Stress per se is not a negative fact, actually it is a survival mechanism in response to danger; we need it. Stress can show our ability to handle pressure without breaking, it provides us challenges and tests our adaptability to face them. However, prolonged and high stress levels might cause serious illnesses. In modern life, negative stress has become an extremely common problem. In this Bachelor thesis we propose the design of a stress detection and monitoring app, Shama, which uses data collected from the smartphone to infer the user?s daily stress state. If the user wears a wristband, Shama also extracts Heart Rate Variability (HRV) features to enhance the stress detection. The app proposal is partially validated by building a stress classification model with a Sequential Minimal Optimization (SMO) classifier, which provides an accuracy of almost 73%. We also present the user interface of Shama, with all its functionalities for stress coping and management, as well as for encouraging the user to incorporate daily healthy habits to reduce unnecessary and unhealthy stress levels.

El estrés, de por sí, no es algo totalmente negativo, sino más bien un mecanismo de supervivencia que nos permite reaccionar delante del peligro. Así que de hecho, lo necesitamos. Además, puede ser constructivo y mostrarnos lo capaces que somos de soportar cierta presión, retándonos y poniendo a prueba nuestra flexibilidad frente a desafíos. Sin embargo, altos niveles de estrés o períodos prolongados bajo sus efectos, pueden tener consecuencias muy perjudiciales para nuestra salud, tanto la mental como la física. Y, desafortunadamente, hoy en día el estrés en un problema excesivamente extendido. En este trabajo de fin de grado proponemos el diseño teórico de Shama, una aplicación móvil capaz de detectar diariamente el estrés del usuario mediante información extraída a través de su móvil o de su pulsera inteligente, en caso que se disponga de una. Esta propuesta teórica es parcialmente validada construyendo un modelo de machine learning mediante Sequential Minimal Optimization (SMO) capaz de alcanzar una precisión de aproximadamente el 73% enfrente a un problema de clasificación binaria. Asimismo, Shama también proporciona monitorización al usuario para ayudarlo a lidiar con el estrés cuando se encuentra bajo sus efectos, y le motiva a incorporar hábitos diarios para mejorar su bienestar general.

L'estrès, en si mateix, no és absolutament negatiu, sinó que és un mecanisme de resposta davant del perill i, de fet, el necessitem. També demostra la nostra capacitat de suportar certa pressió, ens aporta reptes i posa a prova la nostra flexibilitat a l'hora d'enfrontar-los. Tanmateix, alts nivells d'estrès en períodes prolongats poden tenir conseqüències altament prejudicials per a la nostra salut, tant mental com física. I, malauradament, avui dia l'estrès és un problema excessivament comú. En aquest treball de fi de grau proposem el disseny teòric de Shama, una aplicació mòbil capaç de detectar l'estrès diari de l'usuari mitjançant informació extreta del seu mòbil, així com d'una polsera intel·ligent en cas que l'usuari en disposi. Aquesta proposta d'app és parcialment validada amb la construcció d'un model de machine learning mitjançant Sequential Minimal Optimization (SMO), que té una precisió del 73% en un problema de classificació binària. Shama també monitora l'usuari per ajudar-lo a lidiar amb l'estrès un cop detectat i li proporciona eines per incorporar en el seu dia a dia hàbits per millorar el seu benestar general.