CD_52 Original + Derivados

CD_52: EEG Eye State

Conjunto de datos de ondas cerebrales (EEG) para detectar si una persona tiene los ojos abiertos o cerrados. Al ser una grabación continua de 14 sensores, los datos mantienen un orden temporal estricto (como los fotogramas de un video). Integra lecturas de 14 electrodos con alta autocorrelación.

📈 Eficacia Predictiva Detallada

Comparación detallada de las métricas de clasificación para los modelos entrenados con el conjunto de datos original y el conjunto sintético generado.

📊 Conjunto Original

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	0.66	0.73	0.69	110
Clase 1	0.62	0.54	0.58	90
Accuracy	0.65
Macro Avg	0.64	0.64	0.64	200
Weighted Avg	0.64	0.65	0.64	200

AUC-ROC: 0.90

F1-Score (weighted): 0.64

Accuracy: 0.65

➡️ Mejora

⬆ +0.10 AUC ⬆ +0.35 F1 ⬆ +0.34 Acc

🏆 MEJOR RENDIMIENTO

🔮 Conjunto Sintético

Clase	Precisión	Recall	F1-Score	Soporte
Clase 0	1.00	0.98	0.99	110
Clase 1	0.98 ⬆ +0.36	1.00 ⬆ +0.46	0.99 ⬆ +0.41	90
Accuracy	0.99 ⬆ +0.34
Macro Avg	0.99 ⬆ +0.35	0.99 ⬆ +0.35	0.99 ⬆ +0.35	200
Weighted Avg	0.99 ⬆ +0.35	0.99 ⬆ +0.34	0.99 ⬆ +0.35	200

AUC-ROC: 1.00 ⬆ +0.10

F1-Score (weighted): 0.99 ⬆ +0.35

Accuracy: 0.99 ⬆ +0.34

📊 Resumen de Mejoras en Clase Minoritaria (Clase 1)

🎯

Precisión

Original: 0.62

Sintético: 0.98

⬆ +0.36

📈

Recall

Original: 0.54

Sintético: 1.00

⬆ +0.46

⚖️

F1-Score

Original: 0.58

Sintético: 0.99

⬆ +0.41

📚 Fuente Original del Conjunto

EEG Eye State Dataset

v1.0

Datos de EEG con Emotiv Neuroheadset

Disponible en repositorios públicos

Repositorio: UCI Machine Learning Repository

DOI: No disponible

URL: UCI ML Repository

Licencia: Uso académico y de investigación

Instancias: 14,980

Características: 14 (13 canales EEG + 1 objetivo)

Duración: 117 segundos

Dispositivo: Emotiv EEG Neuroheadset

📄 Resumen (Abstract)

El conjunto de datos de Estado Ocular por EEG (EEG Eye State) consiste en 14,980 valores de EEG y un valor que indica el estado del ojo (abierto o cerrado). Todos los datos provienen de una medición EEG continua con el Emotiv EEG Neuroheadset con una duración de 117 segundos. El estado del ojo fue detectado mediante una cámara durante la medición EEG y agregado manualmente al archivo después de analizar los fotogramas del video. 1 indica el estado ojo cerrado y 0 el estado ojo abierto. Todos los valores están en orden cronológico con el primer valor medido al inicio del archivo.

🧠 Contexto del Dominio

La electroencefalografía (EEG) es una técnica no invasiva que registra la actividad eléctrica del cerebro mediante electrodos colocados en el cuero cabelludo. El Emotiv EEG Neuroheadset es un dispositivo de EEG portátil y de bajo costo que permite la captura de señales cerebrales en entornos no clínicos. La detección del estado ocular (ojos abiertos vs. cerrados) mediante EEG es un problema clásico en el procesamiento de señales cerebrales que tiene aplicaciones en:

Interfaces cerebro-computadora (BCI) para personas con discapacidades motoras
Monitoreo de fatiga y somnolencia en conductores y operarios
Estudios de sueño y estados de vigilia
Evaluación de atención y estados cognitivos

La actividad EEG cambia significativamente cuando los ojos están cerrados, con un aumento en la actividad alfa (8-13 Hz) en las regiones occipitales del cerebro. Este dataset captura este fenómeno y permite entrenar modelos para clasificar el estado ocular basándose únicamente en señales EEG.

📊 Descripción de Datos

El dataset contiene 14,980 instancias con 14 atributos (13 canales EEG y 1 variable objetivo). Las características son de tipo numérico (real) y no presentan valores faltantes. Los datos están en orden cronológico, representando una serie temporal continua.

📋 Canales del EEG (Sistema Internacional 10-20)

Los 13 canales EEG corresponden a la ubicación de los electrodos según el Sistema Internacional 10-20:

Canal

Descripción

AF3

Frontal anterior izquierdo

Frontal lateral izquierdo

Frontal medial izquierdo

FC5

Frontal central lateral izquierdo

Temporal izquierdo

Parietal lateral izquierdo

Occipital izquierdo

Occipital derecho

Parietal lateral derecho

Temporal derecho

FC6

Frontal central lateral derecho

Frontal medial derecho

Frontal lateral derecho

AF4

Frontal anterior derecho

📋 Variables del Dataset

Variable	Tipo	Descripción	Unidades
A. Canales EEG (13 características)
AF3	Continuo	Actividad eléctrica en AF3	μV
F7	Continuo	Actividad eléctrica en F7	μV
F3	Continuo	Actividad eléctrica en F3	μV
FC5	Continuo	Actividad eléctrica en FC5	μV
T7	Continuo	Actividad eléctrica en T7	μV
P7	Continuo	Actividad eléctrica en P7	μV
O1	Continuo	Actividad eléctrica en O1	μV
O2	Continuo	Actividad eléctrica en O2	μV
P8	Continuo	Actividad eléctrica en P8	μV
T8	Continuo	Actividad eléctrica en T8	μV
FC6	Continuo	Actividad eléctrica en FC6	μV
F4	Continuo	Actividad eléctrica en F4	μV
F8	Continuo	Actividad eléctrica en F8	μV
AF4	Continuo	Actividad eléctrica en AF4	μV
B. Variable Objetivo
eyeDetection	Binaria (Target)	Estado del ojo (detectado por cámara)	1 = Cerrado, 0 = Abierto

📋 Características del Dataset

Tipo de problema: Clasificación binaria (Ojo abierto vs. Ojo cerrado)
Dimensión: Multivariante, Serie Temporal (14,980 × 14)
Tipo de características: Reales (continuas)
Valores faltantes: No
Área de aplicación: Neurociencia, Interfaces Cerebro-Computadora (BCI), Procesamiento de Señales
Dispositivo: Emotiv EEG Neuroheadset
Duración: 117 segundos
Orden cronológico: Los datos están en orden temporal

⚖️ Ética y Privacidad

El conjunto de datos contiene señales EEG anonimizadas que no contienen información personal identificable. La medición se realizó en un entorno de investigación con el consentimiento del participante. Restricción de confidencialidad: El uso de los datos está restringido a fines académicos y de investigación. La publicación de resultados debe limitarse a métricas de evaluación, resultados agregados y metodología del modelo, sin divulgación de información que permita la reidentificación del participante.

📋 Notas de Uso

Este conjunto de datos es ideal para clasificación de series temporales y detección de estado ocular. Se recomienda:

La variable objetivo eyeDetection está codificada como 1 = Ojo cerrado y 0 = Ojo abierto
Los datos están en orden cronológico, lo que permite análisis de series temporales y modelos secuenciales
Los canales O1 y O2 (occipitales) suelen ser los más informativos para detectar el estado ocular (actividad alfa)
El dataset es adecuado para modelos secuenciales (LSTM, GRU, Transformers) y clasificadores convencionales (SVM, Random Forest, XGBoost)
Para modelos no secuenciales, se pueden utilizar características estadísticas (media, varianza, potencia por banda de frecuencia)
Estandarizar/normalizar las señales EEG por canal
Los canales EEG tienen correlación espacial que puede explotarse con técnicas de aprendizaje
El desbalanceo de clases debe verificarse, aunque la duración de 117 segundos sugiere un balanceo razonable entre estados
Utilizar validación temporal (time-series split) en lugar de validación cruzada aleatoria debido a la naturaleza secuencial de los datos
Este dataset es adecuado para investigación en BCI y procesamiento de señales biomédicas

💡 Importancia en Neurociencia y BCI

La detección del estado ocular mediante EEG es un problema fundamental en neurociencia y sistemas BCI. La actividad cerebral cambia significativamente entre estados de ojos abiertos y cerrados:

Con los ojos cerrados, hay un aumento de la actividad alfa (8-13 Hz), especialmente en regiones occipitales
La actividad beta (>13 Hz) también se ve afectada por el estado ocular
La detección automática del estado ocular tiene aplicaciones en monitoreo de somnolencia y control de interfaces
Los dispositivos EEG portátiles como el Emotiv permiten la recolección de datos en entornos no clínicos

Este dataset es particularmente valioso porque utiliza un dispositivo EEG de bajo costo (Emotiv) y proporciona datos etiquetados mediante grabación de video, lo que permite el desarrollo de modelos de clasificación robustos para aplicaciones prácticas de BCI.

📖 Cómo citar la fuente original

EEG Eye State Dataset. UCI Machine Learning Repository. https://archive.ics.uci.edu/ml/datasets/EEG+Eye+State

📚 Referencias Adicionales

UCI Machine Learning Repository - EEG Eye State. https://archive.ics.uci.edu/ml/datasets/EEG+Eye+State
Emotiv Systems. Emotiv EEG Neuroheadset. https://www.emotiv.com
Wolpaw, J. R., & Wolpaw, E. W. (Eds.). (2012). Brain-Computer Interfaces: Principles and Practice. Oxford University Press.
Niedermeyer, E., & da Silva, F. L. (Eds.). (2005). Electroencephalography: Basic Principles, Clinical Applications, and Related Fields. Lippincott Williams & Wilkins.

🔄 Transformaciones Aplicadas

Modificaciones realizadas al conjunto original (EEG Eye State Dataset)

Lectura personalizada del formato ARFF:
- Procesamiento manual del archivo .arff (Attribute-Relation File Format) extrayendo exclusivamente la sección @data.
- Asignación de nombres de columnas según la documentación oficial: 14 sensores EEG (AF3, F7, F3, FC5, T7, P7, O1, O2, P8, T8, FC6, F4, F8, AF4) y 1 variable objetivo (eyeDetection).
- Manejo de archivos ARFF sin cabecera de atributos compleja.
Conversión y validación de tipos de datos:
- Conversión forzada de 14 variables de sensores a tipo float utilizando pd.to_numeric(..., errors='coerce') para manejar valores no numéricos.
- Conversión de la variable objetivo eyeDetection a tipo entero (int).
- Eliminación de filas con valores nulos resultantes de la conversión para garantizar integridad del conjunto.
Transformación de la variable objetivo:
- Preservación de eyeDetection en su formato binario original: 0 = Eye Open (Ojos Abiertos), 1 = Eye Closed (Ojos Cerrados).
- Documentación del objetivo: detección del estado de apertura/cierre de ojos basado en señales EEG.
Preservación y documentación de variables de sensores:
- Mantenimiento de las 14 variables correspondientes a sensores EEG en el sistema 10-20: Frontales (AF3, AF4, F7, F8, F3, F4, FC5, FC6), Temporales (T7, T8), Parietales (P7, P8), Occipitales (O1, O2).
- Documentación de unidades: Microvoltios (μV) o valores ADC crudos.
- Contextualización espacial de los sensores para interpretación neurofisiológica.
Submuestreo estratificado para reducción del dataset:
- Reducción del dataset a 1,000 ejemplos representativos mediante muestreo estratificado.
- Uso de train_test_split con parámetro stratify para preservar exactamente la proporción original de clases (desbalance de estado ocular).
- Semilla fija (random_state=42) para garantizar reproducibilidad científica de la muestra.
- Verificación de integridad con diferencia máxima < 1% en proporción de clases.
Generación de documentación completa:
- Creación del archivo leyenda_eeg_eye_state.txt con semántica completa de la variable objetivo y la estructura de sensores EEG.
- Documentación de la variable eyeDetection (0 = Ojos Abiertos, 1 = Ojos Cerrados).
- Descripción de los 14 sensores EEG agrupados por región cerebral (Frontal, Temporal, Parietal, Occipital).
- Contextualización del dataset: datos de electroencefalografía (EEG) para detección de estado ocular.
- Nota sobre la naturaleza secuencial de los datos (117 segundos de registro).
- Estadísticas finales: total de instancias, distribución de clases y ratio de desbalance.
Preservación de la estructura y calidad de datos:
- Mantenimiento de las 14,980 instancias (muestras temporales de EEG) originales para el dataset completo.
- Dataset reducido de 1,000 ejemplos estratificados para experimentación eficiente.
- Dataset final con 14 variables predictoras (todas numéricas continuas) y 1 variable objetivo binaria.
- Guardado en formato CSV con separador punto y coma (;) para compatibilidad internacional.

📊 Resultado: Dataset de 14,980 muestras de EEG (con versión reducida estratificada de 1,000 ejemplos) con 14 variables predictoras (señales de sensores EEG en sistema 10-20) y 1 variable objetivo binaria (eyeDetection). Desbalance moderado-preservado (~56% ojos cerrados / ~44% ojos abiertos) — escenario ideal para validación de técnicas de generación de datos sintéticos y evaluación del índice TabDSFidelity en contextos de señales biomédicas y análisis de electroencefalografía (EEG), donde la detección de estados oculares y la monitorización de actividad cerebral tienen aplicaciones en interfaces cerebro-computadora (BCI) y estudios de sueño/vigilia.

🧠 Fuente: EEG Eye State Dataset (UCI Machine Learning Repository) - Datos de electroencefalografía para detección de estado ocular.

📊 Sensores EEG (sistema 10-20): 14 electrodos distribuidos en regiones frontales (AF3, AF4, F7, F8, F3, F4, FC5, FC6), temporales (T7, T8), parietales (P7, P8) y occipitales (O1, O2).

⏱️ Naturaleza temporal: Datos secuenciales de 117 segundos continuos de registro EEG, con muestras individuales representando instantes de tiempo.

📁 Leyenda disponible: Archivo leyenda_eeg_eye_state.txt con descripción completa de la variable objetivo y la ubicación de los sensores EEG.

🎯 Variable objetivo: eyeDetection (1 = Ojos Cerrados, 0 = Ojos Abiertos).

🧹 Limpieza aplicada: Lectura manual de ARFF, conversión de sensores a float, conversión de target a int, eliminación de filas con nulos, reducción estratificada a 1,000 ejemplos.

📋 Diccionario de Datos Detallado

Variable	Descripción del Sensor EEG	Tipo	Rango / Categorías	Unidad	¿Objetivo?
`AF3`	Electrodo AF3 - Pre-frontal izquierdo	Numérico	4,210.77 - 4,462.05	μV	No
`AF4`	Electrodo AF4 - Pre-frontal derecho	Numérico	4,258.97 - 4,529.23	μV	No
`F7`	Electrodo F7 - Frontal izquierdo	Numérico	3,929.74 - 4,136.92	μV	No
`F3`	Electrodo F3 - Frontal izquierdo	Numérico	4,211.28 - 4,373.85	μV	No
`F4`	Electrodo F4 - Frontal derecho	Numérico	4,228.21 - 4,380	μV	No
`F8`	Electrodo F8 - Frontal derecho	Numérico	4,450.26 - 4,768.72	μV	No
`FC5`	Electrodo FC5 - Fronto-central izquierdo	Numérico	4,072.82 - 4,232.31	μV	No
`FC6`	Electrodo FC6 - Fronto-central derecho	Numérico	4,109.23 - 4,305.13	μV	No
`T7`	Electrodo T7 - Temporal izquierdo	Numérico	4,310.26 - 4,442.05	μV	No
`T8`	Electrodo T8 - Temporal derecho	Numérico	4,165.64 - 4,331.28	μV	No
`P7`	Electrodo P7 - Parietal izquierdo	Numérico	4,570.26 - 4,747.69	μV	No
`P8`	Electrodo P8 - Parietal derecho	Numérico	4,153.85 - 4,297.44	μV	No
`O1`	Electrodo O1 - Occipital izquierdo	Numérico	4,032.82 - 4,163.59	μV	No
`O2`	Electrodo O2 - Occipital derecho	Numérico	4,567.18 - 4,714.87	μV	No
`eyeDetection`	Estado ocular (objetivo)	Binario	0: Ojos abiertos, 1: Ojos cerrados	N/A	Sí

15 Variables totales

14 Numéricas

0 Categóricas

1 Binarias

Objetivo: Estado Ocular (eyeDetection)

Datos ausentes: 0%

📈 Distribución de la variable objetivo en el conjunto original

📖 Leyenda de Variables Categóricas

Esta sección detalla los códigos y significados de las variables categóricas y binarias presentes en el conjunto de datos de Estado Ocular por EEG. Comprender estas codificaciones es fundamental para la correcta interpretación de los resultados de clasificación de señales cerebrales.

eyeDetection 🎯 Objetivo

Código	Significado
0	Ojos Abiertos (Eye Open) - Clase mayoritaria (~55.1%)
1	Ojos Cerrados (Eye Closed) - Clase minoritaria (~44.9%)

🎯

Variable Objetivo: Clasifica el estado ocular del sujeto basado en la amplitud de señales EEG de 14 electrodos.

⚠️

Naturaleza temporal: Los datos son una serie temporal continua de 117 segundos. Existe autocorrelación temporal.

Variables Binarias Binario

Formato: 0 = Ojos abiertos, 1 = Ojos cerrados

eyeDetection 🎯 Variable Objetivo: Estado ocular (0: Abiertos, 1: Cerrados)

ℹ️

Nota: Única variable binaria en el dataset.

📊

Variables numéricas: 14

2 Pre-frontales (AF3, AF4)
4 Frontales (F7, F3, F4, F8)
2 Fronto-centrales (FC5, FC6)
2 Temporales (T7, T8)
2 Parietales (P7, P8)
2 Occipitales (O1, O2)

🎯

Variables binarias: 1

🎯 eyeDetection (Objetivo - Estado ocular)

⚠️

Recomendaciones de Análisis:

Electrodos clave: O1, O2 (región occipital) son los más discriminantes para estado ocular
Ritmo Alfa: El aumento de actividad Alfa en ojos cerrados es el principal marcador
Escalado: Todas las variables tienen rangos similares (~3,900-4,700 μV)

🔬 Metodología de Generación (Reproducibilidad Científica)

📐 Método Principal

SMOTE RSB* Adaptado

Versión: 2.0

DOI: 10.1007/s42979-026-04896-8

📏 Reglas de restricción

eyeDetection == 1 → O1 > 4500
eyeDetection == 1 → O2 > 4500
eyeDetection == 0 → O1 < 4450
eyeDetection == 0 → O2 < 4450
O1 < 4100 → eyeDetection = 0
AF3 > 4400 → AF4 > 4200
AF3 < 4100 → AF4 < 4300
T7 > 4400 → T8 > 4100
T7 < 4200 → T8 < 4300
P7 > 4600 → P8 > 4300
O1 > 4600 → O2 > 4400
F7 > 4100 → T7 > 4200
F8 > 4600 → T8 > 4200
AF3 > 4400 → O1 > 4400
eyeDetection == 1 → (P7 > 4550) OR (P8 > 4550) OR (O1 > 4550) OR (O2 > 4550)

⚙️ Hiperparámetros SMOTE RSB* Adaptado

Valor escala	0.03
Probabilidad Base	0.1

🔄 Hiperparámetros CTGAN

epochs	500
batch_size	50
generator_lr	0.0002
discriminator_lr	0.0002
pac	10
generator_dim	(256, 256)
discriminator_dim	(256, 256)
embedding_dim	128
l2scale	1e-05

📊 Hiperparámetros TVAE

epochs	500
batch_size	50
embedding_dim	128
compress_dims	(128, 128)
decompress_dims	(128, 128)
l2scale	1e-5
loss_factor	2

🔐 Reproducibilidad

Random Seed	`42`
Python	3.12.12

Librerías utilizadas:

pandas: 2.3.3
numpy: 2.4.4
scikit-learn: 1.7.2
imbalanced-learn: 0.14.0
ctgan: 0.11.1
torch: 2.9.0
sdv: 1.28.0
scipy: 1.16.3
matplotlib: 3.10.9

📝

Para reproducir exactamente este conjunto de datos, ejecute el script de generación con la semilla aleatoria 42. Los resultados pueden variar ligeramente según la versión de las librerías.

📊 Conjuntos de Datos Derivados

El conjunto original ha sido sometido a un proceso de balanceo de clases y generación sintética para mejorar la representación de clases minoritarias. Nota: se ha empleado un conjunto de validación para evaluar el índice de fidelidad. Se han generado tres familias de conjuntos:

📊 Balanceados: Conjuntos creados mediante técnicas de sobremuestreo
🔮 Sintéticos Puros: Conjuntos generados completamente con modelos generativos
✨ Aumentados: Combinación del conjunto original + datos sintéticos

El mejor conjunto de cada etapa fue seleccionado mediante el índice TabDSFidelity.

📊 Conjuntos Balanceados 8 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA
Random Oversampling	-	-	-	-	-	-	-	-	-	-	-	-	-	-
Smote	-	-	-	-	-	-	-	-	-	-	-	-	-	-
Borderline SMOTE	-	-	-	-	-	-	-	-	-	-	-	-	-	-
ADASYN	-	-	-	-	-	-	-	-	-	-	-	-	-	-
SMOTE RSB* Adaptado	-	-	-	-	-	-	-	-	-	-	-	-	-	-
SMOTE RSB* Adaptado + Reglas	-	-	-	-	-	-	-	-	-	-	-	-	-	-
OOF PSO para Balanceo	-	-	-	-	-	-	-	-	-	-	-	-	-	-
OOF PSO para Balanceo + Reglas	-	-	-	-	-	-	-	-	-	-	-	-	-	-

⭐ Mejor seleccionado: Sin datos disponibles (TabDSFidelity: -, AUC: -, F1: -, MIA: -). Nota: Ratio <= 1.5 = Conjunto Balanceado.

🔮 Conjuntos Sintéticos Puros 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.227	7277	0.910	0.721	0.720	5.538	0.770	0.840	0.000	0.993	80.278	0.074	0.451
SMOTE RSB* + Ruido Gaussiano + Reglas	15.729	7277	0.556	0.484	0.585	2.475	0.770	0.840	0.611	0.961	216.591	0.074	0.452
CTGAN	1.035	10000	0.638	0.600	0.600	2.767	0.338	0.010	0.004	0.713	557.664	0.061	0.518
CTGAN + Reglas del Dominio	90.743	10000	0.577	0.401	0.555	1.623	0.338	0.010	1.347	0.717	712.190	0.061	0.453
TVAE	1.305	10000	0.797	0.727	0.730	3.882	0.806	0.039	0.000	0.886	219.574	0.036	0.484
TVAE + Reglas del Dominio	20.834	10000	0.576	0.464	0.585	1.309	0.806	0.039	0.722	0.867	377.118	0.036	0.435
OOF PSO para Aumento	1	10000	0.619	0.488	0.560	0.599	0.828	0.000	0.005	0.424	137.692	0.286	0.460
OOF PSO para Aumento + Reglas	8.363	10000	0.595	0.428	0.560	0.340	0.828	0.000	0.379	0.453	310.989	0.287	0.499
*SMOTE RSB Refinado**	1	7000	1.000	0.995	0.995	7.961	0.813	0.785	0.005	0.991	75.204	0.010	0.437	🏆
SMOTE RSB* Refinado + Reglas	13.257	7000	0.558	0.512	0.610	2.536	0.813	0.785	0.545	0.958	208.350	0.020	0.458

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 7.961, AUC: 1.000, F1: 0.995, MIA: 0.437). Nota: Ratio <= 1.5 = Conjunto Balanceado.

✨ Conjuntos Aumentados 10 conjuntos

Algoritmo	Ratio	N° Ejemplos	AUC-ROC	F1	Accuracy	TabDSFidelity	Jensen-Shannon	Kolmogorov-Smirnov	Kullback-Leibler	Correlación	Tiempo Total (s)	Dist. Promedio	Copias Exactas	Ataque MIA	Mejor
SMOTE RSB* + Ruido Gaussiano	1.227	8277	0.997	0.970	0.970	5.845	0.673	0.914	0.000	0.994	153.845	0.073	0	0.430
SMOTE RSB* + Ruido Gaussiano + Reglas	8.363	8277	0.996	0.882	0.885	2.096	0.673	0.914	0.379	0.973	292.075	0.073	0	0.434
CTGAN	1.051	11000	1.000	1.000	1.000	7.556	0.311	0.017	0.003	0.735	641.932	0.056	186	0.470
CTGAN + Reglas del Dominio	18.713	11000	1.000	1.000	1.000	7.566	0.311	0.017	0.679	0.741	791.891	0.055	186	0.426
TVAE	1.298	11000	1.000	1.000	1.000	6.924	0.718	0.063	0.000	0.899	305.510	0.032	186	0.436
TVAE + Reglas del Dominio	11.128	11000	1.000	0.995	0.995	6.730	0.718	0.063	0.480	0.887	473.473	0.033	186	0.445
OOF PSO para Aumento	1.019	11000	1.000	1.000	1.000	6.000	0.728	0.000	0.004	0.435	227.962	0.261	186	0.427
OOF PSO para Aumento + Reglas	6.251	11000	1.000	1.000	1.000	6.050	0.728	0.000	0.283	0.463	401.552	0.261	186	0.437
*SMOTE RSB Refinado**	1.026	8000	1.000	1.000	1.000	8.038	0.695	0.880	0.004	0.992	147.628	0.008	254	0.431	🏆
SMOTE RSB* Refinado + Reglas	7.511	8000	1.000	0.990	0.990	7.655	0.695	0.880	0.342	0.970	280.499	0.017	254	0.434

⭐ Mejor seleccionado: SMOTE RSB* Refinado (TabDSFidelity: 8.038, AUC: 1.000, F1: 1.000, MIA: 0.431). Nota: Ratio <= 1.5 = Conjunto Balanceado.

📈 Diagrama del Proceso de Generación

Conjunto Original
CD_52

↓

Balanceo
(8 métodos)

↓ Selección por TabDSFidelity

⭐ Mejor Balanceado
----

↓

Generación Sintética
(10 métodos)

↓ Evaluación TabDSFidelity

⭐ Mejor Sintético
SMOTE RSB* Refinado

⭐ Mejor Aumentado
SMOTE RSB* Refinado

↓

Conjunto Sintético Final
Seleccionado por calidad

📊 Guía de Métricas de Evaluación

Para interpretar correctamente los resultados de los conjuntos de datos generados, es fundamental comprender qué mide cada métrica y cómo se relacionan entre sí. A continuación, se detalla cada una de las métricas utilizadas en la evaluación:

🎯 Métricas de Rendimiento Predictivo

AUC-ROC (0.5 - 1.0)

¿Qué mide? Capacidad del modelo para distinguir entre clases (Ej: mortalidad vs supervivencia).

Interpretación:

0.5: Sin capacidad predictiva (aleatorio)
0.7-0.8: Aceptable
0.8-0.9: Excelente
>0.9: Sobresaliente

Ejemplo: AUC-ROC = 0.82 significa que hay un 82% de probabilidad de que el modelo clasifique correctamente un paciente fallecido frente a uno superviviente.

F1-Score (0 - 1.0)

¿Qué mide? Media armónica entre precisión y sensibilidad (recall).

Interpretación:

0.7-0.8: Buen equilibrio entre precisión y sensibilidad
0.8-0.9: Muy buen equilibrio
>0.9: Excelente equilibrio

Ejemplo: F1 = 0.76 indica que el modelo mantiene un buen balance entre identificar correctamente a los pacientes que fallecen (sensibilidad) y no etiquetar erróneamente a los que sobreviven (precisión).

Accuracy (0 - 1.0)

¿Qué mide? Proporción de predicciones correctas sobre el total.

Interpretación:

0.7-0.8: Buen rendimiento general
0.8-0.9: Muy buen rendimiento
>0.9: Excelente rendimiento

Ejemplo: Accuracy = 0.75 significa que el 75% de las predicciones del modelo son correctas.

⚠️ Nota: En conjuntos desbalanceados, esta métrica puede ser engañosa. Es mejor usar F1-Score o AUC-ROC.

🔬 Índice de Fidelidad del Conjunto

TabDSFidelity (0 - 10+)

¿Qué mide? Calidad global del conjunto sintético comparado con el original.

Interpretación:

< 3.0: Baja fidelidad (poca similitud con el original)
3.0 - 6.0: Fidelidad moderada
6.0 - 8.0: Alta fidelidad
> 8.0: Muy alta fidelidad (excelente representación)

Ejemplo: TabDSFidelity = 8.08 indica que el conjunto sintético mantiene una alta similitud con el original, preservando las relaciones y distribuciones de los datos reales, además de maximizar su eficacia predictiva.

💡 Importante: Este es el índice para seleccionar el mejor conjunto de datos sintéticos. Para este caso, el peso empleado para las métricas "AUC-ROC", "F1-Score" y "Accuracy" fue (2) y para el resto de las métricas fue (1).

📊 Métricas de Similitud de Distribuciones

Jensen-Shannon (Promedio) (0 - 1.0)

¿Qué mide? Similitud entre las distribuciones de variables numéricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.1 - 0.3: Diferencias moderadas
> 0.3: Diferencias significativas

Ejemplo: JS = 0.118 indica que las distribuciones de las variables numéricas (edad, presión arterial, etc.) son bastante similares a las del conjunto original.

📌 Nota: Es el promedio de la divergencia de Jensen-Shannon calculada para todas las variables numéricas.

Kolmogorov-Smirnov (p-valor promedio) (0 - 1.0)

¿Qué mide? Probabilidad estadística de que las muestras numéricas del conjunto sintético provengan de la misma distribución continua que el original.

Interpretación:

Cerca de 1.0: Altísima probabilidad de que sean la misma distribución (ideal)
> 0.05: Similitud aceptable (no se rechaza que sean iguales)
< 0.05: Diferencias estadísticamente significativas

Ejemplo: KS p-valor = 0.753 indica que hay evidencia fuerte a favor de que las distribuciones acumulativas de la variable sintética y la original son equivalentes.

📌 Nota: Se reporta el promedio de los p-valores obtenidos mediante la prueba de Kolmogorov-Smirnov de dos muestras para las variables numéricas.

Kullback-Leibler (Promedio) (0 - ∞)

¿Qué mide? Divergencia entre las distribuciones de variables categóricas del conjunto sintético y el original.

Interpretación:

Cerca de 0: Distribuciones muy similares (ideal)
0.01 - 0.1: Diferencias pequeñas
> 0.1: Diferencias notables

Ejemplo: KL = 0.014 indica que la distribución de las variables categóricas (género, mortalidad) es muy similar a la del conjunto original.

📌 Nota: Es el promedio de la divergencia de Kullback-Leibler para todas las variables categóricas. A diferencia de JS y KS, esta métrica se aplica solo a variables categóricas.

📊 Métricas de Estructura

Similitud de Correlación (0 - 1.0)

¿Qué mide? Preservación de las relaciones entre variables del conjunto original.

Interpretación:

Cerca de 1.0: Las relaciones entre variables se mantienen casi idénticas
> 0.9: Excelente preservación de relaciones
0.7 - 0.9: Buena preservación
< 0.7: Pérdida significativa de relaciones

Ejemplo: Correlación = 0.976 significa que las relaciones entre variables (ej. edad y mortalidad) se mantienen en un 97.6% respecto al conjunto original.

⏱️ Métricas de Rendimiento Temporal

Tiempo Total (s) (segundos)

¿Qué mide? Tiempo total de ejecución del proceso de generación del conjunto.

Interpretación:

< 100s: Generación rápida
100-300s: Tiempo moderado
> 300s: Proceso lento (puede ser aceptable para conjuntos grandes)

Ejemplo: Tiempo total = 69.45s significa que el proceso completo de generación del conjunto balanceado tomó aproximadamente 1.16 minutos.

⏱️ Nota: Incluye el tiempo de generación sintética + cálculo de métricas.

🔒 Métricas de Privacidad

Estas métricas evalúan el riesgo de exposición de información sensible y la capacidad de un atacante para inferir datos de los pacientes a partir del conjunto de datos sintéticos.

Distancia al Registro Más Cercano (≥ 0)

¿Qué mide? La distancia promedio entre cada registro sintético y su registro más cercano en el conjunto de datos original.

Interpretación:

Cerca de 0: Los datos sintéticos son muy similares a los originales → ⚠️ ALTO RIESGO de privacidad
0.01 - 0.05: Similaridad moderada → Riesgo moderado
> 0.05: Buena separación de los datos originales → ✅ BAJO RIESGO de privacidad

Ejemplo: Distancia promedio = 0.015 en SMOTE indica que los registros sintéticos están relativamente cerca de los originales, lo que podría implicar un riesgo de privacidad moderado.

🔬

Metodología: Calculada utilizando la Distancia de Gower, la cual maneja internamente tipos de datos mixtos, normalizando las variables numéricas y penalizando diferencias categóricas para devolver un índice estandarizado entre 0 y 1.

💡

Recomendación: Valores < 0.01 deben ser evaluados con precaución. Idealmente, buscar valores > 0.02 para garantizar la privacidad.

Copias Exactas (≥ 0)

¿Qué mide? Número de registros sintéticos que son copias idénticas de registros en el conjunto de datos original.

Interpretación:

0: Ninguna copia exacta → ✅ SEGURO
1 - 10: Pocas copias → Riesgo bajo
11 - 50: Copias moderadas → ⚠️ RIESGO MODERADO
> 50: Muchas copias → 🔴 ALTO RIESGO de reidentificación

Ejemplo: SMOTE RSB* Refinado genera 76 copias exactas de 8817 registros (0.86%), lo que representa un riesgo de privacidad que debe ser evaluado.

⚠️

Importante: La presencia de copias exactas es uno de los indicadores más críticos de fuga de datos. Idealmente, este valor debe ser 0.

Ataque de Inferencia de Membresía (MIA) (0 - 1.0)

¿Qué mide? Tasa de éxito (medida en AUC-ROC) de un atacante para determinar si un registro específico pertenece al conjunto de datos original.

Interpretación:

0.5: Aleatorio (ideal) → ✅ PRIVACIDAD ÓPTIMA
0.5 - 0.55: Riesgo bajo
0.55 - 0.6: Riesgo moderado → ⚠️ PRIVACIDAD CUESTIONABLE
> 0.6: Riesgo alto → 🔴 PRIVACIDAD COMPROMETIDA

Ejemplo: MIA = 0.553 significa que el atacante tiene un éxito ligeramente superior al 50% aleatorio, lo que indica un riesgo de privacidad bajo/moderado.

🎯

Objetivo: Buscar valores lo más cercanos a 0.5. Valores > 0.6 indican que el conjunto sintético no protege adecuadamente la privacidad.

📝 Resumen Rápido para Selección

🏆

Para seleccionar el mejor conjunto:

Priorizar TabDSFidelity más alto
Buscar AUC-ROC y F1 altos
Valores de divergencia JS y KL cercanos a 0
P-valor de KS lo más cercano a 1.0 posible (>0.05)
Correlación > 0.9

⚖️

Balance entre calidad y tiempo:

Un TabDSFidelity > 8.0 indica excelente calidad
Tiempos de generación < 200s son aceptables
La Correlación > 0.95 asegura buena preservación de relaciones

🔒

Para garantizar la privacidad:

MIA lo más cercano a 0.5 (ideal)
Copias exactas = 0 (ideal) o lo más bajo posible
Distancia promedio > 0.02 para buena separación
Evaluar balance entre calidad (TabDSFidelity) y privacidad (MIA)

📥 Descargar conjuntos y código Python

📦 Descargar completo (ZIP)

Formatos incluidos: CSV.

📚 Cómo citar este conjunto

Díaz Bastida, M., Pérez Vázquez, R. A., & Bello Pérez, R. (2026). High-Fidelity Synthetic Dataset for EEG-Based Eye State Detection (Version 1). figshare. https://doi.org/10.6084/m9.figshare.32946797.v1