subjetivo. El enfoque de este proyecto, en cambio, es medir en base a los datos objetivos que entregan las señales de los sensores. Para esto se utiliza un eyetracker, electrocardiograma, pulsoxímetro y temperatura. Este tema de memoria está enmarcado en el proyecto Fondecyt A Cognitive Resource-Aware Mobile Service Framework to Support Human-Computer-Interactions in Ubiquitous Computing Environments liderado por el Profesor Ángel Jiménez. El problema tipo de estudio es cuando un usuario debe dividir su atención entre una actividad primaria física por ejemplo, caminar, hablar e interacciones del usuario con el computador u otro dispositivo por ejemplo, leer o escribir desde el Smartphone. Para la medición de carga cognitiva se desarrolla un diseño experimental que consiste en realizar tareas con un Smartphone en 3 escenarios con distinto nivel de demanda cognitiva, estos son, sin estímulos externos, en conversación y caminando. Los resultados esperados son principalmente dos: comprobar (o no) que las señales pueden discriminar los distintos niveles de demanda cognitiva y obtener clasificadores de esos niveles. Se realizó el experimento con 20 participantes validando a su vez el diseño con la aplicación del test NASA que afirmó que el diseño es coherente a lo que se busca. Se aplica el proceso Knowledge Discovery in Databases con el fin de realizar todos los pasos adecuados para una correcta aplicación de un algoritmo de minería de datos. Los resultados indican que todos los sensores son capaces de discriminar estadísticamente las actividades de distinto nivel de demanda cognitiva planteadas en este estudio. Se aplicó un test de hipótesis t y análisis de varianza de medidas repetidas para obtener lo anterior. Se aplican también los algoritmos de Support Vector Machine, Naive Bayes y Regresión Logística. Los resultados indican que el modelo Naive Bayes fue el que mejor resultados obtuvo. En cuanto a los sensores, al modelar por cada tarea incluyendo a todos los participantes el sensor de BPM junto con el sensor de SO2 son los que mejor predicen. Incluso cuando se combinan su poder de predicción crece llegando al 81.42% de accuracy en algunas tareas.