Impacto del uso del móvil en biomarcadores de bienestar: un estudio N=1 con wearable y aumentación de datos

Abstract

Este Trabajo de Fin de Grado investiga, con datos fisiológicos objetivos, cómo afecta el uso del móvil al bienestar de un único usuario monitorizado de forma intensiva (estudio N=1). Frente a la mayoría de la literatura, basada en cuestionarios subjetivos, se cruzan las señales de un wearable de grado de investigación (Empatica EmbracePlus, 16 señales por minuto) con el uso real del teléfono, extraído de las capturas de Tiempo de Uso de iOS mediante un modelo de IA con visión. El núcleo del trabajo es metodológico: un pipeline reproducible que integra ambas fuentes, define un índice de bienestar a partir de umbrales clínicos y, ante la escasez de datos (diez días útiles), amplía la base más de sesenta veces combinando dos técnicas: el Moving Block Bootstrap, que multiplica el dato real conservando su estructura temporal, y una red bayesiana con modelo causal que genera sujetos virtuales. Sobre esa base se aplican validación bayesiana, modelos predictivos y un modelo explicativo de efectos mixtos que aísla el efecto del móvil de sus factores de confusión. Los resultados convergen: en este sujeto el móvil no muestra el efecto perjudicial que suele darse por hecho. Su único rastro fisiológico claro es un leve aumento de la activación electrodérmica (EDA) durante el día, que no se traslada al bienestar global (+0,32 puntos por hora, que deja de ser significativo al controlar la actividad física) ni deteriora el sueño. La relación negativa con la frecuencia cardiaca resultó ser un artefacto del sedentarismo. La principal limitación (un solo sujeto y pocos días) marca las líneas futuras: ampliar a varios participantes y explotar la resolución por minuto.This Bachelor's Thesis investigates, using objective physiological data, how smartphone use affects the wellbeing of a single intensively monitored user (an N=1 study). Unlike most of the literature, which relies on subjective questionnaires, it cross-references the signals from a research-grade wearable (Empatica EmbracePlus, 16 signals per minute) with real smartphone use, extracted from iOS Screen Time screenshots via a vision-capable AI model. The core of the work is methodological: a reproducible pipeline that integrates both sources, defines a wellbeing index based on clinical thresholds and, given the scarcity of data (ten valid days), expands the database more than sixtyfold by combining two techniques: the Moving Block Bootstrap, which multiplies the real data while preserving its temporal structure, and a Bayesian network with a causal model that generates virtual subjects. On this basis, Bayesian validation, predictive models and a mixed-effects explanatory model are applied to isolate the effect of the smartphone from its confounding factors. The results converge: in this subject, the smartphone does not show the harmful effect that is commonly assumed. Its only clear physiological trace is a slight increase in electrodermal activity (EDA) during the day, which does not translate into overall wellbeing (+0.32 points per hour, which ceases to be significant once physical activity is controlled for) or impair sleep. The negative relationship with heart rate turned out to be an artefact of sedentary behaviour. The main limitation (a single subject and few days) sets the future lines of work: extending the study to several participants and exploiting the per-minute resolution.